论文部分内容阅读
本文以一座斜拉桥为具体研究对象(该斜拉桥的原型是苏拉马都大桥),研究其主要构件拉索的健康监测方法。首先在该桥有限元基准模型的基础上,根据不同的损伤程度和拉索损伤数目来确定工况,并由此得到不同工况下拉索的应变数据,然后分别基于BP(Back Propagation,反向传播)网络、SCG(Scaled Conjugate Gradient,量化共轭梯度)网络以及RBF(Radial Basis Function,径向基函数)网络,开展大跨斜拉桥拉索的损伤识别方法的研究。主要工作如下:1.面对传统BP神经网络的诸多缺点,如算法收敛速度慢,学习效率低、网络结构难以确定、容易陷入到局部最小点等,通过加入动量项和自适应学习率来获得改进BP神经网络,采用“交叉验证法”来研究不同参数对神经网络的性能影响并选取合适的网络。研究表明,改进后的BP神经网络可以在一定精度范围内对拉索损伤进行识别。2.在共轭梯度算法的基础上,选择“SCG神经网络”作为拉索损伤识别方法。通过建立与BP算法相同的网络结构并统计比较该网络在同一个校验集数据样本上的性能,数据表明“SCG神经网络”相比于BP神经网络具有一定优势。在此基础上,将“SCG神经网络”使用在大规模网络结构上,结果证明“SCG神经网络”可以获得比BP网络更好的拉索损伤识别效果。3.基于RBF神经网络来对拉索损伤进行识别,并统计在相同校验集数据样本上该网络的识别结果,比较分析了RBF神经网络和“SCG神经网络”各自的优缺点。研究表明:只有在损伤程度达到一定程度后,网络的损伤识别效果才会随之下降,从整体上来看,RBF神经网络能够有效且稳定地来对拉索损伤进行识别。