[发明专利]一种改进的基于神经网络的桥梁损伤识别方法

权利要求书

1.一种改进的基于神经网络的桥梁损伤识别方法，其特征在于，包括以下步骤：

S1，构造样本数据：利用有限元方法建立桥梁模型，获得桥梁完好及不同损伤情况下的模拟 应变数据，并将应变变化率作为BP神经网络的样本数据；

S2，确定网络拓扑结构：确定BP神经网络隐含层的层数及各个层所含神经元的个数；同时 初始化神经网络的权值阈值；

S3，训练及测试：采用梯度下降动量算法对BP神经网络进行训练并利用测试样本对神经网 络进行测试；

S4，损伤识别：将桥梁的实时应变数据输入训练好的BP神经网络，实现桥梁的损伤识别； 其中，所述的桥梁的实时应变数据是通过最优布设的传感器获得的，且以最少的不可识别模 型的个数Y_min为目标函数，Y_min所对应的传感器的布设位置即为最优的传感器布设。

2.根据权利要求1所述的改进的基于神经网络的桥梁损伤识别方法，其特征在于，步骤S1 中所述的利用有限元方法建立桥梁模型是指利用通用有限元计算软件ANSYS建立全桥的实 体有限元模型。

3.根据权利要求2所述的改进的基于神经网络的桥梁损伤识别方法，其特征在于，步骤S1 中所述的获得桥梁完好及不同损伤情况下的模拟应变数据包括：使用ANSYS软件对模型进 行分析，利用Block Lanczos方法提取未损伤状况下的固有频率和频率的模态振型，根据模 态振型中模态位移的大小及实际桥梁传感器的安装位置选取损伤位置；采用降低弹性模量的 方法模拟不同位置不同程度的损伤；再使用APDL语言中*get命令即提取得到不同程度不同 位置损伤情况下的应变数据。

4.根据权利要求3所述的改进的基于神经网络的桥梁损伤识别方法，其特征在于，步骤S1 中所述的应变变化率为：其中，ε_μj为未损伤状况的第j个位置的应变数 据，ε_sj为损伤状况下的第j个位置的应变数据，S_ij为应变变化率。

5.根据权利要求1～4任一所述的改进的基于神经网络的桥梁损伤识别方法，其特征在于， 步骤S2中，采用云粒子群算法初始化神经网络的权值阈值。

6.根据权利要求5所述的改进的基于神经网络的桥梁损伤识别方法，其特征在于，所述的 采用云粒子群算法初始化神经网络的权值阈值具体包括：

a.通过BP神经网络确定权值阈值长度；

b.根据BP神经网络的结构和样本数据规模确定粒子群的规模，并按照云粒子群算法的步骤 进行迭代搜索，直到超过设定的迭代次数时停止；搜索到的具有最优适应度的粒子即初始权 值。

7.根据权利要求6所述的改进的基于神经网络的桥梁损伤识别方法，其特征在于，步骤a 中所述的权值阈值长度为[0,1]。

8.根权利要求6所述的改进的基于神经网络的桥梁损伤识别方法，其特征在于，步骤S4中 所述的最优的传感器布设具体包括：

A1，建立n种损伤情况下的有限元损伤模型，并提取各种损伤情况下各传感器潜在位置i处 的应变预测值p_ij，其中，i为传感器的潜在位置，j为损伤情况，1≤j≤n；

B1，根据传感器的测量精度，将传感器潜在位置i处的应力预测值p_i划分为若干区间，相应 的应力预测值处于同一区间的损伤模型即为不可识别损伤模型；将包含两个或两个以上的模 型的区间设为集合b_ik，其中，k为不可识别损伤数，0≤k＜j；集合b_ik中的元素为各种不 可识别的损伤状态且多个b_ik组成集合B_i,B_i＝{b_i1∪b_i2...∪b_ik}；

C1，若各传感器的潜在位置个数为m，传感器的个数为s，计算Y＝{B₁∩B₂...∩B_s}；子集 中元素数量最少的数目即为最少的不可识别模型的个数Y_min,Y_min所对应的传感器的布设位置 即为最优的传感器布设。