[发明专利]一种基于深度学习理论的叠合梁火灾后损伤识别方法

说明书

一种基于深度学习理论的叠合梁火灾后损伤识别方法，涉及灾害风险评估技术领域，简支梁的损伤识别包括：构建简支梁火灾后损伤模型；构建第一损伤识别样本；构建第一堆栈降噪自动编码器；得到简支梁损伤程度识别结果；多跨连续梁的损伤识别包括：构建连续梁火灾后损伤模型；将连续梁划分为多个子结构；构建第二损伤识别样本；构建第二堆栈降噪自动编码器；样本输入获得受损梁跨所在的子结构；构建第三损伤识别样本；构建第三堆栈降噪自动编码器；获得子结构中的具体受损梁跨；构建第四损伤识别样本；构建第四堆栈降噪自动编码器；获得受损梁跨的损伤程度。本发明将深度学习理论应用到叠合梁的火灾识别中，具有较强的鲁棒性和容错性。

技术领域

本发明涉及灾害风险评估技术领域，具体涉及一种基于深度学习理论的叠合梁火灾后损伤识别方法。

背景技术

火灾是导致结构损坏、倒塌以及造成人员伤亡的原因之一，更是造成直接和间接经济损失的主要原因。随着世界各国建筑工程的不断发展，建筑工业化已成为建筑的发展方向。目前国内主流的装配式混凝土结构体系分为装配式剪力墙和装配式框架，装配式叠合梁板结构在两种结构体系中均有应用。但是有关装配式叠合梁抗火理论研究较少，装配式叠合梁的损伤识别研究更是少之又少。

结构损伤识别和健康监测技术可以探测出结构损伤的存在、位置，并预测结构剩余寿命，同时也为火灾后结构的损伤评估及加固修复提供理论基础。因此，建立结构的损伤识别算法进而快速准确地识别出损伤的存在、位置及程度具有重大的工程意义。

传统的损伤检测方法往往过于依赖技术人员的经验，或者在检测过程中对结构造成不同程度的损伤。基于振动测试的损伤识别方法，大多以单一的频率作为输入指标，忽略了对损伤更为敏感的振型指标。

现有的关于堆栈降噪自动编码器(SDAE)的损伤识别方法大多集中在常温结构的损伤识别，对于历经高温后的结构损伤识别研究较少。现有的基于人工智能算法的结构损伤识别方法大多以传统的机器学习(如人工神经网络、支持向量机等)进行损伤识别，但是叠合梁火灾损伤识别模式复杂、数量庞大，使得人工神经网络与支持向量机在处理结构损伤识别问题时受到诸多限制。而深度神经网络因其复杂的多层结构和创新的训练算法，在模式分类能力及计算效率等方面有较大的进步，有必要开发一种基于深度学习理论对装配式叠合梁进行火灾后损伤评估的方法。

发明内容

为解决现有技术的问题，本发明提供了一种基于深度学习理论的叠合梁火灾后损伤识别方法，该方法采用频率与振型的组合参数作为SDAE的输入，以受火时间、承载力、刚度作为SDAE的输出，提出了基于堆栈降噪自动编码器的装配式叠合梁火灾损伤识别方法；此方法具有较强的鲁棒性和容错性，具有较高的预测精度和稳定性。

为解决上述问题，本发明技术方案为：

一种基于深度学习理论的叠合梁火灾后损伤识别方法，所述的叠合梁为装配式叠合梁，包括简支梁和多跨连续梁；

所述的简支梁的损伤识别方法包括如下步骤：

步骤一A、基于Abaqus有限元分析软件构建简支梁火灾后损伤模型，然后，选择Frequency分析步，使用Lanczos特征值求解器进行模态分析，进而获得火灾损伤后的模态参数；步骤二A、根据有限元模拟结果及实测的受损伤构件的振动信息采集结果，构建第一损伤识别样本，采用频率与振型的组合参数作为损伤识别算法的输入，以相应的受火时间、承载力、刚度为输出；步骤三A、构建第一堆栈降噪自动编码器；步骤四A、将第一损伤识别样本输入到第一堆栈降噪自动编码器中进行训练，并得到简支梁损伤程度识别结果；

所述的多跨连续梁的损伤识别方法包括如下步骤：