原文传递
基于深度学习的在役钢桁架桥梁结构损伤识别研究
| 论文题名： | 基于深度学习的在役钢桁架桥梁结构损伤识别研究 |
| 关键词： | 钢桁架桥梁;损伤识别;深度信念网络;堆栈自编码 |
| 摘要： | 桥梁是支持社会经济繁荣和生活质量的重要基础设施，但在服役期间容易受到各种损伤(劣化、腐蚀、疲劳、蠕变、收缩等)。对其进行适当的检查、监控和维护变得越来越重要，如何及时并准确的识别桥梁的损伤有着重要的意义。深度学习因为在图像识别、自然语言处理等领域取得巨大的成功而获得关注。深度学习可以将原始数据逐层抽象成最终特征表示，最后以特征到任务目标的映射作为结束。本文开发了基于深度学习的损伤识别方法并通过钢桁架桥梁进行验证。主要工作如下： （1）介绍了深度学习基础理论，并详细介绍了本文所用的深度信念网络和堆栈自编码器的工作原理。 （2）通过响应面模型和多目标粒子群优化算法完成了钢桁架桥梁的有限元模型修正。 （3）将桥梁的损伤识别问题分为两类问题，一种是预先知道桥梁损伤的潜在位置，通过深度信念网络锁定真实的桥梁位置，随后用回归模型进行损伤程度的分析，另一种是未知桥梁的损伤位置以及损伤程度，将结构的损伤位置以及损伤程度同时作为输出向量，直接建立模态振型与结构损伤的非线性映射关系。提出了基于深度信念网络的损伤识别方法，并通过钢桁架桥梁进行验证，研究表明和传统的BP神经网络相比，深度信念网络在准确性和抗噪性方面都有着明显的优势。 （4）构建了适用于桥梁损伤识别问题的堆栈自编码器，将堆栈自编码器应用前文提到了桥梁损伤识别的两类问题中，研究表明，在抗噪性和准确性上明显优于传统的BP神经网络，在计算效率上要优于深度信念网络。 本文实验结果表明：基于深度信念网络和堆栈自编码器的桥梁损伤识别方法能够有效地进行损伤识别研究，从数值研究的结果可以看出，基于堆栈自编码器的桥梁损伤识别方法的计算效率要高于基于深度信念网络的损伤识别方法。 |
| 作者： | 卢森露 |
| 专业： | 土木工程;结构工程 |
| 导师： | 涂永明 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东南大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
