基于數據整合的建筑結構損傷識別研究.pdf

1、建筑結構在長期的使用過程中，由于在環(huán)境侵蝕、材料老化、突變效應等因素的共同作用下，會造成結構系統(tǒng)的損傷積累、抗力衰退。當損傷累積到一定的程度就可能導致建筑結構的整體破壞，因此對建筑結構進行損傷檢測具有重要的理論價值和現實意義。就其本質而言，結構損傷識別問題屬于模式識別范疇，也就是研究損傷指標和結構損傷狀態(tài)之間的關系問題。近年來，一些新的人工智能算法正在不斷地被應用到結構損傷識別領域的研究中來，進一步促進了結構損傷檢測與可靠性評估工作朝著

2、智能化的方向發(fā)展。
　　本文根據國內外在結構損傷識別領域的研究現狀，圍繞數據融合的三個不同層次，并結合小波包分析和模式識別算法等問題進行了研究，主要工作和創(chuàng)新點有:
　　(1)提出結合隨機振動響應互相關函數、小波包分解和支持向量機(SupportVectorMachine，SVM)的結構損傷識別方法。用隨機振動響應互相關函數對相鄰傳感器測點的信號進行數據層融合，計算相鄰測點響應的互相關函數幅值，并采用小波包對得到的幅值進行分

3、解，得到各個頻帶上的總能量，利用各頻帶上的能量值作為輸入到分類器的特征向量，并用SVM進行損傷識別。對Benchmark結構模型的實驗表明，對原始損傷信號進行隨機振動響應互相關分析，能有效避免噪聲對響應信號的污染，提出的方法具有較好的識別精度、穩(wěn)定性。
　　(2)提出了基于隨機森林(RandomForests，RF)和數據融合的結構損傷識別方法。先用小波包對各個傳感器上采集到的原始信號進行分解，計算各頻帶上的總能量，再根據傳感器布

4、置的特點將不同傳感器上的總能量進行特征層融合，最后將融合后的能量值作為隨機森林分類器的特征向量進行損傷識別。提出的方法在Benchmark結構模型和某八層剪切型鋼框架結構模型上均取得了良好的實驗效果，表明經過融合后的特征向量能有效提高不同損傷類別之間的差異性。
　　(3)提出了基于后驗概率支持向量機(PosterioriProbabilitySupportVectorMachine，PPSVM)和DS證據理論(Dempster-S