基于集成学习与多种算法的结构刚度异常状态识别研究.pdfVIP

摘要

在土木工程领域，结构健康监测已成为确保工程安全的重要技术，其中，结构健

康状况的快速、准确诊断尤为关键。然而，从结构健康监测系统产生的复杂、大量的

数据中提取出结构的准确健康信息始终是个挑战。针对此问题，本文利用结构健康监

测与结构刚度异常状态评价的映射关系，基于数据驱动的结构损伤识别策略，引入深

度学习算法，建立一个高效、可靠的损伤识别模型，通过快速准确识别出结构刚度异

常状态实现结构健康监测中异常状态的实时预警。本文研究的核心内容归纳如下：

（1）本文介绍了结构损伤识别的研究背景及意义，归纳总结了传统的结构损伤识

别方法。基于深度学习理论，通过四种可靠的理论实现结构损伤识别，一是孤立森林

在结构损伤识别中的应用，二是卷积深度网络模型在结构损伤识别中的应用，三是单

分类支持向量机在结构损伤识别中的应用，四是集成学习在结构损伤识别中的应用。

（2）构思并设计完整的试验流程。运用ANSYS有限元软件进行数值模拟研究，

模拟理论上不同损伤工况的试验结构加速度响应数据。然后对ANSYS有限元软件生成

数据进行预处理，将处理好的数据用于各种模型的训练。最后将训练完成的模型用于

预测试验数据来验证模型的泛化能力。

（3）将多种模型运用在损伤识别技术中。对于结构损伤识别任务，本文设计并构

建了几种不同的机器学习模型，包括卷积神经网络（CNN）、孤立森林、基于主成分

分析（PCA）的孤立森林、单分类支持向量机（OCSVM）以及两种集成学习模型：自

举聚合算法（Bagging）和自适应增强算法（Adaboost）。通过对有限元数据进行训练

与预测，判断多种模型在结构损伤中的适用性与鲁棒性。

（4）通过试验验证所提出方法的有效性。为了验证本文所提出的集成学习模型有

效性，以真实模型试验为预测集，将有限元数据训练的集成学习模型基于迁移学习的

思想对实际试验数据进行预测。结果表明，两种集成学习模型在结构损伤预测中表现

出了高度的预测精度，能够满足工程应用中的使用需求。这些研究结果为工程实践提

供了有价值的参考，同时也为进一步探索深度学习和集成学习在工程领域的应用提供

了新的思路。

关键词：结构损伤识别；深度学习；试验验证

Abstract

Inthefieldofcivilengineering,structuralhealthmonitoringhasbecomeanimportant

technologyforensuringthesafetyofengineeringprojects,whererapidandaccuratediagnosis

ofthestructuralhealthconditionisparticularlycrucial.However,extractingaccuratehealth

informationfromthecomplexandvoluminousdatageneratedbystructuralhealthmonitoring

systemsremainsachallenge.Tosolvethisproblem,thispaperusesthemappingrelationship

betweenstructuralhealthmonitoringandabnormalstateevaluationofstructuralstiffness,and

basedonthedata-drivenstructuraldamagerecognitionstrategy,introducesdeeplearning

algorithmtoestablishanefficientandreliabledamagerecognitionmodel,andrealizesreal-

timewarningofabnormalstateinstructuralhealthmonitoringbyquicklyandaccurately

identify