近似贝叶斯计算的神经网络模型及结构损伤预测研究

作     者：郭举 

作者单位：哈尔滨工业大学 

学位级别：硕士

导师姓名：黄永

授予年度：2024年

学科分类：08[工学] 081402[工学-结构工程] 081304[工学-建筑技术科学] 0813[工学-建筑学] 0814[工学-土木工程] 

主      题：土木结构 损伤识别 近似贝叶斯计算 贝叶斯神经网络 地震易损性分析 

摘      要：土木工程回归和分类应用中存在着大量不确定性问题，例如地震动的不确定性导致结构响应的不确定性以及结构损伤分类的不确定性影响结构评估的有效性。为了实现结构损伤准确、可靠、鲁棒性识别预测，需要建立合理的随机不确定性量化分析方法。针对以上现实需求，本文引入近似贝叶斯计算方法，开展了贝叶斯神经网络模型的研究，并分别针对结构损伤预测的回归和分类问题进行了应用研究。主要研究内容如下： （1）针对不确定性量化分析问题，建立了近似贝叶斯计算的神经网络模型，为后继的回归和分类应用研究奠定了理论方法基础。以神经网络模型的权重和偏置为变量，从先验分布中进行参数采样，通过正向迭代选择最优参数样本集合作为神经网络模型参数的后验分布，进而实现神经网络模型的预测输出分布，建立基于近似贝叶斯计算的神经网络方法。通过模拟算例验证了该方法在存在异常数据和数据分布不平衡时均具有较强的鲁棒性，且对于训练数据区间外的测试数据有着良好的不确定性量化分析能力。 （2）以地震易损性分析的回归问题为背景，建立了近似贝叶斯计算的神经网络代理模型。通过学习地震动强度指标和结构响应之间的映射关系，在地震动数据有限且存在较大的不确定性情况下，依然能根据地震动强度指标输出较为准确的结构响应。贝叶斯神经网络代理模型学到了结构响应输出的不确定性，在同样的训练数据下，贝叶斯神经网络代理模型能够得到结构响应的不确定性输出，其结构响应预测输出效果与增量动力分析几乎相同，远胜于人工神经网络代理模型，能够得到更加精确的易损性曲线。 （3）以钢结构损伤识别的图像分类问题为背景，提出了基于近似贝叶斯计算的贝叶斯卷积神经网络方法。首先设计建立了近似贝叶斯计算的贝叶斯卷积神经网络模型，验证表明该模型通过预测输出概率最大值能够高效识别结构损伤类型;也能通过模型预测输出的不确定性评估预测结果的置信度，进而对神经网络模型的性能提升提供指导。特别在损伤训练样本较少或者识别训练数据集未包含类型损伤时，通过引入预测结果不确定性能有效评估损伤识别不准确性的风险，实现鲁棒性决策。