详情

原文传递基于非线性混沌动力学理论的在役桥梁状态分析研究

论文题名：	基于非线性混沌动力学理论的在役桥梁状态分析研究
关键词：	高维非线性;混沌动力学;全局分叉;稳定性;在役桥梁;健康监测系统
摘要：	随着在役桥梁安全问题不断突出以及桥梁健康监测系统的广泛应用，基于桥梁营运过程响应信息的桥梁状态分析已然成为国内外同行研究的热点和难点。本文通过对结构动力模型进行高维非线性动力学的理论分析，ASCE Benchmark仿真模型试验及实际工程验证，提出了基于非线性混沌动力学的在役桥梁状态分析理论与技术体系。主要内容包括：　　 (1)将在役桥梁结构构件抽象为高维非线性系统，分析了车-桥耦合模型的全局稳定性临界条件，结果表明车桥耦合模型在一定参数时会出现渐次稳定或不稳定状态。同时，结合已有悬臂梁、斜拉索等构件模型的全局分叉临界条件理论分析成果，说明了在役复杂工程结构高维非线性分析的可行性与有效性。　　 (2)在建立ASCE Benchmark有限元模型的基础上，应用混沌时间序列理论分别提取了Benchmark有限元模型和Benchmark试验模型的瞬态激励下的加速度时间序列的混沌特征指标即最大Lyapunov指数。9种工况的试验表明：9种工况下不同测点的最大Lyapunov指数演化规律一致；不同测点在7、8、9三种不断递增的“损伤”工况下的最大Lyapunov指数变化趋势一致。由此说明Benchmark有限元模型与Benchmark试验模型均出现混沌现象且最大Lyapunov指数不仅能有效表征结构状态的演化而且对结构状态具有较强的敏感性。另外，为了更稳定、准确分析结构状态，建立了基于最大Lyapunov指数谱熵的结构状态分析指标。试验结果表明最大Lyapunov指数熵避免了由于混沌演化方向不同带来的不稳定性，提高了结构状态分析的效果。　　 (3)结合在役桥梁结构状态分析缺乏“负样本”的特点，以混沌特征指标作为结构状态的“属性”集合，分析并建立了基于“一类学习”支持向量机(SVM)的桥梁状态识别模型，为进一步实践在役桥梁长期状态识别提供了技术支持。　　 (4)根据混沌时间序列向空间重构理论，从监测信息时间序列提取最佳嵌入维并将其作为神经网络多步递推学习的步数，构建了基于多步递推BP神经网络的桥梁监测信息预测模型。由此，可以在预测监测信息的基础上进一步开展基于混沌特征指标的结构状态分析，实现在役桥梁状态及寿命的预测。　　 (5)针对大型在役桥梁结构多测点实时监测的特点，提出了基于时延转移熵与时延互信息的桥梁状态分析方法。结合马桑溪大桥的监测信息的试验分析，结构不同测点的力学相关性与监测信息的相关性一致。由此，可以实现通过测点相关性演化来进行桥梁状态分析。　　 (6)应用混沌时间序列理论及方法对马桑溪大桥长期健康监测信息通过不同时段、不同测点分别提取最大Lyapunov指数与关联维数等多个混沌特征指标，结果表明：最大Lyapunov指数均大于0；关联维数一般为3.8(非整数)。由此看出马桑溪大桥结构系统出现混沌现象且混沌特征指标演化规律稳定、一致。　　本文所开展的基于非线性混沌动力学理论的在役桥梁状态分析的理论与技术研究不仅在理论上为在役桥梁状态分析提供了新的研究思路，同时，研究内容及试验结果也将为进一步完善此类研究提供有益的支持和探索。
作者：	杨建喜
专业：	桥梁与隧道工程
导师：	周建庭
授予学位：	博士
授予学位单位：	重庆交通大学
学位年度：	2011
正文语种：	中文