|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2011年12期
| 标题 |
| 基于模态参数和神经网络的桥梁损伤识别方法(51卷) |
| 英文标题 |
| ridge damage identification method based on modal parameters and neural network |
| 摘要 |
| 由于人工神经网络具有强大的模式识别能力，近年来被广泛用于结构的损伤识别。神经网络输入参数的选择直接影响损伤识别的效果，利用结构振动模态分析理论,验证了结构损伤前后的模态柔度差和模态振型差均有对基准有限元建模误差不敏感的特性，建立了以上述两种指标作为神经网络输入参数进行结构损伤程度识别的方法，从而避免因基准有限元模型误差对神经网络训练数据的影响，提高识别准确性。32 m简支箱梁的数值模拟结果表明，训练好的神经网络可以准确地识别出结构损伤程度，并且讨论了测量误差对识别结果的影响。 |
| 作者 |
| 新闻作者:刘阔誉,姚京川 |
| 关键字 |
