[发明专利]一种优化的基于神经网络的桥梁损伤识别方法

权利要求书

1.一种优化的基于神经网络的桥梁损伤识别方法，其特征在于，包括以下步骤：

S1，构造样本数据：利用有限元方法建立全桥的实体有限元模型，对该实体有限元模型进行修正，并利用修正后的实体有限元模型模拟不同荷载情况下桥梁不同位置的受力情况，获得桥梁完好及不同损伤情况下的模拟应变数据，将相应的应变变化率作为BP神经网络的样本数据；

S2，确定网络拓扑结构：确定BP神经网络隐含层的层数及各个层所含神经元的个数；同时初始化神经网络的权值阈值；

S3，训练及测试：采用梯度下降动量算法对BP神经网络进行训练并利用测试样本对神经网络进行测试；

S4，损伤识别：将桥梁的实时应变数据输入训练好的BP神经网络，实现桥梁的损伤识别；其中，所述的桥梁的实时应变数据是通过最优布设的传感器获得的，且以最少的不可识别模型的个数Y_min为目标函数，Y_min所对应的传感器的布设位置即为最优的传感器布设。

2.根据权利要求1所述的优化的基于神经网络的桥梁损伤识别方法，其特征在于，步骤S1中所述的获得桥梁完好及不同损伤情况下的模拟应变数据包括：使用ANSYS软件对模型进行分析，利用Block Lanczos方法提取未损伤状况下的固有频率和频率的模态振型，根据模态振型中模态位移的大小及实际桥梁传感器的安装位置选取损伤位置；采用降低弹性模量的方法模拟不同位置不同程度的损伤；再使用APDL语言中*get命令即提取得到不同程度不同位置损伤情况下的应变数据。

3.根据权利要求1或2所述的优化的基于神经网络的桥梁损伤识别方法，其特征在于，步骤S1中所述的对该实体有限元模型进行修正包括：采用均匀设计法对该实体有限元模型进行一次修正，具体包括以下步骤：

X1，选取目标函数Q(x)和待修正的m个参数变量X；

X2，将每个参数变量的取值划分为n个水平；

X3，根据均匀设计表及其使用表选取参数水平组合进行试验；

X4，将每次试验得到的静力数据与实测静力数据带入目标函数和误差指标函数中即得每次试验的结果；

X5，比较各个试验结果，得目标函数与误差指标函数最小时的参数水平，基于此参数水平的有限元模型即一次修正后的基准有限元模型。

4.根据权利要求3所述的优化的基于神经网络的桥梁损伤识别方法，其特征在于，所述的对该实体有限元模型进行修正还包括：利用均匀设计法选取试验点生成响应面，采用响应面法对该实体有限元模型进行二次修正，具体包括以下步骤：

a，通过均匀设计表获得桥梁随机参数变量X的n_s个样本点，通过均匀设计试验即得响应面目标函数的样本点数值Y，Y＝{y₁,y₂,...,y_ns}；所述的参数变量X＝[E，ρ，μ]，其中，E为混凝土弹性模量，ρ为混凝土密度，μ为泊松比；

b，利用参数变量X和目标函数的样本点数值Y回归分析得待定因子的最小二乘估计值，进而获得响应面函数；

c，对响应面函数进行优化，得响应面目标函数与误差指标函数最小时的参数变量取值，基于此参数变量的结构有限元模型即为桥梁二次修正后的有限元模型。

5.根据权利要求1～4任一所述的优化的基于神经网络的桥梁损伤识别方法，其特征在于，步骤S2中，采用云粒子群算法初始化神经网络的权值阈值。

6.根据权利要求5所述的优化的基于神经网络的桥梁损伤识别方法，其特征在于，所述的采用云粒子群算法初始化神经网络的权值阈值具体包括：

a.通过BP神经网络确定权值阈值长度；

b.根据BP神经网络的结构和样本数据规模确定粒子群的规模，并按照云粒子群算法的步骤进行迭代搜索，直到超过设定的迭代次数时停止；搜索到的具有最优适应度的粒子即初始权值。

7.根据权利要求6所述的优化的基于神经网络的桥梁损伤识别方法，其特征在于，步骤a中所述的权值阈值长度为[0,1]。

8.根权利要求1所述的优化的基于神经网络的桥梁损伤识别方法，其特征在于，步骤S4中所述的最优的传感器布设具体包括：

A1，建立n种损伤情况下的有限元损伤模型，并提取各种损伤情况下各传感器潜在位置i处的应变预测值p_ij，其中，i为传感器的潜在位置，j为损伤情况，1≤j≤n；

B1，根据传感器的测量精度，将传感器潜在位置i处的应力预测值p_i划分为若干区间，相应的应力预测值处于同一区间的损伤模型即为不可识别损伤模型；将包含两个或两个以上的模型的区间设为集合b_ik，其中，k为不可识别损伤数，0≤k＜j；集合b_ik中的元素为各种不可识别的损伤状态且多个b_ik组成集合B_i,B_i＝{b_i1∪b_i2...∪b_ik}；

C1，若各传感器的潜在位置个数为m，传感器的个数为s，计算Y＝{B₁∩B₂...∩B_s}；子集中元素数量最少的数目即为最少的不可识别模型的个数Y_min,Y_min所对应的传感器的布设位置即为最优的传感器布设。