基于EMI与ANN技术的构造物健康诊断研究的开题报告.docxVIP

基于EMI与ANN技术的构造物健康诊断研究的开题报告

一、研究背景

可持续发展是当前全球热点议题，其中建筑结构的健康和安全是建筑物可持续发展的重要指标之一。建筑物健康诊断技术的发展，对于改善建筑物的健康状况、延长建筑物的使用寿命、减少维护成本等方面具有重要意义。而非破坏性检测技术（NDT）则是实现建筑物健康诊断的核心技术之一，其中电磁干涉（EMI）技术由于具有精度高、对建筑物无损伤等优点广受关注。

然而，单独的EMI技术仅能获得建筑物的局部受损情况，对全局健康状态评估的精确性仍有待提高。因此，本研究将尝试将EMI技术与人工神经网络（ANN）技术相结合，从而实现对建筑物全局健康状态的评估与判断。

二、研究目的和意义

研究目的：

本研究旨在通过综合应用EMI与ANN技术，构建建筑物健康诊断模型，实现对建筑物全局健康状态的精确评估和判断。

研究意义：

1.为建筑结构健康监测与评估提供一种新的、无损检测的技术手段，促进建筑物可持续发展，提高建筑结构安全性和使用寿命。

2.利用ANN技术对EMI数据进行建模分析，在综合考虑各种因素的情况下，提高对建筑物健康状态的精度，有效规避人为主观因素的影响。

三、研究内容和研究方法

研究内容：

1.建立EMI与ANN相结合的建筑物健康诊断模型，实现对建筑物全局健康状态的评估。

2.综合分析建筑结构的不同材料和不同部位的受损情况，确定EMI数据的采集和处理方法，获得高质量的EMI数据。

3.对EMI数据进行数据预处理，如滤波、归一化等，为神经网络建模做准备。

4.应用人工神经网络技术，建立建筑物健康诊断模型，综合考虑多种因素，包括建筑材料、结构形式、使用年限等因素，实现对建筑物全局健康状态的评估。

5.利用实验验证建筑物健康诊断模型的有效性和准确性。

研究方法：

1.安装EMI探头，采集建筑物不同材料和不同部位的EMI数据。

2.对EMI数据进行预处理和降维处理，将数据转化为有效特征向量。

3.利用BP神经网络对EMI数据进行训练和建模，建立建筑物健康诊断模型。

4.使用交叉验证和测试集验证建筑物健康诊断模型的正确性和准确性。

5.通过实验验证建筑物健康诊断模型的有效性和可行性。

四、论文结构和进度安排

论文结构：

第一章：研究背景和意义

第二章：EMI技术原理和应用

第三章：ANN技术原理和应用

第四章：EMI与ANN相结合的建筑物健康诊断模型设计

第五章：实验验证和分析

第六章：结论和展望

进度安排：

第一周：EMI技术原理和应用的调研

第二周：ANN技术原理和应用的调研

第三周：建筑物健康诊断模型的设计

第四周：EMI数据采集与处理

第五周：神经网络模型的训练和调试

第六周：模型的验证和实验结果分析

第七周：撰写论文

第八周：论文修改和定稿

五、参考文献

[1]李培华.电磁干涉检测技术[M].北京:机械工业出版社,2007.

[2]唐永平.基于深度学习的建筑物健康诊断研究[D].贵阳:贵州大学,2017.

[3]YuHW,ChenMZQ,ZhangW.DetectionofStructuralDamagebyModalData:AComparisonofNeuralNetworkApproaches[J].JournalofStructureEngineering,2004,130(9):1281-1290.

[4]QianJ,LiB,LiZ.DetectionofStructuralDamageUsingArtificialNeuralNetwork[J].InternationalJournalofAppliedElectromagneticsandMechanics,2015,49(1):117-126.

[5]郑炎生,陆秀芳.基于神经网络算法的道路桥梁健康评价与分类[J].公路交通科技,2017,34(3):97-104.