导　　师： 余岭

授予学位： 博士

作　　者： ;

机构地区： 暨南大学

摘　　要： 近几年结构健康监测技术在桥梁等土木工程领域得到了快速的发展以及广泛的应用。一些新建结构从施工开始就通过各种传感器,连续地记录结构的变化信息,以进行结构损伤识别。但是在实际工程中,环境噪声、测量数据不完整性和计算复杂度等因素使得结构损伤识别算法的设计依然存在诸多困难,研究兼具准确性和广泛适用性的损伤识别算法已经成为结构健康监测领域的重要研究热点之一。目前,如何评估损伤识别算法的准确性和适用性依然缺乏有效的度量指标。同时,在基于深度学习的损伤识别方面,虽然神经网络可以用于模拟任意复杂度函数;但是对于从振型与频率映射到损伤值这样一个复杂函数来说,只能在理论上进行数值回归,训练的成本难以适应现实工程;而目前一些基于神经网络的损伤定位研究则是一种典型的0-1分类问题,并不能有效地识别连续型的损伤值。因此,神经网络模型需要综合考虑计算效率与实值预测误差。此外,环境噪声也会导致训练样本与真实值存在差别,如何消除环境噪声影响也是一个亟待解决的问题。针对上述问题,本文在结构损伤检测方法评价、模态与时域数据处理、深度学习分类模型搭建等方面,进行了较为深入的研究和实践工作,主要研究工作包括:1、提出了损伤检测方法的评价指标。为了既能反映局部单元损伤的识别准确率,又能反映全局结构损伤的识别准确率,本文给出了一种用于评价损伤识别方法的度量指标,提出了单元准确率、单点准确率和记录准确率三个概念,能够有效地衡量损伤识别方法的稳定性和适用性。基于该评价指标,本文对连续蚁群算法进行了评估,实验结果表明单损伤效果优良,但多损伤情况下易陷入局部最优,记录准确率偏低,算法缺乏足够的稳定性。2、提出了损伤值的合理粒度离散化以及�

关 键 词： 结构健康监测 深度学习 卷积神经网络 残差神经网络 循环神经网络 结构损伤识别

领　　域： []