基于归纳学习工程损伤识别研究.docVIP

基于归纳学习工程损伤识别研究 　　【摘 要】本文介绍了震后工程损伤识别的重要性，详细介绍了几种智能识别技术的发展状况，并对在实际工程中如何选取识别方法提出了几点见解，最后提出了几个笔者认为比较重要的结论及其解决方法。 　　【关键词】地震；损伤识别；神经网络；遗传算法；小波分析 　　文章编号：ISSN1006―656X（2014）03-0261-01 　　前言 　　近几年，全球地震灾害频发，由于地震引起的结构物损伤和破坏数不胜数。汶川地震和雅安地震让人们心里蒙上了一层阴霾。这些地震造成巨大的生命和财产损失，使一些结构变成废墟，一些结构发生不同程度的损伤。本文基于笔者自身的学习对结构损伤识别方法进行了归纳，希望对读者有所帮助。 　　一、损伤识别技术概念及其应用领域 　　结构损伤识别（Damage Identification）：结构损伤识别即是对结构进行检测与评估，判断结构是否有损伤存在，进而判断损伤的位置和程度，以及结构当前的状况、使用功能和结构损伤的变化趋势等，判断结构能否继续使用及其剩余寿命估计提供决策依据[1]。显然对于震后的结构损伤识别主要的工作是评价灾后建筑是否能继续投入使用，以免灾害再次出现使结构出现更加严重的破坏而导致生命和财产的损失。 　　二、结构损伤识别方法和分类 　　结构损伤识别与诊断的过程主要经过四个阶段：1）确定结构是否存在损伤；2）定位损伤的位置；3）确定结构损伤的程度；4）预测结构的剩余使用寿命。这四个阶段中针对损伤的定位和损伤程度的确定这两者相关的研究最多，它们也是结构损伤识别过程的核心部分。 　　本文主要详细介绍几种智能识别方法（神经网络、遗传算法、小波变换），分析它们各自的优点和局限性，并对如何选择识别方法给出建议，给读者提供一些参考。 　　（一）神经网络 　　人工神经网络（Artificial Neural Network，ANN）是对人脑或自然神经系统若干基本特征的抽象与模拟，它由大量的、功能比较简单的神经元相互连接组成，按照一定的连接权获取信息的连接模式，根据一定的学习规则，实现网络的学习和关系映射。 　　神经网络应用于结构的损伤识别，有以下几个方面的优点： 　　1）神经网络具有自我学习功能，同时还有强大的容错性和鲁棒性，并且善于联想、综合或扩散。 　　2）神经网络具有滤除噪声及在有噪声情况下得出正确结论的能力。 　　3）神经网络具有系统识别和分类能力。 　　利用神经网络进行损伤识别，多采用BP神经网络（Backpropagation NN）。它由一个输入层、一个输出层和至少一个隐含层。神经网络的学习就是在这三个层中进行的。 　　BP神经网络存在收敛性速度比较慢的问题。对于大型结构，待识别的参数很多，计算量大，网络收敛速度很慢，有可能会陷入局部收敛，导致全局不收敛。Yun和Bahng采用子结构法来减少待识别参数数量[7]，翟伟廉等采用待识别结构划分成子区域的方式[8]，均在一定程度上优化了神经网络的计算过程。 　　（二）遗传算法 　　遗传算法（GeneticAlgorithm，GA）是20世纪60年代由美国密执安大学John Holland教授提出的，该方法的优点有以下几个方面： 　　1）在测试获取信息不多的情况下， 能迅速判定损伤位置和程度， 即使模态信息部分丢失时， 遗传算法寻优能力丝毫不受影响； 　　2）本质上属于随机寻优过程，不存在局部收敛问题； 　　3）只需计算各可行解的目标值而不要求目标函数的连续性，不需要梯度信息； 　　4）采取多线索的并行搜索方式进行优化，搜索效率高，使用方便， 鲁棒性强； 　　5）遗传算法具有可扩展性，易于同别的技术混合。 　　但是实践证明，GA在设计变量较多时效率不高。针对此，在改进GA的问题上许多学者给出了优化方法：易伟建等[10]则通过多父体杂交、变量微调和提高群体多样性的方法来提高算法的收敛速度。这些优化方法都取得了令人满意的效果。 　　（三）小波变换 　　小波分析（Wavelets Analysis）是数学理论中调和分析技术发展的最新成果，被应用到结构健康监测及损伤识别中仅仅几年时间，但其优秀的时频分析能一经被应用到损伤识别中来就展现出了极具前景的生命力。 　　小波分析中运用到一种积分变换，称为小波变换。经典Fourier分析的本质是把相当任意的函数 表示为具有不同频率的谐波函数的线性叠加，是一种纯频域分析。而小波变换可做到将任意平方可积空间中的一个时间函数 投影到二位的时间-尺度平面上。结构模型在环境激励下， 结构的损伤会影响模态形状的变化，因此可以从细节突变上提取损伤的信息。 　　近几年，小波变换已经在结构损伤领域得到成功的应用。 　　三、损伤识别方法的选用 　　以上几种智能识