以国家鸟巢体育场馆、天津市国家会展中心等为代表的空间结构是现代建筑重要组成部分,这些建筑不仅具有自身的功能性,而且具有重大的经济、文化、政治意义。而结构健康监测(structural health monitoring,简称SHM)技术是确保建筑结构在...
详细信息
以国家鸟巢体育场馆、天津市国家会展中心等为代表的空间结构是现代建筑重要组成部分,这些建筑不仅具有自身的功能性,而且具有重大的经济、文化、政治意义。而结构健康监测(structural health monitoring,简称SHM)技术是确保建筑结构在施工以及运营阶段结构安全评估的重要手段,而由于空间结构自身具有杆件众多、结构复杂等特点,针对该类结构的SHM技术较少,而且实施难度较大。因此针对空间结构开展SHM研究具有重要的实际意义。对于空间结构的健康监测相关研究表明,常见的数据驱动的损伤识别方法中常用的损伤指标往往很难通过实测的信号数据进行获取,而且对于数据分析方法的精确度、鲁棒性、泛化性要求较高。基于以上原因,本文提出了一种基于Learning Active Learning与Ada Boost相结合的智能算法(LAL-Ada Boost)的空间网架损伤识别框架,包括了对于数据的预处理与异常识别、损伤指标特征提取、损伤分析三部分内容,具体工作如下:提出了一种基于LAL-Ada Boost算法框架的数据异常识别方法,针对结构健康监测中常见的五种数据异常类型,通过一个网架实验采集数据进行验证其有效性,并对分类精度、主动学习算法的拟合速度等方面进行了分析;提出了一个基于加速度信号频域分析并结合传感器布置的损伤指标,作为机器学习算法的输入使用;对空间网架实验结构使用ANSYS进行有限元建模,并模拟出了六种不同位置、不同程度的损伤,使用上述的损伤指标作为LAL-Ada Boost算法的输入,分别进行了四种监测场景的验证:结构出现单一损伤时进行损伤检测、结构出现微小损伤时验证模型灵敏度、多种损伤程度同时存在时模型对于损伤程度判别、不同位置处出现了损伤情况后的损伤定位。结果显示,所提出的损伤识别框架在该网架结构中具有较高的精度与拟合效率。通过在模拟的数据中加入高斯白噪声验证了算法的抗噪性能。最后,通过天津一中预应力网架监测项目的数值模拟算例对本文提出的损伤识别框架进一步验证泛化性与有效性。
暂无评论