基于物理参数辨识的结构损伤识别方法研究

【摘要】：结构损伤识别是土木工程领域的一个热门研究课题,在近几十年的发展过程中,人们一直在寻找适用于结构整体损伤的识别方法,其基本思路是利用结构的动力响应来辨识结构的力学特征参数,然后再根据这些力学特征参数的变化情况来识别损伤。本文在分析各种力学特征参数对结构损伤的适用性之后,认为结构的物理参数(刚度参数)是具有普遍适用性的损伤敏感参数,并基于此观点深入研究了物理参数辨识的相关理论和方法。 研究了在结构的物理参数辨识方面应用较广的卡尔曼滤波、扩展卡尔曼滤波和粒子滤波,理论分析和数值模拟的结果表明,这三种滤波的共同缺点是:一般只适用于集中质量的剪切型结构;参数的初始值设置对辨识结果影响非常大,且很难找到规律;在测量数据没有噪声时,个别参数的辨识结果的误差较大;在测量数据有噪声时,多数参数的辨识结果的误差很大。因此认为这三种滤波技术在损伤识别方面的应用仍然有很大的限制,不作为本文的研究重点。 利用单目标智能优化算法辨识结构的物理参数,是近年来发展起来的热门的参数辨识方法,本文参考相关的研究成果,阐述了自振频率、振型、柔度矩阵和加速度时程响应分别定义的四种单目标函数,介绍了三种优秀的智能优化算法,即遗传算法、粒子群优化算法和差分进化算法,经过理论分析和大量的数值模拟,表明基于加速度时程响应的单目标函数和差分进化算法(Differential Evolution Algorithm, DE)相结合的损伤识别方法,具有高精度损伤识别结果和较强抗噪声能力,其不足之处在于,初始搜索范围难以确定,计算时间过长,无法在线识别损伤,为解决这些不足,本文提出了集中质量剪切型结构的等效单自由度法,并利用数值模拟验证了该方法的有效性。 单目标优化算法是对问题的某一个准则进行优化,而优化问题通常是复杂的多面的,应该考虑多种准则的优化,才会得到更好的结果。最近几年有学者将多目标智能优化算法应用于结构的损伤识别,但未受到国内外学者的重视,研究成果较少,本文对此类方法进行了深入研究,利用自振频率、振型、模态保证准则(Modal Assurance Criterion, MAC)和加速度时程响应定义了三种多目标函数,引入了三种多目标智能优化算法,分别是多目标遗传算法(NSGAII)、多目标粒子群优化算法(CMOPSO)、多目标差分进化算法(DEMO),经过理论分析和大量的数值模拟,发现DEMO算法与基于频率和MAC累加的多目标函数相组合的损伤识别方法,优点是只需低阶模态数据便可以得到高精确的辨识结果,并且计算效率高,缺点是抗噪声能力差;DEMO算法和基于频率和加速度时程响应的多目标函数相组合的损伤识别方法,优点是利用部分测量数据和低阶频率数据便可以得到精确的辨识结果,具有较好的抵抗噪声能力,缺点是计算效率低;尽管这两种组合方式的损伤识别方法都存在不足,但仍可以认为都是优秀的损伤识别方法。 为进一步验证,本文提出的两种多目标函数和等效单自由度法的优势,利用31个单元的桁架结构和足比例尺四层RC结构振动台实验作为算例,对比分析和计算结果表明,本文提出的多目标函数在辨识精度和稳定性方面均优于相关学者所给出的多目标函数,等效单自由度法在实际应用中尽管存在不足,但仍然具有很好的实用意义。