基于數(shù)據(jù)整合的建筑結(jié)構(gòu)損傷識(shí)別研究.pdf

1、建筑結(jié)構(gòu)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(yīng)等因素的共同作用下，會(huì)造成結(jié)構(gòu)系統(tǒng)的損傷積累、抗力衰退。當(dāng)損傷累積到一定的程度就可能導(dǎo)致建筑結(jié)構(gòu)的整體破壞，因此對(duì)建筑結(jié)構(gòu)進(jìn)行損傷檢測(cè)具有重要的理論價(jià)值和現(xiàn)實(shí)意義。就其本質(zhì)而言，結(jié)構(gòu)損傷識(shí)別問題屬于模式識(shí)別范疇，也就是研究損傷指標(biāo)和結(jié)構(gòu)損傷狀態(tài)之間的關(guān)系問題。近年來，一些新的人工智能算法正在不斷地被應(yīng)用到結(jié)構(gòu)損傷識(shí)別領(lǐng)域的研究中來，進(jìn)一步促進(jìn)了結(jié)構(gòu)損傷檢測(cè)與可靠性評(píng)估工作朝著

2、智能化的方向發(fā)展。
　　本文根據(jù)國內(nèi)外在結(jié)構(gòu)損傷識(shí)別領(lǐng)域的研究現(xiàn)狀，圍繞數(shù)據(jù)融合的三個(gè)不同層次，并結(jié)合小波包分析和模式識(shí)別算法等問題進(jìn)行了研究，主要工作和創(chuàng)新點(diǎn)有:
　　(1)提出結(jié)合隨機(jī)振動(dòng)響應(yīng)互相關(guān)函數(shù)、小波包分解和支持向量機(jī)(SupportVectorMachine，SVM)的結(jié)構(gòu)損傷識(shí)別方法。用隨機(jī)振動(dòng)響應(yīng)互相關(guān)函數(shù)對(duì)相鄰傳感器測(cè)點(diǎn)的信號(hào)進(jìn)行數(shù)據(jù)層融合，計(jì)算相鄰測(cè)點(diǎn)響應(yīng)的互相關(guān)函數(shù)幅值，并采用小波包對(duì)得到的幅值進(jìn)行分

3、解，得到各個(gè)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(jìn)行損傷識(shí)別。對(duì)Benchmark結(jié)構(gòu)模型的實(shí)驗(yàn)表明，對(duì)原始損傷信號(hào)進(jìn)行隨機(jī)振動(dòng)響應(yīng)互相關(guān)分析，能有效避免噪聲對(duì)響應(yīng)信號(hào)的污染，提出的方法具有較好的識(shí)別精度、穩(wěn)定性。
　　(2)提出了基于隨機(jī)森林(RandomForests，RF)和數(shù)據(jù)融合的結(jié)構(gòu)損傷識(shí)別方法。先用小波包對(duì)各個(gè)傳感器上采集到的原始信號(hào)進(jìn)行分解，計(jì)算各頻帶上的總能量，再根據(jù)傳感器布

4、置的特點(diǎn)將不同傳感器上的總能量進(jìn)行特征層融合，最后將融合后的能量值作為隨機(jī)森林分類器的特征向量進(jìn)行損傷識(shí)別。提出的方法在Benchmark結(jié)構(gòu)模型和某八層剪切型鋼框架結(jié)構(gòu)模型上均取得了良好的實(shí)驗(yàn)效果，表明經(jīng)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(yàn)概率支持向量機(jī)(PosterioriProbabilitySupportVectorMachine，PPSVM)和DS證據(jù)理論(Dempster-S