现代工程结构日益大型化、轻柔化,其安全服役和动力灾变问题越来越突出。结构可靠度分析和结构健康监测是保障工程结构长期服役和安全运营的两个重要研究内容:一方面,结构可能直接承受作用强度远超其设计极限的极端自然灾害,导致结构体系失效,因此有必要对结构进行动力可靠度分析;另一方面,在漫长的服役期内,结构会因环境侵蚀和材料老化等因素的影响出现功能退化,致使服役性能不断下降,因此需要利用损伤识别等手段为结构安全评估提供依据。然而,现阶段结构动力可靠度分析及结构损伤识别都还面临诸多挑战,尤其是如何提高计算效率和精度方面仍然具有很大的探索空间。近年来,以神经网络为代表的机器学习技术在土木工程领域受到了广泛关注,其强大的非线性拟合能力、特征提取能力和高度灵活的结构形式使得其已经渗透到土木工程各个研究方向,被用以解决传统方法难以处理的问题,展现出了很好的工程应用潜力。正是基于这样的考虑,论文以机器学习方法在结构动力可靠度分析和结构健康监测中的应用为着眼点,以提高可靠度分析和结构损伤识别的效率和精度为目标,建立了基于径向基神经网络的桥梁颤振可靠度分析方法以及基于贝叶斯卷积神经网络和振动传递比的结构损伤识别方法,通过数值模拟和实验对所提方法的准确性和有效性进行了验证。本文主要工作和结论如下:1.论文对人工神经网络和深度学习的基本概念、基本原理和若干常用数学模型进行了较为系统地梳理,并讨论了两者的联系及适用范围;重点阐述了本文将采用的径向基神经网络和卷积神经网络核心网络层的功能和算法。针对卷积神经网络存在容易过拟合的缺点,论文进一步介绍了贝叶斯卷积神经网络,该方法通过对权重的概率建模来正则化神经网络,引入贝叶斯统计推断的框架量化参数的不确定性,能够有效提升模型的泛化性能。2.在基于机器学习方法的动力可靠度分析方面,论文针对颤振失稳功能函数计算成本高、隐式表达和高维非线性的特点,使用径向基神经网络作为代理模型来替代计算复杂耗时的颤振临界风速搜索过程,结合蒙特卡洛技术,建立了一种高效的桥梁颤振失效概率求解方法。为进一步提高分析效率,论文还提出了一种基于动态距离约束和加权抽样的自适应采样策略,将使用径向基神经网络在变量设计空间全域拟合颤振失稳功能函数的问题转换为拟合极限状态面的问题,降低了计算的复杂度。为实现自适应采样的迭代过程,论文基于全模态颤振分析理论,使用MATLAB和ANSYS协同分析技术,建立了参数化颤振临界风速分析有限元模型,实现了颤振分析过程的“自动化”和“在线化”。3.为了验证本文提出的桥梁颤振失效概率求解方法的效率和精度,论文通过非线性无阻尼单自由度系统和二维小失效概率模型数值算例验证了所提自适应采样策略的适用性和有效性,结果表明,相较于已有自适应采样方法,该策略在精度相当的前提下具有更高的计算效率;通过理想平板断面简支梁桥算例对所提桥梁颤振可靠度分析方法的可行性进行了验证,分析结果表明,该方法具有良好的适用性,具备较高的计算精度和计算效率。4.在基于深度学习的结构损伤识别方面,论文充分发挥振动传递比函数能够有效消除未知激励的影响以及贝叶斯卷积神经网络对数据特征自动提取的优势,采用神经网络有监督学习思路,建立了传递比函数驱动的贝叶斯-CNN损伤识别方法。该方法通过采集各损伤工况结构加速度响应信号来构造传递比数据集,并直接将其作为输入对贝叶斯卷积神经网络模型进行训练,用于提取数据中对损伤敏感的特征,最终实现对未知损伤工况的识别。为了提高贝叶斯卷积神经网络的推理效率,论文引入了一种高效的随机梯度变分贝叶斯推理方法:变分随机失活,来构造贝叶斯卷积神经网络模型,其通过局部重参数技巧将全局不确定性转换成局部不确定性,能够较大幅度地减少随机梯度的方差和训练的计算量。5.为了验证基于贝叶斯深度学习的结构损伤识别算法的有效性,论文以IASCASCE SHM Benchmark结构数值模型和悬臂梁实验模型为研究对象,对论文所提损伤识别方法进行了验证。结果表明,该方法具备较高的识别正确率;由于传递比函数反映的是结构输出-输出之间的关系,能够有效消除荷载的影响,将其作为卷积神经网络的输入特征,损伤识别效果要优于结构加速度响应功率谱;相较于普通卷积神经网络,贝叶斯卷积神经网络在测试集和训练集的精度更为接近,说明其具备更好的泛化性能,损伤识别能力更好。