基于概率神经网络的青马悬索桥损伤定位的仿真研究

本文首先对概率神经网络（PNN）的基本原理进行了阐述，接着建立了青马悬索桥的有限元模型并产生了损伤样本，最后用PIN进行了大青马悬索桥板的损伤定位仿真。研究发现，基于PNN 的损伤定位效果良好。     

大跨度悬索桥吊索风致振动多重调谐阻尼减振技术研究

为了控制大跨度悬索桥的吊索风致振动,提出了基于多重调谐质量阻尼器(multiple tuned mass dampers, MTMD)的阻尼减振技术方案,并通过理论分析进行参数优化和设计。研究南沙大桥两座主航道悬索桥吊索实际风致振动响应,分析其频谱特征和振动特性,确定振动控制的目标;建立吊索-MTMD分析模型,优化适用于吊索多模态控制的MTMD阻尼比、频率分布、安装位置、模态参与系数等参数,结果表明：不同于单一频率控制时的优化理论,用于吊索多模态控制的MTMD阻尼比提高为10%,扩展其振动控制的频率范围;通过考虑振型参与系数,优选4个分布主频：13.5 Hz和18.0 Hz安装在位置比为2.9%处,6.5 Hz和9.5 Hz安装在位置比为6.5%处,实现对吊索5～20 Hz风致振动的多模态控制;不同吊索在索力、型号和受控频率范围内,MTMD的设计参数可以采取统一设计方案。     

悬索桥吊索防腐蚀新工艺

研究、开发适用的吊索防腐蚀技术以确保吊索结构安全具有重要意义.以江阴大桥为例,介绍了一种新型的悬索桥吊索防腐蚀工艺.     

基于模型试验的悬索桥结构损伤识别研究

通过整桥模型试验, 探讨了悬索桥结构损伤识别方法. 首先面向损伤识别研究设计制作了长10m的悬索桥试验模型, 并通过模型误差分析建立了相应的高精度有限元模型. 基于悬索桥结构健康监测和试验检测的主要常用参数以及这些参数对结构损伤的灵敏性和相关性研究, 确定损伤识别策略. 采用有限元模型模拟可能的损伤工况, 从而生成BP网络的训练样本数据. 再将试验模型作为“实际结构”通过损伤模拟试验生成网络测试数据. 就试验模拟的损伤情况而言, 对损伤位置的识别准确率达到了86%, 相应的损伤程度识别精度也达到可接受程度. 显示了该方法较好的应用前景, 对基于监测系统的悬索桥健康状态识别与评价具有参考意义.     

吊索结构件的防腐蚀保护技术

结合多座特大悬索桥上部结构建设和监理实践，介绍了吊索防腐蚀保护系统、特点及应用现状，分析和讨论了影响吊索腐蚀的主要因素，提出了密封、填充、内部空气干燥的防腐蚀技术发展方向。     

基于斜拉索振动测量与神经网络技术的斜拉桥损伤位置识别方法

以香港汲水门大桥为背景,探讨了斜拉索张力指标和神经网络技术相结合对桥面结构损伤的定位或分类方法。基于高精度三维有限元模型,采用BP网络,模拟了12种可能的损伤情况的定位。以不同损伤程度下斜拉索张力指标作为神经网络的训练与测试输入,由神经网络的输出来指示损伤位置。该方法的突出优点是只用到少量斜拉索的局部模态的基频,就能获得较好的识别结果。而对少量斜拉索的局部模态的基频测量要比其它面向损伤检测的测量容易得多。另外,该方法可十分方便地推广应用于悬索桥的桥面损伤定位。因此,该方法具有重要的实用价值。     

交叉吊索用于改善悬索桥架设阶段的颤振稳定性

以某悬索桥设计方案为工程背景 ,应用多模态颤振分析方法 ,分析了该桥架设阶段颤振临界风速的发展趋势。以其中最危险的架设阶段为例 ,研究了在主缆与主梁之间设置交叉索这种结构措施提高系统颤振稳定性的效果。分析结果表明 ,交叉吊索可以显著地改善方案桥主梁架设阶段的颤振稳定性     

基于神经网络的损伤构件及损伤程度识别

确定损伤构件及其损伤程度是分阶段损伤识别的最后一步,同时又是进一步制定结构安全运行决策的前提和基础。研究了在确定了结构损伤区域的条件下,应用反向传播(BP)神经网络同时实现对具体损伤构件及其损伤程度识别的方法。探讨了针对上述神经网络训练数据的构造和训练策略。应用提出的方法对汲水门斜拉桥桥面结构进行了损伤识别仿真模拟。基于模态参数对损伤的灵敏度分析,选取了12个自振频率和损伤区域附近的6个振型分量作为构造网络输入的基本数据。网络的输出向量同时指示了损伤构件及其损伤程度。就模拟的10种损伤情况,当损伤程度达到60%以上时,有9种实现了正确的构件识别,半数以上给出了可以接受的损伤程度描述。     

基于RBF神经网络的结构动力损伤识别

本文针对结构动力损伤识别问题,提出了ＲＢＦ神经网络识别方法,重点讨论了ＲＢＦ神经网络的结构的算法,并在最后人出了两个工程应用实例,结果表明,ＲＢＦ神经网络识别在方法在结构动力损伤识别中不失为一种崭新有效的方法。     

基于爆破振动的岩质边坡损伤神经网络预测

岩石高边坡的爆破开挖会对保留岩体造成损伤,岩体损伤过大可能导致边坡失稳,需严格控制并准确确定开挖损伤深度,因此,提出一种快速精确的损伤深度预测方法。以白鹤滩水电站左岸834.0⁷70.0 m高程坝肩槽边坡爆破开挖为背景,利用六个开挖梯段的多高程、多爆心距爆破振动监测及损伤深度声波检测的数据,建立基于振动峰值的爆破损伤深度BP神经网络预测模型,对高边坡爆破损伤深度进行实时预测。该方法利用不同部位及不同爆心处的质点峰值振动峰值作为主回归变量,同时还考虑最大单响药量和岩体强度的影响。结果表明,当开挖区域坡体岩性相似且无长大软弱结构面发育时,运用神经网络模型及多高程实测爆破振动预测本梯段爆破损伤深度的方法简便可行,预测精度可满足实际工程需求。作为传统爆破损伤声波检测的补充,可大大减轻现场声波测试工作量。     

桥面中央开口悬索桥涡激共振与制涡试验研究

摘 要: 本文研究了中央开口断面悬索桥涡振及其控制风洞试验。考虑了模型涡振幅值和和实桥涡振幅值之间换算的修正系数,风洞试验表明中央开口是导致该种断面形式涡激振动发生的主要原因。所设计的两种制涡方案都能达到控制涡振的目的,在不改变断面形式等因素的前提下,本文设计的制涡方案二能有效控制涡振,符合工程实际要求。同时试验也表明,阻尼能大幅降低涡振幅值。
     

基于ANSYS的悬索桥分析方法研究

用于悬索桥分析的专用程序和通用程序均有其局限性。基于ANSYS平台进行二次开发,主要着眼于鞍座的模拟、顶推的实现、主缆和吊索的无应力长度确定、无应力长度保持不变的方法,并给出润扬大桥算例予以验证,使得用ANSYS分析悬索桥具有了专用程序的精度和通用程序前后处理方便的特性。     

基于神经网络混合建模的结构振动滑模控制

将神经网络和标称系统混合建模方法引入到离散滑模控制当中,得到神经网络滑模控制,然后对结构振动进行控制,振动结构为具有不确定性参数的柔性附件,并受到随机外扰作用。离散滑模控制的滑模面是以标称系统为基础,由最优二次型价值函数求解黎卡提方程确定。利用标称模型和神经网络混合建模方法来减小系统的不确定性,达到提高滑模控制在实际控制系统中的控制效果。其中利用前馈神经网络来对不确定部分进行建模。最后通过对滑模控制和神经网络滑模控制进行仿真,结果表明,本文所提出的神经网络滑模控制对具有不确定性参数和随机外扰的柔性结构系统振动的控制效果要优于滑模控制。     

基于爆破振动的岩质边坡损伤神经网络预测

岩石高边坡的爆破开挖会对保留岩体造成损伤,岩体损伤过大可能导致边坡失稳,需严格控制并准确确定开挖损伤深度,因此,提出一种快速精确的损伤深度预测方法。以白鹤滩水电站左岸834.0~770.0 m高程坝肩槽边坡爆破开挖为背景,利用六个开挖梯段的多高程、多爆心距爆破振动监测及损伤深度声波检测的数据,建立基于振动峰值的爆破损伤深度BP神经网络预测模型,对高边坡爆破损伤深度进行实时预测。该方法利用不同部位及不同爆心处的质点峰值振动峰值作为主回归变量,同时还考虑最大单响药量和岩体强度的影响。结果表明,当开挖区域坡体岩性相似且无长大软弱结构面发育时,运用神经网络模型及多高程实测爆破振动预测本梯段爆破损伤深度的方法简便可行,预测精度可满足实际工程需求。作为传统爆破损伤声波检测的补充,可大大减轻现场声波测试工作量。     

大跨径悬索桥施工期暂态主缆驰振控制

基于预应力索结构的静动力和瞬态分析,对东海某大跨径悬索桥施工期暂态主缆的辅助索制振参数进行了研究,同时研究了用辅助索控制暂态主缆驰振失稳的具体方案,采用了考虑几何非线性影响的有限元数值分析研究方法,总结了驰振及辅助索制振的研究现状,建立了该悬索桥施工期暂态主缆-猫道系统的有限元模型,研究了辅助索位置、布置方式和刚度大小对暂态主缆1阶竖向振动频率的影响;研究了辅助索阻尼、刚度和个数对暂态主缆面内等效阻尼比的影响;最后研究了辅助索控制暂态主缆驰振的具体方案。结果表明:为了提高暂态主缆1阶竖向振动频率,辅助索应该对称竖向布置,且增大辅助索的数目特别是跨中设置辅助索可以较大幅度地提高该频率值;增加辅助索的直径和个数可以较大地增加对暂态主缆的面内制振效果;在该悬索桥中跨12分点处对称竖向布置每组由1根直径为10mm的钢筋组成的11组辅助索时即可控制暂态主缆的驰振失稳。     

基于共振解调与神经网络的滚动轴承故障智能诊断

介绍了一种基于共振解调与神经网络技术的滚动轴承故障诊断方法。对采集系统所拾取的滚动轴承振动信号进行共振解调处理，依据故障包络频谱中必然存在谐波谱线的规律，在共振解调后的包络信号中提取所需的轴承故障谱线特征信息，并将其作为神经网络输入，利用神经网络进行轴承各种故障状态的识别，实现滚动轴承故障的智能诊断。实验表明，该方法能准确而有效地识别出滚动轴承的不同磨损状态，诊断便捷。     

基于支持向量机的大跨度拱桥损伤识别方法研究

作为一种新兴的机器学习算法,支持向量机在损伤识别中已显示出其回归能力的优越性。将模态曲率改变率作为损伤识别特征参数,提出了基于支持向量机的大跨度拱桥损伤识别方法。首先应用模态曲率改变率进行损伤定位识别,然后重新构造训练样本,利用最小二乘支持向量机方法进行大跨度拱桥的损伤程度识别,该方法在较少的样本条件下,取得了非常接近目标值的识别效果。通过与RBF神经网络的训练结果进行对比,验证了该方法的精确性。     

基于局部线性嵌入和云神经网络的转子故障诊断方法

提出了一种基于流形学习的汽轮机转子故障诊断方法。利用振动信号构造一个能够表示该信号的矩阵作为流形学习的输入数据,使用局部线性嵌入算法对矩阵进行维数约简,实现了高维数据向低维空间的嵌入,从而有效提取了故障特征。文中使用云神经网络分类器测试LLE算法输出维数大于3时的故障诊断率,并分析了各个参数对诊断率的影响。该方法克服了在样本较少的情况下故障诊断的困难,能在有限的故障数据中发掘故障特征并进行故障诊断。     

Analysis and prediction of printable bridge length in fused deposition modelling based on back propagation neural network

ABSTRACT

In recent years, additive manufacturing has been developing rapidly mainly due to the ease of fabricating complex components. However, complex structures with overhangs inevitably require support materials to prevent collapse and reduce warping of the part. In this paper, the effects of process parameters on printable bridge length (PBL) are investigated. An optimisation is conducted to maximise the distance between support points, thus minimising the support usage. The orthogonal design method is employed for designing the experiments. The samples are then used to train a neural network for predicting the nonlinear relationships between PBL and process parameters. The results show that the established neural network can correctly predict the longest PBL which can be integrated into support generation process in additive manufacturing for maximising the distance between support points, thus reducing support usage. A framework for integrating the findings of this paper into support generation process is proposed.