一、RBF神经网络及其在结构损伤识别中的应用研究（论文文献综述）
路淑芳[1]（2021）在《基于深度学习理论的桥梁结构损伤识别》文中提出
胡钧剑[2]（2021）在《基于深度学习理论的桥梁结构损伤识别研究》文中进行了进一步梳理桥梁作为交通运输工程中的重要项目,是连接不同线路的关键节点。桥梁结构在其服役期间,由于外部荷载、自然环境、材料性质等因素,必然会发生不同程度的疲劳和损伤,严重影响结构的安全性、适用性和耐久性,关系到人民群众的生命财产安全,因此有必要采取准确的损伤识别方法,及时发现结构的损伤状况。传统的识别方法在处理海量的数据方面存在计算能力不足、识别准确率偏低的问题,深度学习凭借其多层次的感知器,可以处理高维海量的数据,因此在损伤识别领域相比传统的模式识别方法有较大的优势。本文的主要研究工作有:（1）阐述了深度学习的理论发展,介绍了目前主流的三种深度学习网络模型,比较各自的性能,通过对比,选择深度置信网络作为桥梁损伤识别的方法。（2）提出基于深度置信网络的桥梁结构损伤识别方法,搭建适用于桥梁损伤识别特点的深度置信网络。（3）以简支钢梁为例,利用所提出的方法对直接提取的结构竖向加速度响应做损伤识别分析,得到关于结构的损伤位置和损伤程度的识别结果,并与传统的SVM支持向量机、BP神经网络作比较,结果表明:该方法识别性能明显优于传统的识别方法,且抗噪性能优异,识别准确率均在85%以上。（4）以预应力混凝土连续梁为例,设置多损伤工况,比较所提方法与SVM支持向量机、BP神经网络的识别结果,结果表明:该方法在多损伤工况下识别性能与传统方法相比有优势,在多损伤工况下具备一定的抗噪性能,在30%的噪声状况下损伤定位识别准确率在85%以上,定量识别准确率略低,在70%左右浮动。（5）提出基于小波变换和深度置信网络的识别方法,对斜拉桥的多损伤工况展开识别,比较所提出的深度置信网络的识别方法,对比结果表明:该方法的抗噪性能要明显优于深度置信网络的识别方法。（6）运用所提出的基于小波变换和深度置信网络的识别方法,对工字钢梁展开损伤识别的试验验证,试验结果表明:该方法在实际情况下能够识别出结构的损伤状况,且识别准确率较高,损伤定位和损伤定量的结果均在80%以上。综上所述,基于深度学习理论的损伤识别方法可以用于桥梁结构,且性能较好,但是如何在实际条件下施行该方法还有待更深入的研究。
朱国树[3]（2021）在《机器学习方法在结构可靠度分析及损伤识别中的应用研究》文中研究指明现代工程结构日益大型化、轻柔化,其安全服役和动力灾变问题越来越突出。结构可靠度分析和结构健康监测是保障工程结构长期服役和安全运营的两个重要研究内容:一方面,结构可能直接承受作用强度远超其设计极限的极端自然灾害,导致结构体系失效,因此有必要对结构进行动力可靠度分析;另一方面,在漫长的服役期内,结构会因环境侵蚀和材料老化等因素的影响出现功能退化,致使服役性能不断下降,因此需要利用损伤识别等手段为结构安全评估提供依据。然而,现阶段结构动力可靠度分析及结构损伤识别都还面临诸多挑战,尤其是如何提高计算效率和精度方面仍然具有很大的探索空间。近年来,以神经网络为代表的机器学习技术在土木工程领域受到了广泛关注,其强大的非线性拟合能力、特征提取能力和高度灵活的结构形式使得其已经渗透到土木工程各个研究方向,被用以解决传统方法难以处理的问题,展现出了很好的工程应用潜力。正是基于这样的考虑,论文以机器学习方法在结构动力可靠度分析和结构健康监测中的应用为着眼点,以提高可靠度分析和结构损伤识别的效率和精度为目标,建立了基于径向基神经网络的桥梁颤振可靠度分析方法以及基于贝叶斯卷积神经网络和振动传递比的结构损伤识别方法,通过数值模拟和实验对所提方法的准确性和有效性进行了验证。本文主要工作和结论如下:1.论文对人工神经网络和深度学习的基本概念、基本原理和若干常用数学模型进行了较为系统地梳理,并讨论了两者的联系及适用范围;重点阐述了本文将采用的径向基神经网络和卷积神经网络核心网络层的功能和算法。针对卷积神经网络存在容易过拟合的缺点,论文进一步介绍了贝叶斯卷积神经网络,该方法通过对权重的概率建模来正则化神经网络,引入贝叶斯统计推断的框架量化参数的不确定性,能够有效提升模型的泛化性能。2.在基于机器学习方法的动力可靠度分析方面,论文针对颤振失稳功能函数计算成本高、隐式表达和高维非线性的特点,使用径向基神经网络作为代理模型来替代计算复杂耗时的颤振临界风速搜索过程,结合蒙特卡洛技术,建立了一种高效的桥梁颤振失效概率求解方法。为进一步提高分析效率,论文还提出了一种基于动态距离约束和加权抽样的自适应采样策略,将使用径向基神经网络在变量设计空间全域拟合颤振失稳功能函数的问题转换为拟合极限状态面的问题,降低了计算的复杂度。为实现自适应采样的迭代过程,论文基于全模态颤振分析理论,使用MATLAB和ANSYS协同分析技术,建立了参数化颤振临界风速分析有限元模型,实现了颤振分析过程的“自动化”和“在线化”。3.为了验证本文提出的桥梁颤振失效概率求解方法的效率和精度,论文通过非线性无阻尼单自由度系统和二维小失效概率模型数值算例验证了所提自适应采样策略的适用性和有效性,结果表明,相较于已有自适应采样方法,该策略在精度相当的前提下具有更高的计算效率;通过理想平板断面简支梁桥算例对所提桥梁颤振可靠度分析方法的可行性进行了验证,分析结果表明,该方法具有良好的适用性,具备较高的计算精度和计算效率。4.在基于深度学习的结构损伤识别方面,论文充分发挥振动传递比函数能够有效消除未知激励的影响以及贝叶斯卷积神经网络对数据特征自动提取的优势,采用神经网络有监督学习思路,建立了传递比函数驱动的贝叶斯-CNN损伤识别方法。该方法通过采集各损伤工况结构加速度响应信号来构造传递比数据集,并直接将其作为输入对贝叶斯卷积神经网络模型进行训练,用于提取数据中对损伤敏感的特征,最终实现对未知损伤工况的识别。为了提高贝叶斯卷积神经网络的推理效率,论文引入了一种高效的随机梯度变分贝叶斯推理方法:变分随机失活,来构造贝叶斯卷积神经网络模型,其通过局部重参数技巧将全局不确定性转换成局部不确定性,能够较大幅度地减少随机梯度的方差和训练的计算量。5.为了验证基于贝叶斯深度学习的结构损伤识别算法的有效性,论文以IASCASCE SHM Benchmark结构数值模型和悬臂梁实验模型为研究对象,对论文所提损伤识别方法进行了验证。结果表明,该方法具备较高的识别正确率;由于传递比函数反映的是结构输出-输出之间的关系,能够有效消除荷载的影响,将其作为卷积神经网络的输入特征,损伤识别效果要优于结构加速度响应功率谱;相较于普通卷积神经网络,贝叶斯卷积神经网络在测试集和训练集的精度更为接近,说明其具备更好的泛化性能,损伤识别能力更好。
任阳阳[4]（2020）在《基于有载频率指标和深度学习理论的桥梁损伤识别研究》文中提出在车辆荷载、温度等因素综合作用下,处于运营阶段的桥梁会不可避免地出现结构损伤现象,从而降低桥梁在使用期间的安全性和可靠性,及时获取桥梁损伤状态对保证桥梁安全运营具有重要的现实意义。本文结合有载频率变化参数和堆栈自动编码机网络对结构损伤识别方法进行了研究,主要工作包括以下几个方面:（1）概述现有桥梁损伤识别的方法。从局部和全局两个方面介绍桥梁损伤的识别方法。针对基于结构动力特性的识别方法,从信号分析技术和损伤识别技术两个层面叙述了现有方法的优点和局限性,并提出解决思路和研究路线。（2）介绍深度学习理论及其三种常见的深度学习网络。结合各种网络的特点,选用了堆栈自动编码机网络进行桥梁结构损伤识别的相关研究。（3）构建基于桥梁有载频率变化的损伤识别指标。在介绍基于频率变化的识别方法及其局限性后,引出具有“类时频域”特性的基于桥梁有载频率变化的损伤识别指标。利用简支梁算例进行分析,结果表明:桥梁有载频率变化指标参数能够反映出结构的损伤位置和损伤程度,可做为损伤识别模型的良好输入参数。（4）构建基于堆栈自动编码机的损伤识别模型。利用简支梁进行损伤位置及程度识别的模型测试,并引入堆栈降噪自动编码机对识别模型的抗噪性进行了研究。结果表明:损伤识别模型能够有效地识别损伤位置及其损伤程度;与BP神经网络相比,同等噪音环境下其准确率和置信度均较高,具有更优秀的抗噪性能。（5）将基于桥梁有载频率和深度学习理论的损伤识别模型应用于某三跨连续梁桥,对各跨损伤位置和损伤程度进行了识别测试,结果表明识别模型具有良好的损伤定位和定量能力以及抗噪性能。
张丙强[5]（2020）在《基于卷积神经网络和循环神经网络的结构损伤识别》文中认为建筑工程结构随着人们使用的时间和外部环境的作用,会发生相应的老化并出现不同程度、不同形式的结构损伤。结构损伤的识别、检测以及修复维护对于结构安全具有重要的作用。同时,越早发现结构的损伤位置和损伤程度,维修维护的费用也越少。因此,工程结构的损伤位置识别和损伤程度的鉴定具有重大的意义。卷积神经网络和循环神经网络是近些年来人工智能领域的重要研究成果,这两种方法和传统模式的识别方法相比有其特别之处,检测得到数据后,利用此方法便可以使其进行自我学习和训练,从而获得结构的相关损伤情况。利用卷积神经网络和长短期记忆网络（循环神经网络的一种）,基于数据分析,找寻这些数据背后的科学规律,发现损伤之处和损伤程度,这也正是本文的特别之处。但关于卷积神经网络尤其是循环神经网络在结构损伤识别领域中应用的现有研究较为有限,因此本文对这两种神经网络在结构损伤识别中的应用进行相关研究。主要工作有以下内容:（1）对人工智能领域在结构损伤识别的研究进行综述,介绍几种深度学习方法在结构损伤识别的研究。（2）用简支梁来模拟桥梁结构,在匀速移动的集中荷载作用下,通过ANSYS的仿真分析,提取测点处的竖向位移,并基于MATLAB搭建网络构架,分别用两种卷积神经网络和长短期记忆网络进行简支梁的损伤识别,通过比较这三者的损伤识别效果,初步探索哪种神经网络更适合于该结构类型的损伤识别以及影响损伤识别准确率的主要因素。（3）以典型框架结构为例,在包含自重的Elcentro地震波激励下,通过ANSYS的仿真分析,提取柱节点的加速度,并对提取的数据进行预处理。用MATLAB搭建网络构架,初步探讨长短期记忆网络技术在该种结构类型上损伤识别的可行性。
皇鹏飞[6]（2020）在《基于CNN-LSTM混合架构神经网络的桥梁损伤识别方法研究》文中研究表明由于桥梁工程建设日益增多,现役桥梁随着时间的推移都出现难以预知的安全隐患,导致目前桥梁安全事故频频出现人们的视野当中。为保证桥梁工程的安全服役工作,关于桥梁损伤识别方法的研究与应用是目前科学家和工程师的最重要课题研究之一。针对当前桥梁损伤识别方法难以从监测桥梁的响应数据中获取关键损伤信息的问题,本文提出基于CNN-LSTM的混合架构神经网络的桥梁损伤识别方法对其的有效性进行验证。首先,文章详细分析研究了卷积神经网络（CNN）和长短期记忆神经网络（LSTM）理论,结合二者能够分别从数据中提取特征、整合特征的优良特性,将其应用到桥梁损伤识别方法中,充分发挥二者自身的优势提取桥梁损伤特征,达到损伤识别目的。而后,利用等效单元刚度降低模型模拟简支梁桥不同损伤程度的损伤裂纹,通过数值模拟获取网络训练的加速度信号实验数据。然后通过对CNN和LSTM网络设计并进行混合架构,并利用分割好的加速度信号数据集对CNN-LSTM、CNN、LSTM三种网络模型进行网络训练以及网络测试。在各种损伤工况下,CNN-LSTM对简支梁桥进行损伤识别效果均优于比其他两种单一的模型。紧接着又通过移动荷载作用下的简支梁桥实验验证该方法的损伤识别性能,结果表明该方法识别简支梁桥损伤具有良好的应用性能。文末对该桥梁损伤识别方法下一步的研究工作做出规划,去进一步验证它在日后的实际桥梁工程中应用性能。
吕芳瀚[7]（2020）在《网格结构损伤识别研究》文中研究表明由于城市建设快速发展,各种大跨度结构不断建设和投入使用。其中网格结构的作用慢慢被人们重视,网格结构由杆件和螺栓球组成,这些构件使网格结构组成了一个超静定空间立体结构,其各杆件之间传力效果好,内力可以穿递到结构各处,所以结构较稳定,刚度大。而网格结构在服役期间内受到外界荷载、环境等因素的影响下,结构的构件往往容易出现疲劳积累、材料老化等问题,当损伤积累到了一定程度就会导致结构破坏,并造成人员伤亡和经济损失。所以对在服役的网格结构进行预防性的损伤识别就很有必要。为此,本文基于足尺网格结构模型的动测实验研究对网格结构的损伤识别方法进行了研究和探讨。本文主要研究内容和成果如下:建立了一个14m×1m ×0.4m足尺网格结构模型,通过对网格结构进行动力测试,完成了 15组损伤工况的数据采集,为本文研究的损伤识别方法建立了损伤样本数据库。研究了传感器布置、激励位置选择以及采集设备选取等工作,建立了一套实用、可行的网格结构动力测试的实验步骤和操作。建立了基于模态曲率差和广义回归神经网络的网格结构损伤识别方法。该方法首先通过一阶模态曲率差实现网格损伤位置定位;其次将输入数据归一化后,通过优化了 spread值的广义回归神经网络对网格结构实验模型进行识别研究,其结果表明,该方法可以准确地对本文网格结构模型的单杆、两杆及多杆损伤工况进行位置定位和程度识别,且识别精度较高,识别准确率均在90%以上,克服了传统损伤识别方法对大跨度网格结构的识别精度不足等问题。建立了基于AR特征参数和支持向量机的网格结构损伤识别方法,该方法首先构建12维AR特征参数图表现每组损伤工况特征,再将输入数据归一化,通过以radial basisfunction为核函数的支持向量机进行识别预测。通过对本文网格结构模型的识别研究,其结果表明,该方法可以对网格结构的单杆、两杆及三杆损伤工况的不同位置和不同程度进行有效识别,且识别准确率均在95%以上。识别精度优于广义回归神经网络,识别效果良好。并且在抗噪能力方面,对于相同工况,在保证相同识别精度的条件下,支持向量机的SNR值比广义回归神经网络的SNR值更低,支持向量机能在更高的噪声环境中保证识别的准确率。该方法在实际网格工程的损伤识别研究有较高实用价值。本文基于网格结构动测实验的研究,建立了基于模态曲率差和广义回归神经网络的网格结构损伤识别方法、建立了基于AR特征参数和支持向量机的网格结构损伤识别方法,两种结构损伤识别方法分别在网格结构的损伤工况中得到了有效验证,为实际网格工程的损伤识别提供一定的技术基础。
刘浩然[8]（2020）在《深海装备大型钛合金结构健康监测方法研究》文中研究指明陆上可开发能源逐渐稀缺,人们将注意力转投深海,但是在深海中的各种作业艰巨重重,需要强大的技术作为支撑。为了满足深海中各种能源矿物可以长期高效的开采和出于对国防安全事业的考虑,人们希望能够长周期、全天候的在深海中进行作业,于是深海空间站的理念应运而生,十三五规划更是将其提高到一个新的高度,专项规划提出我国将启动深海空间站的建设项目,加强对深海的探测和深海装备关键技术的研究。深海空间站在复杂的海洋环境中服役会受到各种力的作用;海水长期腐蚀使结构的材料发生老化、附着于结构表明的海生物使结构整体机能下降、构件本身制造时的缺陷使它在这种极端环境下更易损伤、长周期疲劳积累、不可避免的机械损伤等都对它造成严重的健康影响,所以能够实时监测到它的健康状况尤为重要。本文以一深海潜水器里面的载人舱球壳作为研究对象,使用小波包分析与神经网络相结合的方法,监测这一载人舱球壳在服役过程中所受到的腐蚀损伤和裂纹损伤。论文主要进行了以下几个方面的研究:（1）深海潜水器载人舱球壳的腐蚀损伤监测。使用小波包分析对深海潜水器载人舱在振动过程中的加速度响应信号进行分解与重构,提取特征向量;将这些特征向量作为GRNN、PNN、BP神经网络的输入参数,对深海潜水器载人舱的腐蚀损伤位置和程度进行监测。（2）深海潜水器载人舱球壳的裂纹损伤监测。先对深海潜水器载人舱球壳进行受力分析,找出裂纹易产生区域,对这部分区域进行监测,提取出监测点的加速度响应信号,利用小波包分解与重构,再使用SVM支持向量机对裂纹损伤发生的位置进行预测。（3）传感器的优化布置研究。从传感器的个数优化和位置优化两方面入手,通过增加监测点的方法,增加特征向量的选取,以及不同监测位置的预测结果作对比,发现当优化传感器的个数和监测位置之后,对深海潜水器载人舱的健康监测预测效果更好。
李凯[9]（2020）在《基于动力参数法和机器学习的桥梁结构损伤识别研究》文中研究表明桥梁是非常重要的交通基础设施,有利于国民的出行便利,也对国家的经济快速发展发挥着巨大的作用。但桥梁结构因为结构疲劳、运输工具超载超限和地震等自然因素的影响,将不可避免的出现结构损伤的情况,影响桥梁的通行性能,结构产生较严重的损伤时甚至会导致桥梁坍塌,出现严重的安全事故,因此准确对桥梁结构进行识别是很有必要的。机器学习方法是近些年来的研究热点,相比传统的模式识别方法,机器学习方法在结构损伤识别性能上有很大的提高。但关于机器学习方法在桥梁结构损伤诊断领域内应用的研究仍然比较欠缺,因此对机器学习方法在桥梁损伤识别中的应用进行进一步研究。主要的研究工作:首先对桥梁结构的研究现状进行分析,介绍桥梁结构动力参数法和常用的机器学习方法。然后以三跨连续梁桥有限元模型为例,结构固有频率作为基础结构损伤标识量,建立基于结构振动模态分析技术的结构损伤识别方法,确定结构固有频率可以作为损伤标识量。以预损伤钢筋混凝土模型梁有限元模型为例,结构曲率模态作为损伤标识量,建立基于曲率模态分析技术的结构损伤方法,确定结构曲率模态可以作为损伤标识量。最后结合工程实际,建立矮塔斜拉桥有限元模型,模拟斜拉桥的拉索产生损伤,以结构固有频率和曲率模态为损伤标识量,构造出结构损伤综合识别指标,比较了三种机器学习方法（BP神经网络、RBF神经网络和支持向量机）的识别准确度大小。综上所述,结构固有频率和曲率模态可以作为损伤标识量构造损伤识别指标,选用的三种机器学习方法也能够有效应用于桥梁结构损伤识别中,在桥梁损伤识别领域具有一定的应用前景,但其在桥梁结构损伤识别中的广泛应用还需要进行更加深入的研究。
邵会辰[10]（2020）在《基于改进均匀设计表的损伤识别方法研究及应用》文中研究说明结构在长期使用过程中,会因为环境腐蚀、风、地震等环境因素及人为破坏,不可避免地产生一些损伤。未能及时修复的损伤在使用过程中不断累计,损伤逐渐加大,降低了结构的安全性与可靠性,重要构件的损伤甚至会导致结构突然破坏。在结构损伤前期准确识别结构的损伤,对于保证结构的安全性、可靠性,提供结构的修复方案具有重要意义。已有研究成果中,借助均匀设计表进行模拟试验,可构建出结构不同损伤状况与识别指标变化间的关联数据库。通过神经网络工具对损伤数据库进行映射训练后,可用于对该结构损伤位置和程度的识别。但均匀设计试验方法过多地考虑试验的均匀性,不能针对重要因素进行多次试验。该方法大量减少了试验样本,存在不能构造一个完备有效的、可以作为神经网络训练样本数据库的问题。另外识别过程中神经网络存在训练不收敛和训练误差趋于局部最小值,识别指标存在对损伤位置和程度不敏感等问题。针对以上问题,本文主要研究内容如下。首先,为了确定结构损伤状况和结构响应之间复杂的映射关系,利用人工神经网络的自学习、自适应、联想记忆等特点,基于MATLAB工具箱分别建立适用于模式分类和非线性拟合的广义回归神经网络和径向基神经网络。在此基础上提出两步损伤识别方法,先以广义回归神经网络确定结构的损伤位置,再以径向基神经网络识别结构的损伤程度。通过对大型火力发电厂框排架结构进行数值模拟分析,验证了该两步识别方法的有效性。其次,为了能够找到对结构损伤位置与损伤程度敏感、有效的损伤指标,通过对结构损伤前后能量变化的研究与公式推导,提出使用平面单元模态应变能变化率作为结构的损伤识别指标,该指标克服了空间结构无法获取结构完整模态信号的缺陷。通过一个九层空间框架结构的数值模拟,验证了该损伤指标识别结构损伤位置和损伤程度的有效性。再次,为了减少神经网络正分析修正次数,并考虑结构不同构件相对重要程度。采用正交设计方法优化均匀设计表,再应用层次分析法对结构构件进行重要度评估,通过疏密选择不同来优化均匀设计试验,有重点、有代表地选择出用于训练广义回归神经网络的样本数据库。通过上述方法可以在大量减少训练样本的情况下准确识别出结构的损伤位置,具有更高的识别效率。通过对一个大型框架结构的数值模拟,验证了其可以在大量减少神经网络训练样本的情况下,仍具有较好的识别准确率,且大量减少了运算成本。最后,通过对一个四层钢框架模型结构,单损伤和多损伤不同工况,进行数值模拟和试验分析,验证了所提改进均匀设计表损伤识别方法的有效性。在此基础上,提出了适用于该损伤识别方法的完整识别过程,通过对一个钢桁架桥梁和一个九层框架结构的损伤识别应用,验证了识别过程的有效性。这为该方法对不同工程结构类型损伤识别的应用奠定了基础。
二、RBF神经网络及其在结构损伤识别中的应用研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、RBF神经网络及其在结构损伤识别中的应用研究（论文提纲范文）
（2）基于深度学习理论的桥梁结构损伤识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 桥梁结构损伤识别的现状 |
| 1.3.1 基于振动的桥梁结构损伤识别 |
| 1.3.2 基于智能算法的桥梁结构损伤识别 |
| 1.4 本文的主要研究内容 |
| 第二章 深度学习理论 |
| 2.1 深度学习的发展历程 |
| 2.2 基于堆叠去噪自编码器的理论研究 |
| 2.2.1 自编码器的结构 |
| 2.2.2 去噪自编码器的结构堆叠 |
| 2.2.3 堆叠去噪自编码器的网络训练 |
| 2.3 基于卷积神经网络的理论研究 |
| 2.3.1 卷积神经网络的结构 |
| 2.3.2 网络训练方式 |
| 2.4 基于深度置信网络的理论研究 |
| 2.4.1 限制玻尔兹曼机网络结构 |
| 2.4.2 限制玻尔兹曼机学习算法 |
| 2.4.3 深度置信网络 |
| 2.5 深度学习算法比较 |
| 第三章 基于深度置信网络的桥梁结构损伤识别数值模拟分析 |
| 3.1 基于深度置信网络的桥梁结构损伤识别方法 |
| 3.1.1 深度置信网络的构建 |
| 3.1.2 损伤指标的选择 |
| 3.1.3 函数关系的选择 |
| 3.1.4 分类器的选择 |
| 3.1.5 噪声添加的方式 |
| 3.1.6 损伤识别方法的流程 |
| 3.2 简支梁的数值模拟验证 |
| 3.2.1 模型概况及工况设置 |
| 3.2.2 样本库的构建 |
| 3.2.3 损伤识别结果 |
| 3.2.4 噪声状况下损伤识别结果 |
| 3.3 预应力混凝土连续梁桥的损伤识别 |
| 3.3.1 模型概况 |
| 3.3.2 单处损伤的识别分析 |
| 3.3.3 多处损伤的识别分析 |
| 3.4 本章小结 |
| 第四章 基于小波变换和深度置信网络的斜拉桥损伤识别研究 |
| 4.1 小波变换的理论研究 |
| 4.1.1 傅里叶变换 |
| 4.1.2 小波变换 |
| 4.1.3 小波去噪的原理及步骤 |
| 4.2 斜拉桥损伤识别分析 |
| 4.2.1 模型概况 |
| 4.2.2 损伤工况的设置 |
| 4.2.3 小波去噪函数的选择 |
| 4.2.4 损伤识别分析 |
| 4.3 本章小结 |
| 第五章 工字钢梁损伤识别试验验证 |
| 5.1 试验概况 |
| 5.1.1 试验目的 |
| 5.1.2 试验材料 |
| 5.1.3 数据采集设备 |
| 5.1.4 激振方式 |
| 5.1.5 传感器布置形式 |
| 5.1.6 主要问题及应对措施 |
| 5.2 损伤工况设定 |
| 5.2.1 损伤程度的设置 |
| 5.2.2 损伤单元的选择 |
| 5.3 试验过程 |
| 5.4 损伤识别分析 |
| 5.4.1 构建样本库 |
| 5.4.2 搭建深度置信网络 |
| 5.4.3 分析结果 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（3）机器学习方法在结构可靠度分析及损伤识别中的应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 桥梁颤振可靠度分析研究现状 |
| 1.3 结构损伤识别研究现状 |
| 1.4 神经网络研究综述 |
| 1.4.1 人工神经网络研究综述 |
| 1.4.2 深度学习方法研究综述 |
| 1.5 本文主要的研究内容 |
| 第二章 神经网络理论基础 |
| 2.1 引言 |
| 2.2 人工神经网络 |
| 2.2.1 人工神经网络概述 |
| 2.2.2 人工神经网络的典型结构和学习规则 |
| 2.2.3 径向基神经网络 |
| 2.3 深度神经网络 |
| 2.3.1 深度学习典型模型 |
| 2.3.2 卷积神经网络 |
| 2.3.3 基于贝叶斯方法改进的卷积神经网络 |
| 2.4 本章小结 |
| 第三章 基于径向基神经网络的桥梁颤振可靠度分析研究 |
| 3.1 引言 |
| 3.2 全模态颤振分析理论 |
| 3.2.1 自激气动力模型 |
| 3.2.2 颤振特征值分析 |
| 3.2.3 基于ANSYS的桥梁颤振频域分析方法 |
| 3.3 可靠度基本理论 |
| 3.3.1 蒙特卡洛方法 |
| 3.3.2 拉丁超立方抽样方法 |
| 3.3.3 相关变量的变换方法 |
| 3.4 基于距离约束和加权抽样的自适应采样策略 |
| 3.5 桥梁颤振可靠度分析高效算法 |
| 3.5.1 极限状态方程 |
| 3.5.2 随机变量统计分布 |
| 3.5.3 参数化颤振临界风速分析有限元模型的编程实现 |
| 3.5.4 计算流程 |
| 3.6 算例分析 |
| 3.5.1 算例1:非线性无阻尼单自由度系统 |
| 3.5.2 算例2:二维小失效概率模型 |
| 3.5.3 算例3:理想平板断面简支梁桥颤振可靠度分析 |
| 3.7 本章小结 |
| 第四章 基于贝叶斯卷积神经网络的结构损伤识别研究 |
| 4.1 引言 |
| 4.2 振动响应传递比函数基本理论 |
| 4.3 基于贝叶斯卷积神经网络和传递比函数的结构损伤识别方法 |
| 4.3.1 数据集形式 |
| 4.3.2 贝叶斯卷积神经网络模型结构 |
| 4.3.3 贝叶斯卷积神经网络编程实现 |
| 4.4 算例分析:数值模拟和实验验证 |
| 4.4.1 Benchmark结构损伤识别研究 |
| 4.4.2 悬臂梁损伤识别研究 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 本文研究的主要结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（4）基于有载频率指标和深度学习理论的桥梁损伤识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 桥梁损伤识别的方法及研究现状 |
| 1.2.1 基于目视观测和辅助设备探测的局部损伤识别法 |
| 1.2.2 基于桥梁结构静动力特性的全局损伤识别法 |
| 1.3 现有方法的局限性 |
| 1.4 研究内容及技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 2 深度学习理论及其在结构损伤识别中的应用 |
| 2.1 引言 |
| 2.2 深度学习理论 |
| 2.2.1 机器学习的基本概念 |
| 2.2.2 深度学习理论 |
| 2.2.3 基于深度学习理论的损伤识别基本思路 |
| 2.3 常用的深度学习网络简介 |
| 2.3.1 卷积神经网络 |
| 2.3.2 深度信念网络 |
| 2.3.3 堆栈自动编码网络 |
| 2.4 基于堆栈自动编码机的桥梁损伤识别框架 |
| 2.5 本章小结 |
| 3 基于桥梁有载频率变化的损伤识别指标 |
| 3.1 引言 |
| 3.2 基于频率变化的损伤识别方法基本理论 |
| 3.2.1 基本原理 |
| 3.2.2 常见的损伤指标参数 |
| 3.2.3 损伤识别过程及其局限性 |
| 3.3 基于桥梁有载频率变化的损伤识别指标参数 |
| 3.3.1 车桥耦合振动理论 |
| 3.3.2 移动车辆检测法 |
| 3.3.3 损伤识别指标参数 |
| 3.4 简支梁算例分析 |
| 3.4.1 简支梁有载频率的提取 |
| 3.4.2 损伤识别指标参数分析 |
| 3.4.3 损伤识别参数影响因素分析 |
| 3.5 本章小结 |
| 4 基于深度学习理论的桥梁损伤识别研究 |
| 4.1 引言 |
| 4.2 桥梁损伤识别网络的构建及其实现 |
| 4.2.1 堆栈自动编码机网络的构建 |
| 4.2.2 桥梁损伤识别网络的训练方法 |
| 4.2.3 桥梁损伤识别网络的实现 |
| 4.3 桥梁损伤识别模型训练数据库的集成 |
| 4.3.1 数据预处理 |
| 4.3.2 数据噪音误差模拟 |
| 4.4 基于堆栈自动编码机网络的损伤识别研究 |
| 4.4.1 损伤位置识别 |
| 4.4.2 损伤程度识别 |
| 4.4.3 基于SDAE-Softmax的损伤位置识别抗噪性研究 |
| 4.5 本章小结 |
| 5 桥梁损伤识别模型的应用研究 |
| 5.1 引言 |
| 5.2 三跨连续梁桥有载频率的提取 |
| 5.2.1 数值模型简介 |
| 5.2.2 损伤工况的确定以及识别模型训练库的集成 |
| 5.3 三跨连续梁识别参数分析 |
| 5.3.1 损伤位置识别指标参数分析 |
| 5.3.2 损伤程度识别指标参数分析 |
| 5.3.3 建模误差对参数的影响 |
| 5.4 基于堆栈自动编码机网络的连续梁桥损伤识别研究 |
| 5.4.1 损伤位置识别 |
| 5.4.2 损伤程度识别 |
| 5.4.3 基于SDAE-Softmax的损伤位置识别抗噪性研究 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 在读期间的研究成果与参与的科研项目 |
（5）基于卷积神经网络和循环神经网络的结构损伤识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 结构损伤检测技术的研究发展 |
| 1.3 本论文的主要工作和创新点 |
| 第二章 机器学习和深度学习理论 |
| 2.1 引言 |
| 2.2 机器学习 |
| 2.2.1 机器学习的基本概念与学习系统 |
| 2.2.2 机器学习的研究任务和进展 |
| 2.2.3 机器学习的主要策略 |
| 2.2.4 深度学习和机器学习的区别 |
| 2.3 深度学习的理论基础 |
| 2.3.1 感知机 |
| 2.3.2 反向传播算法 |
| 2.3.3 非线性激活函数 |
| 2.3.4 损失函数 |
| 2.3.5 正则化 |
| 2.3.6 学习速率 |
| 2.3.7 批标准化 |
| 2.3.8 优化算法 |
| 第三章 匀速移动集中荷载作用下简支梁的损伤识别 |
| 3.1 引言 |
| 3.2 数值模拟 |
| 3.3 简支梁损伤识别 |
| 3.3.1 引言 |
| 3.3.2 卷积神经网络的三个重要特点 |
| 3.3.3 深度学习训练进程的监控 |
| 3.3.4 判断是否损伤 |
| 3.3.5 损伤定位 |
| 3.3.6 损伤程度 |
| 3.4 简支梁损伤识别影响因素的探讨 |
| 3.4.1 引言 |
| 3.4.2 数值模拟 |
| 3.4.3 样本数据处理 |
| 3.4.4 损伤识别 |
| 3.4.5 两者识别效果对比 |
| 3.5 采用LSTM网络的简支梁损伤识别 |
| 3.5.1 引言 |
| 3.5.2 循环神经网络 |
| 3.5.3 LSTM网络 |
| 3.5.4 BPTT算法 |
| 3.5.5 判断是否损伤 |
| 3.5.6 损伤定位和损伤程度识别 |
| 3.6 三种方法的损伤识别效果对比 |
| 3.6.1 是否损伤识别的对比 |
| 3.6.2 损伤定位识别的对比 |
| 3.6.3 损伤程度识别的对比 |
| 3.7 本章小结 |
| 第四章 框架结构在地震和自重作用下的损伤识别 |
| 4.1 引言 |
| 4.2 数值模拟 |
| 4.2.1 损伤指标的确定 |
| 4.2.2 地震波的选择 |
| 4.3 分析模型及工况设定 |
| 4.4 损伤识别 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 附录 A 论文部分MATLAB程序的代码 |
| 1、简支梁损伤识别CNNL11.m |
| 2、简支梁损伤识LSTM10.m |
| 3、框架结构损伤定位识别识别CNNL1S11.m |
| 附录 B 论文部分ANSYS APDL命令流 |
| 1、简支梁损伤模型 |
| 2、框架结构损伤模型 |
| 致谢 |
（6）基于CNN-LSTM混合架构神经网络的桥梁损伤识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外结构损伤识别方法研究现状 |
| 1.2.1 基于静力测试的结构损伤识别方法 |
| 1.2.2 基于动力测试的结构损伤识别方法 |
| 1.2.3 基于信号处理的结构损伤识别方法 |
| 1.2.4 基于数据统计的结构损伤识别方法 |
| 1.2.5 基于人工智能的结构损伤识别方法 |
| 1.3 桥梁损伤识别方法存在的问题及预想 |
| 1.3.1 数据采集 |
| 1.3.2 数据处理 |
| 1.3.3 模型构造 |
| 1.3.4 损伤指标敏感度 |
| 1.3.5 量化损伤标准 |
| 1.4 创新点和主要内容 |
| 1.4.1 创新点 |
| 1.4.2 主要工作及技术路线 |
| 第2章 人工神经网络的基本理论与应用研究 |
| 2.1 概述 |
| 2.1.1 人工神经网络的基本结构 |
| 2.1.2 人工神经网络的优点特性 |
| 2.2 人工神经网络的应用 |
| 2.2.1 模式识别 |
| 2.2.2 信号处理 |
| 2.2.3 自动控制 |
| 2.2.4 医学诊断 |
| 2.2.5 损伤识别 |
| 2.3 本章小结 |
| 第3章 卷积神经网络 |
| 3.1 概述 |
| 3.2 卷积神经网络原理 |
| 3.2.1 卷积操作 |
| 3.2.2 局部感知操作 |
| 3.2.3 权值共享操作 |
| 3.2.4 池化操作 |
| 3.2.5 反向传播操作 |
| 3.3 卷积神经网络结构 |
| 3.3.1 卷积网络层 |
| 3.3.2 池化网络层 |
| 3.3.3 批正则化网络层(BN层) |
| 3.3.4 全连接网络层 |
| 3.3.5 激活函数层 |
| 3.3.6 分类器 |
| 3.4 本章小结 |
| 第4章 长短期记忆神经网络 |
| 4.1 概述 |
| 4.2 长短期记忆神经网络原理 |
| 4.2.1 门控机制 |
| 4.2.2 遗忘机制 |
| 4.2.3 循环更新记忆机制 |
| 4.3 长短期记忆神经网络结构 |
| 4.3.1 输入门 |
| 4.3.2 遗忘门 |
| 4.3.3 记忆单元 |
| 4.3.4 输出门 |
| 4.4 本章小结 |
| 第5章 简支梁桥数值模拟的损伤识别 |
| 5.1 概述 |
| 5.2 模型构设 |
| 5.3 损伤识别 |
| 5.4 本章小结 |
| 第6章 简支梁桥实验的损伤识别 |
| 6.1 概述 |
| 6.2 简支梁桥实验 |
| 6.3 损伤识别 |
| 6.4 本章小结 |
| 第7章 结论和展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）网格结构损伤识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文研究背景 |
| 1.2 结构损伤识别方法及研究现状: |
| 1.2.1 基于动力指纹的结构损伤识别方法 |
| 1.2.2 基于小波分析的结构损伤识别方法 |
| 1.2.3 基于人工神经网络的结构损伤识别方法 |
| 1.2.4 基于希尔伯特-黄变换的结构损伤识别方法 |
| 1.2.5 基于模型修正的结构损伤识别法 |
| 1.3 研究目的以及意义 |
| 1.4 本文主要的研究工作 |
| 第2章 曲率模态差和广义回归神经网络原理 |
| 2.1 曲率模态差原理 |
| 2.1.1 曲率模态基本理论 |
| 2.1.2 曲率模态差 |
| 2.2 广义回归神经网络原理 |
| 2.2.1 广义回归神经网络概述 |
| 2.2.2 广义回归神经网络结构 |
| 2.2.3 广义回归神经网络理论基础 |
| 2.2.4 光滑因子的优化 |
| 2.2.5 广义回归神经网络的特点 |
| 2.3 本章小结 |
| 第3章 AR特征参数和支持向量机原理 |
| 3.1 AR特征参数的基本理论 |
| 3.2 支持向量机统计学习理论 |
| 3.2.1 学习过程一致性 |
| 3.2.2 VC维 |
| 3.2.3 推广性的界 |
| 3.2.4 SRM原则 |
| 3.3 支持向量机理论基础 |
| 3.3.1 最优分类超平面 |
| 3.3.2 线性支持向量机 |
| 3.3.3 非线性支持向量机 |
| 3.3.4 核函数 |
| 3.3.5 软间隔与松弛变量 |
| 3.3.6 多分类方法 |
| 3.4 本章小结 |
| 第4章 网格实验研究 |
| 4.1 网格实验概述 |
| 4.2 实验设计 |
| 4.2.1 试验模型 |
| 4.2.2 激励方式的选择 |
| 4.2.3 激励点和加速度传感器的布置 |
| 4.2.4 实验设备介绍 |
| 4.2.5 损伤杆件的设计 |
| 4.2.6 损伤工况的设计 |
| 4.3 实验研究过程 |
| 4.3.1 信号采集 |
| 4.3.2 实验结构模态分析 |
| 4.4 本章小结 |
| 第5章 基于模态曲率差和广义回归神经网络的网格结构损伤识别法研究 |
| 5.1 概述 |
| 5.2 数值建模 |
| 5.2.1 建模流程 |
| 5.2.2 数据的处理 |
| 5.2.3 广义回归神经网络Spread值的确定 |
| 5.2.4 在MATLAB中创建广义回归神经网络的部分程序 |
| 5.3 实验工况损伤识别研究 |
| 5.3.1 单杆损伤识别研究 |
| 5.3.2 两杆损伤识别研究 |
| 5.3.3 三杆损伤识别研究 |
| 5.3.4 不同噪声下的损伤识别 |
| 5.4 本章小结 |
| 第六章 基于AR特征参数和支持向量机的网格结构损伤识别方法研究 |
| 6.1 概述 |
| 6.2 数值建模 |
| 6.2.1 建模流程 |
| 6.2.2 数据的处理 |
| 6.2.3 支持向量机核函数选择 |
| 6.2.4 在MATLAB中创建支持向量机的部分程序 |
| 6.3 实验工况损伤识别研究 |
| 6.3.1 单杆损伤识别研究 |
| 6.3.2 两杆损伤识别研究 |
| 6.3.3 三杆损伤识别研究 |
| 6.3.4 不同噪声下的损伤识别 |
| 6.4 本文两种损伤识别方法对比 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
（8）深海装备大型钛合金结构健康监测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 健康监测方法的国内外研究现状 |
| 1.3.2 海洋工程结构健康监测的国内外研究现状 |
| 1.4 本文研究内容和方案 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 第2章 小波变换和神经网络的相关理论 |
| 2.1 引言 |
| 2.2 小波变换的基本原理 |
| 2.2.1 傅里叶变换和小波变换 |
| 2.3 小波包分析 |
| 2.3.1 小波包的空间分解 |
| 2.3.2 小波包算法 |
| 2.3.3 Daubechies(db N)小波系 |
| 2.4 BP神经网络 |
| 2.4.1 BP神经网络及其算法 |
| 2.5 RBF、GRNN和 PNN神经网络 |
| 2.5.1 RBF神经网络及其算法 |
| 2.5.2 GRNN神经网络及其算法 |
| 2.5.3 PNN神经网络及其算法 |
| 2.6 SVM支持向量机 |
| 2.6.1 SVM支持向量机及其算法 |
| 2.7 小结 |
| 第3章 深海潜水器载人舱的动力特性分析 |
| 3.1 引言 |
| 3.2 振动方程 |
| 3.3 激励载荷的计算 |
| 3.3.1 F-K法求解潜体波浪力 |
| 3.3.2 曲面积分计算作用在潜体表面的静水压力 |
| 3.4 深海结构物振动响应的时域分析 |
| 3.5 小结 |
| 第4章 深海潜水器载人舱的腐蚀损伤识别方法研究 |
| 4.1 引言 |
| 4.2 小波包和神经网络的结合方法 |
| 4.3 损伤特征向量的提取方法 |
| 4.3.1 小波包结点能量 |
| 4.3.2 小波包分解形式的确定 |
| 4.4 神经网络损伤定位方法的实现流程 |
| 4.5 数值算例 |
| 4.5.1 深海潜水器载人舱概况 |
| 4.5.2 特征向量的提取 |
| 4.5.3 深海潜水器载人舱损伤定位结果分析 |
| 4.5.4 深海潜水器载人舱损伤程度结果分析 |
| 4.6 小结 |
| 第5章 深海潜水器载人舱的裂纹损伤识别方法研究 |
| 5.1 引言 |
| 5.2 裂纹断裂模式及类型 |
| 5.3 数值算例 |
| 5.3.1 裂纹损伤工况的设计 |
| 5.3.2 特征向量的提取和裂纹损伤位置的预测 |
| 5.4 小结 |
| 第6章 传感器的布置方案及对损伤识别效果的影响研究 |
| 6.1 引言 |
| 6.2 传感器的布置原则 |
| 6.2.1 传感器的个数优化 |
| 6.2.2 传感器的位置优化 |
| 6.3 传感器优化后对损伤识别效果的影响 |
| 6.4 小结 |
| 第7章 研究结论与展望 |
| 7.1 主要研究内容 |
| 7.2 研究结论 |
| 7.3 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及学术成果 |
| 致谢 |
（9）基于动力参数法和机器学习的桥梁结构损伤识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 引言 |
| 1.2 桥梁结构损伤诊断概述 |
| 1.3 国内外发展概况 |
| 1.4 机器学习在结构损伤诊断的研究现状 |
| 1.5 本文主要研究内容 |
| 2 基于模态分析技术的结构损伤诊断 |
| 2.1 模态分析技术概述 |
| 2.2 基于振动模态分析技术的结构损伤识别 |
| 2.3 基于曲率模态分析技术的结构损伤识别 |
| 2.4 本章小结 |
| 3 机器学习理论及模型 |
| 3.1 引言 |
| 3.2 神经网络理论 |
| 3.3 BP神经网络模型 |
| 3.4 RBF神经网络模型 |
| 3.5 支持向量机模型 |
| 3.6 本章小结 |
| 4 基于动力特性的机器学习结构损伤诊断 |
| 4.1 基于频率类损伤识别指标的损伤诊断 |
| 4.2 基于曲率模态损伤识别指标的损伤诊断 |
| 4.3 本章小结 |
| 5 桥梁结构损伤识别的机器学习方法 |
| 5.1 桥梁有限元模型 |
| 5.2 模型动力特性分析和样本数据采集) |
| 5.3 结构损伤识别样本数据库 |
| 5.4 结构损伤位置识别 |
| 5.5 结构损伤程度识别 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（10）基于改进均匀设计表的损伤识别方法研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的意义 |
| 1.2 结构损伤识别技术的发展 |
| 1.3 结构损伤识别方法综述 |
| 1.4 均匀设计试验法研究概述 |
| 1.4.1 均匀设计试验法发展 |
| 1.4.2 均匀设计试验法应用 |
| 1.5 主要研究内容与技术路线 |
| 1.5.1 研究内容 |
| 1.5.2 技术路线 |
| 第2章 结构损伤分步式识别神经网络的构建与验证 |
| 2.1 神经网络简述 |
| 2.1.1 人工神经网络的特点 |
| 2.1.2 径向基神经网络简介 |
| 2.1.3 广义回归神经网络简介 |
| 2.2 分步式损伤识别神经网络的构建 |
| 2.2.1 分步式损伤识别方法的提出 |
| 2.2.2 径向基神经网络的建立 |
| 2.2.3 广义回归神经网络的建立 |
| 2.3 分步式损伤识别神经网络的验证 |
| 2.3.1 损伤位置的验证 |
| 2.3.2 损伤程度的验证 |
| 2.4 本章小结 |
| 第3章 平面单元模态应变能变化率识别指标的提出与验证 |
| 3.1 平面单元模态应变能变化率识别指标的提出 |
| 3.1.1 平面单元模态应变能的概念 |
| 3.1.2 平面单元模态应变能变化率原理 |
| 3.2 平面单元模态应变能变化率识别指标的模态扩阶法应用 |
| 3.2.1 模态扩阶法理论 |
| 3.2.2 模态扩阶法的数值验证 |
| 3.3 平面单元模态应变能变化率识别指标的应用与验证 |
| 3.3.1 有限元模型建立 |
| 3.3.2 损伤位置的验证 |
| 3.3.3 损伤程度的验证 |
| 3.4 本章小结 |
| 第4章 改进损伤识别均匀设计试验表的提出与应用 |
| 4.1 均匀设计表简述 |
| 4.1.1 均匀设计表的特点 |
| 4.1.2 现有均匀设计表的不足 |
| 4.2 改进均匀设计表的提出与验证 |
| 4.2.1 均匀设计表的层次分析优化 |
| 4.2.2 均匀设计表的正交设计优化 |
| 4.3 改进损伤识别均匀设计试验表的应用 |
| 4.3.1 改进损伤识别均匀设计表的提出 |
| 4.3.2 改进损伤识别均匀设计表的应用 |
| 4.4 本章小结 |
| 第5章 改进均匀设计表结构损伤识别法的试验验证与应用 |
| 5.1 改进均匀设计表结构损伤识别法的试验验证 |
| 5.1.1 四层框架模型的制作加工 |
| 5.1.2 框架有限元模型与试验工况设计 |
| 5.1.3 改进均匀设计表结构损伤识别方法的验证 |
| 5.2 改进均匀设计表结构损伤识别过程的提出 |
| 5.3 改进均匀设计表结构损伤识别法的应用 |
| 5.3.1 桁架桥结构模型损伤识别应用 |
| 5.3.2 框架结构模型损伤识别应用 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要研究内容与结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间论文发表及科研情况 |
| 致谢 |
四、RBF神经网络及其在结构损伤识别中的应用研究（论文参考文献）
- [1]基于深度学习理论的桥梁结构损伤识别[D]. 路淑芳. 华北水利水电大学, 2021
- [2]基于深度学习理论的桥梁结构损伤识别研究[D]. 胡钧剑. 华东交通大学, 2021(01)
- [3]机器学习方法在结构可靠度分析及损伤识别中的应用研究[D]. 朱国树. 合肥工业大学, 2021
- [4]基于有载频率指标和深度学习理论的桥梁损伤识别研究[D]. 任阳阳. 西安建筑科技大学, 2020(01)
- [5]基于卷积神经网络和循环神经网络的结构损伤识别[D]. 张丙强. 广州大学, 2020(02)
- [6]基于CNN-LSTM混合架构神经网络的桥梁损伤识别方法研究[D]. 皇鹏飞. 青海大学, 2020(02)
- [7]网格结构损伤识别研究[D]. 吕芳瀚. 南昌大学, 2020(01)
- [8]深海装备大型钛合金结构健康监测方法研究[D]. 刘浩然. 江苏科技大学, 2020(03)
- [9]基于动力参数法和机器学习的桥梁结构损伤识别研究[D]. 李凯. 山东科技大学, 2020(06)
- [10]基于改进均匀设计表的损伤识别方法研究及应用[D]. 邵会辰. 青岛理工大学, 2020(02)