原文传递
基于深度学习的桥梁健康监测传感器优化布置方法研究
| 论文题名： | 基于深度学习的桥梁健康监测传感器优化布置方法研究 |
| 关键词： | 桥梁健康监测;传感器;优化布置;深度前馈网络 |
| 摘要： | 桥梁健康监测必须通过多种传感器来获取所需要的结构信息，因此传感器的布置是关键问题之一，但同时也要考虑到经济性而不能大量布设。近年来针对传感器优化布置的研究虽然取得了一些进展，但仍然存在寻优算法复杂和寻优效果不理想等问题。本文借助《泸定大渡河特大桥健康监测系统设计与实施》项目基础，结合群智能算法，提出一种基于深度前馈网络的桥梁加速度传感器优化布置方法。主要工作内容如下: (1)首先针对传感器优化布置和深度学习方法与应用进行了两方面的文献研究。归纳了目前传感器优化布置方法和优缺点，同时研究了深度学习相关理论和应用，提出了利用深度学习实现加速度传感器优化布置的思路和方法。 (2)提出利用深度前馈网络建立传感器布置方案与评价准则（MAC矩阵）之间的直接关系，通过群智能优化算法对新建立的网络关系搜索，获得最优值和对应优化布置方案。介绍了基于深度学习的加速度传感器优化布置方法的整体思路和基本原理，然后结合桥梁的传感器布置问题，从数据的结构化预处理方式、深度学习的模型建立及训练方法、布置方案寻优方法三个方面展开介绍了具体实现过程。 (3)以泸定大渡河特大桥作为工程实例，利用ANSYS软件建立它的有限元模型，获得振型数据，对主梁的54个有限元节点布置固定数量的15个加速度传感器。通过实验确定了适合该网络的最佳参数范围和网络结构模型，并且对网络的优化进行了实验和分析。结果表明，通过深度前馈网络建立的布置方案与MAC矩阵非对角元素最大值之间的关系网络在1000种布置方案测试下预测的MAC值的平均误差为0.0055142，其中98.5％的布置方案的预测误差在0.05以内，88.7％的布置方案的预测误差在0.01以内，达到了较好的训练结果，同时也证明了该方法可行。 (4)在前面训练好的网络下，提出通过群智能优化算法来搜寻该网络的最优MAC值及其对应的布置方案。通过遗传算法寻优，得到的最优MAC值为0.10815，同时也得到对应优化布置方案。利用该优化布置方案计算得到实际的MAC值为0.11187，实际误差大小为0.00372，小于平均误差值0.0055142，证明了该优化布置方案的误差较小且各阶之间具有较好的正交性。同时，将最终的布置方案还原的各阶振型与实际振型对比，还原度较高，证明该方法能够与实际的桥梁健康状况分析紧密结合。 |
| 作者： | 袁灿 |
| 专业： | 软件工程 |
| 导师： | 梁宗保 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
