[发明专利]一种基于BP神经网络的地下结构损伤识别方法

说明书

技术领域

本发明公开了一种基于BP神经网络的地下结构损伤识别方法，涉及结构损伤检测技术领域。

背景技术

地下结构在使用过程中，由于疲劳荷载作用、环境腐蚀、材料老化、构件缺陷以及其它因素，逐渐产生损伤累积，这种损伤累积使得结构的承载能力退化和抵抗自然灾害能力的下降，特别是在遭遇地震作用的时候可能既有结构可能会出现严重的损伤。因此分析地下结构的动力损伤程度，进而对其地震损伤特性进行评价显得尤为重要。通过地震损伤评价最终建立出地下结构在地震作用下损伤程度的定量评价标准，为地下结构的抗震设计和震后修复提供理论依据。

由于结构的动力特性与结构物理参数直接相关，结构的损伤将引起相应动力特性的改变。但单纯使用动力参数的损伤识别方法是用动力学参数构造损伤标识量，往往需要求解复杂的数学反演问题，使得较难应用于实际工程中。鉴于神经网络以其优异的非线性映射能力可以使逆问题正问题化，将动力参数分析方法与神经网络技术结合起来，以动力参数构造损伤标识量，作为神经网络输入的特征参数，从而进行结构损伤识别。

BP神经网络以其良好的非线性映射能力成为在结构损伤诊断领域应用最为广泛的神经网络。BP神经网络是将W-H学习规则一般化，对非线性可微分函数进行权值训练的多层网络，是一种多层前向反馈神经网络，其神经元的变换函数是S型函数，因此输出量为0到1之间的连续量，它可以实现从输入到输出的任意的非线性映射。

发明内容

本发明所要解决的技术问题是：针对现有技术的缺陷，提供一种基于BP神经网络的地下结构损伤识别方法，利用有限元ABAQUS及MATLAB程序将模态分析理论和BP神经网络相结合应用于地下结构工程的损伤识别中，同时实现对损伤位置与损伤程度的识别。

本发明为解决上述技术问题采用以下技术方案：

一种基于BP神经网络的地下结构损伤识别方法，通过曲率变化率对结构的损伤进行预测，具体步骤包括：

步骤一、建立BP神经网络模型，包括三层网络结构输入层、隐含层和输出层，设定：

x_j表示输入层第j个节点的输入，j＝1,2,…，M；w_ij表示隐含层第i个节点到输入层第j个节点之间的权值；θ_j表示隐含层第i个节点的阈值；φ(x)表示隐含层的激励函数；w_kj表示输出层第k个节点到隐含层第j个节点之间的权值，j＝1,2,…,q；a_j表示输出层第j个节点的阈值，j＝1,2,…,q；表示输出层的激励函数；O_j表示输出层第j个节点的输出，j＝1,2,…,q；

基于上述BP神经网络模型所进行的BP算法包括信号的前向传播和误差的反向传播，计算实际输出时按从输入到输出的方向进行，而权值和阈值的修正从输出到输入的方向进行；

步骤二、选用曲率变化率作为BP神经网络模型的输入量，以损伤位置和损伤程度作为输出量，来识别损伤的位置和程度，其中，曲率变化率的定义为：假设结构无损伤时节点k的第i阶曲率值为δ_i,k，损伤后i阶振型下曲率值为则其曲率改变量定义其曲率的相对改变率为前i阶的曲率的改变率之和ϵ=Σ0i|Δδi,k/δi,k|;]]>

步骤三、对BP神经网络模型进行网络训练，不断修正权值和阈值，通过调整使BP神经网络模型的输入误差达到设定的阈值，迭代直到网络收敛；

步骤四、将测试样本集输入到训练好的BP神经网络模型中，根据BP神经网络模型中曲率变化率来确定地下结构的损伤位置和损伤程度。

作为本发明的进一步优选方案，步骤三中，所述输入误差为0.0015。