详情

原文传递基于稀疏贝叶斯学习的桥梁结构损伤识别方法研究

论文题名：	基于稀疏贝叶斯学习的桥梁结构损伤识别方法研究
关键词：	桥梁健康监测;损伤识别;稀疏贝叶斯学习;人工鱼群算法
摘要：	随着社会的发展，大型土木工程结构越来越多，尤其是大型桥梁结构，桥梁结构在长期运营过程，通常会因环境、结构老化和结构使用不当等原因发生损伤。结构损伤识别方法作为结构健康监测（Structural Health Monitoring,SHM）中的有力工具，能够有效评估结构安全性，这对于大型土木结构的安全运营具有重大意义。但实际工程结构复杂，在基于有限元模型的损伤识别方法中，高精度的结构物理参数往往难以获取。此外，受传感器质量、测量误差、环境变化等因素影响，监测数据不可避免地具有不确定性。而基于稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）的结构损伤识别方法，具备较强的不确定性量化能力，且概率输出结果具有较好的鲁棒性。因此有必要针对基于SBL的无物理模型、纯监测数据驱动的损伤识别方法进行研究。　　故本文开展基于稀疏贝叶斯学习的桥梁结构损伤识别方法研究，提出了一种基于稀疏贝叶斯学习的纯监测数据驱动损伤识别方法。所提方法首先基于健康状态下的桥梁结构振动数据，通过自然激励技术（Natural Excitation Technique,NExT）方法确定损伤敏感频带，并据损伤敏感频带构造对损伤敏感的损伤指标——结构健康因子；接着基于健康状态下的结构健康因子，引入稀疏贝叶斯学习以构造SBL参考回归模型；再据结构损伤未知状态下的振动监测数据构造新的结构健康因子，并将新的结构健康因子实部带入参考回归模型中预测虚部；最后据新的损伤指标虚部与预测虚部的残差进行贝叶斯假设检验，并利用假设检验得到的贝叶斯因子开展损伤识别。　　本文具体研究内容和贡献如下：　　（1）以结构健康监测为研究背景，针对桥梁结构振动监测数据可能存在数据缺漏问题，考虑振动监测数据不确定性，同时利用稀疏贝叶斯学习的非线性处理能力和高泛化能力，将实测振动数据分为：（i）健康状态下的环境振动数据；（ii）健康状态下自由衰减振动数据；（iii）损伤状态下的环境振动数据；（ⅳ）损伤状态下的自由衰减振动数据，开展基于稀疏贝叶斯学习的振动监测数据建模性能分析。　　（2）基于稀疏贝叶斯学习的数据建模性能，提出一种基于稀疏贝叶斯学习的纯监测数据驱动损伤识别方法。所提损伤识别方法无需有限元建模，且方法中SBL参考回归模型能量化数据不确定性。案例研究结果表明，本文所提损伤识别方法能够实现损伤定性、损伤定位及损伤定量三目标。另外，所提方法无需损伤状态下的振动监测数据，仅需健康状态下的振动监测数据，在方法应用层面更符合实际。　　（3）为使所提损伤识别方法更适用于结构损伤识别中，提高损伤识别结果精度，引入智能优化算法——人工鱼群（Artificial Fish Swarm Algorithm,AFSA），研究基于AFSA的自适应稀疏贝叶斯学习桥梁结构损伤识别方法。通过构建模型参数——基宽参数的目标函数，利用AFSA的全局寻优能力，实现稀疏贝叶斯学习模型参数的自适应，减少参数确定过程中人为因素的影响，进而提高损伤识别结果精度。　　所提基于稀疏贝叶斯学习的桥梁结构损伤识别方法的可行性，通过结构健康监测基准结构——天津永和大桥及其振动监测数据得到了验证。
作者：	戴阳
专业：	建筑与土木工程
导师：	王其昂
授予学位：	硕士
授予学位单位：	中国矿业大学(江苏)
学位年度：	2022