基于应变和PSO-BP神经网络的连续梁桥损伤识别方法

以连续梁桥为研究对象,建立了基于应变的损伤识别方法。提出将伪比能变化率作为损伤识别指标,并针对BP神经网络易陷入局部极小的缺点,用改进粒子群(PSO)算法优化BP神经网络的权值和阈值参数,建立PSO-BP网络预测模型。通过建立一座三跨连续梁桥有限元模型,以桥梁易损区域作为损伤识别对象进行数值模拟。结果表明,以伪比能变化率作为损伤识别指标,可以很好地实现对桥梁单位置和多位置损伤的定位及损伤程度识别,损伤程度识别的最大相对误差为3.14%,且网络内插能力优于外延能力。与传统BP神经网络比较,PSO-BP神经网络拥有更为精准的预测能力。     

基于正则化频率变化率与神经网络的石油井架结构损伤识别

阐述结构健康监测中损伤识别的关键问题,介绍基于正则化的频率变化率的损伤定位方法,提出一套基于模态参数和神经网络的损伤识别技术。按相似理论建立了JJ160/41-K型井架实物模型,根据其基本结构和受力特点,以JJ160/41-K井架的实物模型为对象进行损伤研究。结果表明:井架模型在局部结构发生变化时整体的固有频率发生改变;将模态分析理论和神经网络方法相结合,可对已定位损伤的井架进行定量分析;通过实例运算验证了其对结构损伤诊断的有效性。     

基于频率下降率的结构损伤自适应神经网络识别

笔者探讨了动量系数和学习率自适应调整的神经网络算法及结构裂纹损伤识别特征参数的选取,提出以反映结构损伤位置和程度的频率下降率作为结构裂纹损伤识别的特征参数,利用有限元网格细化法对结构裂纹损伤进行数值模拟,获取训练样本数据,通过自适应神经网络对结构裂纹损伤问题进行识别研究。从结构裂纹损伤识别实例的结果中可以看出,采用频率下降率和自适应神经网络技术对结构裂纹进行损伤识别分析具有较高的精度和可靠性。     

基于小波包分析的石油井架结构损伤识别试验研究

通过对井架相似模型损伤工况模拟,提取其在承载时的振动响应信号,利用小波包变换方法获得小波包节点能量,得到基于归一化能量特征向量的损伤评价指标。研究表明:该指标可用于井架结构损伤位置的准确识别;将小波包能量分析与振动测试技术相结合的研究方法,为石油井架的损伤识别提供了新思路。     

基于IPSO-BP神经网络的钢丝绳断丝损伤识别模型研究

为解决传统钢丝绳断丝损伤识别方法精度低，BP神经网络陷入局部最优等问题，提出改进粒子群算法（IPSO）的BP神经网络识别模型。通过采集钢丝绳断丝损伤信号，提取缺陷信号特征，用峰值、峰峰值、波宽、波形下面积和波动能量5个特征值组成特征向量作为神经网络的输人，断丝数量作为神经网络的输出；利用改进粒子群算法对BP神经网络的初始权值和阈值进行优化；建立基于IPSO-BP算法的神经网络模型，用于钢丝绳断丝的定量识别。结果表明:IPSO-BPS神经网络模型的钢丝绳断丝损伤识别精度、泛化能力均高于传统BP神经网络模型，且改进的粒子群算法迭代寻优速度更快。     

基于深度学习的工程结构损伤识别研究进展

为避免或减轻工程结构在建造和运营期间因结构振动产生不同程度损伤,造成安全隐患危及人们生命财产安全,针对结构振动损伤识别技术展开研究,探讨不同深度学习方法发展情况及其利弊,寻找更具可行性的损伤识别方法,并对其最新研究及应用现状进行全面综述。研究结果表明:应用深度学习开发新的结构损伤识别技术,无需冗余的数据预处理以及手工提取损伤特征,实现以较高精度实现损伤识别任务;一维卷积神经网络（1D-CNN）以其独特的应用优势,在数据样本有限条件下较二维卷积神经网络（2D-CNN）表现更为出色。研究结果可为数据驱动的结构损伤识别问题提供新思路,进一步完善土木结构健康监测研究体系。     

基于模糊神经网络方法的信息系统安全风险评价研究

为提高信息系统安全风险评价的准确性,提出基于模糊神经网络的信息系统安全风险评价模型。该模型利用模糊理论隶属度反映各因子的相对状态,对模糊性具有很高的识别精度。将风险因子模糊隶属度矩阵输入BP神经网络中,增加了它对模糊性的识别能力。通过非线性分析处理的BP神经网络进行学习和测试,得到输出风险评价等级。实例分析结果证明算法的应用性。误差分析结果证明了模型的有效性。检验结果表明,模糊神经网络模型的识别精度高于单一的模糊评价模型和神经网络模型。     

基于因子分析与BP网络的地铁施工安全预警研究

为了解决当前我国地铁施工过程的安全预警问题,构建因子分析与BP神经网络相结合的地铁施工安全预警模型。在分析地铁施工安全预警指标的基础上,采用SPSS因子分析法对调查数据进行降维,采用Visual Basic 6.0软件编写BP网络程序,并通过工程实际数据实现模型的训练及检测。研究结果表明,通过因子分析能使BP网络的输入数据从37个减少至7个,经因子分析降维后的收敛速度和计算精度均高于未经因子分析的神经网络,且误差均在10%以内。通过因子分析与BP神经网络相结合构建的耦合模型识别地铁施工过程中的不安全因素,进而有针对性地完善地铁施工的相关预警技术。     

基于模态参数的桥墩结构损伤识别数值研究

铁路简支梁桥桥墩横向振动时,可简化为墩顶具有集中质量的悬臂梁模型,地基约束用地基弹簧模拟。研究墩身的结构性损伤时,该模型与基底固结的悬臂梁模型原理相同。利用冲击振动试验法可以准确得到桥墩的一阶振型和一阶频率,利用这两个参数可以构造出一阶振型比、特征参数、一阶曲率模态差三个指标。以一混凝土悬臂梁为例,用一阶振型比、特征参数、一阶曲率模态差指标进行结构损伤识别的数值研究,总结了特征参数指标在结构损伤前后的变化规律。分析结果表明几个指标对损伤比较敏感。     

基于事故场景分析的海洋平台火灾概率预测分析

根据美国安全与环境执行局(BSEE)近40a的火灾事故统计资料,选取压缩机单元火灾、热处理单元火灾和井喷火灾作为典型火灾事故场景,利用贝叶斯网络模拟不同场景火灾事故概率及其关键因子影响程度。模拟结果表明,压缩机单元火灾频率为2.1×10-4次/a,热处理单元泄漏火灾频率为2.2×10-4次/a,井喷火灾频率约1.0×10-5次/a;其中41.1%的压缩机单元火灾、24.9%的热处理单元火灾和34.8%的井喷火灾事故与"没有遵守作业指导"有关;其次,"管道布局不合理"、"缺乏日常检查"和"缺乏沟通"分别是压缩机单元火灾、热处理单元火灾和井喷火灾中仅次于"没有遵守作业指导"的关键因素。     

基于IPSO-BP的受损钢结构改造施工安全预警评估研究

为研究受损钢结构改造施工安全预警状况,建立受损情况下钢结构改造施工安全预警指标体系,并针对BP神经网络算法易陷入局部最优的问题,提出了用改进粒子群算法（IPSO）对BP神经网络权重及阈值进行调整的IPSO-BP安全预警评估模型。通过分析某单层重钢厂房受损现状,针对其结构损伤情况和已构建的安全控制指标体系进行数值模拟分析。研究结果表明:与传统的BP模型相比,IPSO-BP模型具有更好的预测能力,构建的安全预警指标体系及预警模型可以很好地对受损钢结构改造施工过程安全状况进行综合评估,对受损钢结构改造施工安全控制具有一定的参考价值。     

BP神经网络在矿井本质安全程度评价中的应用

采用BP神经网络对矿井本质安全程度进行评价。介绍了矿井本质安全程度评价方法以及BP神经网络的结构及原理；按照BP神经网络训练的步骤，以matlab6．0为平台，利用其内嵌的神经网络工具箱，生成通用的神经网络评价模型；输入经过标准化后的矿井本质安全程度指标的评价分数，投入神经网络运算，就可以得出该矿井的本质安全程度。     

金属矿井热害评价体系与评价方法

为减小金属矿井热害对井下人员安全及井下开采工作的不利影响,需对井下热害进行评价和预测。基于文献调查和专家评价方法,结合工程实际,利用层次分析法构建金属矿井采矿热害评价体系,从生产能力、地质条件、矿井通风、地理环境四个方面提出17个评价指标。在分析层次分析法（AHP）确定权重不足的基础上,结合物元分析理论,建立确定金属矿井热害评价各因素权重的物元分析模型。在各评价因素权重确定的基础上,以BP神经网络作为评价工具,构建金属矿井热害综合评价预测模型。最后,以某矿山为例,进行评价和预测分析。结果表明,基于物元分析和AHP的BP深井网络评价模型预测误差最大只有3%。     

基于人工神经网络的矿井通风系统评价研究

以矿井通风系统的“安全可靠、经济合理”和其定义所包含的各项内容为依据,从矿井通风动力、通风网络、通风设施、通风质量、通风监测、防灾抗灾能力、通风电耗、通风能力8个方面,确立了16项矿井通风系统评价指标,建立了一个新的矿井通风系统评价指标体系。采用人工神经网络中的BP网络算法,在VisualC++6.0平台上研制开发了矿井通风系统评价BP网络模型的计算机程序。并经过实际生产矿井检验,预测结果与实际完全吻合,说明了笔者所确定的矿井通风系统评价指标体系可以反映矿井通风系统的状况,所采用的BP网络算法正确,可以用来指导实际工作。该计算程序简单,易于操作,有一定的推广应用价值。     

基于BP神经网络的安全生产事故统计情况预测分析

通过对1990—2008年安全生产事故统计情况进行分析,梳理了社会经济发展的各项指标,选择其中的人均GDP、第三产业比重、非农就业人口比重、城镇居民可支配收入、万人大学生数、万人医生数等反映经济发展的主要指标作为神经网络的输入端,以安全生产事故起数和死亡人数为输出端,以2007年全国各地区经济发展指标和事故统计情况为样本训练BP神经网络,进行不同省份安全生产情况的预测。其结果与实际情况符合性较好,为目前安全生产形势分析提供了一种新方法,该法对预测安全生产监督管理工作提供参考。     

基于MATLAB工具箱的开采煤层自燃危险性预测

正确预测开采煤层自燃发火的趋势与危险性,对煤矿安全生产具有重要的指导意义。煤层自燃发火的趋势和危险程度与其影响因素之间存在着复杂的非线性关系,而人工神经网络具有极强的非线性逼近能力,能真实刻画出输入变量与输出变量之间的非线性关系。为准确预测开采煤层自燃发火的危险性,笔者针对反向BP神经网络收敛差的缺点,分别采用基于MATLAB神经网络工具箱中的VLBP和LMBP算法的改进BP神经网络模型对开采煤层自燃的危险性进行了预测。根据开采煤层自燃的特点,选取煤本身自燃倾向性、煤层地质及赋存条件、通风技术条件3个关键影响因素作为开采煤层自燃危险性的评判指标,建立了开采煤层自燃危险性预测的神经网络模型。实际应用效果表明,采用基于MATLAB神经网络工具箱的BP网络模型,能克服一般BP网络收敛较慢的缺点,能加快收敛速度;运用LMBP算法比VLBP算法快,但需较大计算机内存;该模型收敛速度快,准确性高,是一种十分有效的开采煤层自燃危险性预测方法。