原文传递
基于改进高斯混合模型和流形学习的结构损伤识别研究
| 论文题名： | 基于改进高斯混合模型和流形学习的结构损伤识别研究 |
| 关键词： | 桥梁结构;健康监测;损伤识别;高斯混合模型;流形学习 |
| 摘要： | 桥梁是现代交通运输的重要组成部分，承担着连接城市和地区的重要作用。然而，由于长期的荷载使用和自然环境的影响，桥梁的健康状况逐渐受到了关注。为了实时地监测桥梁的健康状况，及时发现桥梁可能存在的隐患问题，桥梁健康监测系统应运而生。2021年交通运输部印发《公路长大桥梁结构健康监测系统建设实施方案》，专门挑选国内11座大跨桥梁开展结构健康监测系统建设。桥梁健康监测系统利用现场、无损、实时的方式采集结构与环境信息，分析结构响应特征，获取结构因环境、损伤或退化造成的改变等信息，以实现对桥梁的健康监测和评估。 然而，桥梁结构健康监测系统在实际运营期间积累了海量的监测数据，如何有效地分析这些监测数据，以实现对桥梁结构损伤状态的估计，是结构健康监测的核心和难点问题。目前面临的一个主要困难是实际结构不仅受损伤影响，而且还容易受到变化环境和运行条件的影响。在这种情况下，传统损伤识别方法难以区分损伤特征的变化是由结构自身损伤引起的，还是由环境变化所致，导致结构真实损伤不能得到有效识别。本文针对非线性环境因素影响下的结构损伤识别问题，借鉴统计学习领域的高斯混合模型和流形学习等理论，提出相应的结构损伤识别方法，具体进行了以下几方面工作: (1)提出一种变化环境下基于改进高斯混合模型的损伤识别方法。该方法引入串行学习对传统高斯混合模型进行改进，有效消除随机初始参数对模型拟合精度的影响;采用马氏平方距离作为变化环境下的损伤指标，并基于极值理论确定损伤预警模型的阈值。数值算例和试验算例表明，该方法相比传统高斯混合模型方法具有更低的损伤误报率。 (2)揭示环境影响下结构动力特征在高维空间的流形分布特征，提出一种基于拉普拉斯特征映射和高斯过程回归的损伤识别方法。该方法充分利用流形学习中拉普拉斯特征映射结果收敛的特点，基于高斯过程回归的拟合能力有效消除环境因素影响，通过模型预估残差值作为损伤指标识别结构损伤，木桁架桥和Z24的实测数据验证了所提出方法损伤识别的有效性。 (3)提出一种非线性环境因素影响下基于局部线性嵌入-主成分分析的损伤识别方法。考虑到在复杂环境因素影响下，监测变量存在非线性关系。该方法运用局部线性嵌入算法，将监测变量间的高维非线性关系转化成低维的线性关系，再利用线性主成分分析方法提取数据的主成分方向，计算与主方向的距离作为变化环境下的损伤识别的指标。Z24的实测数据验证了所提出方法的损伤识别效果。 |
| 作者： | 孔维琛 |
| 专业： | 结构工程 |
| 导师： | 黄杰忠;李东升 |
| 授予学位： | 硕士 |
| 授予学位单位： | 汕头大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
