李建光[1]2003年在《人工神经网络在斜拉桥检测中的应用研究》文中进行了进一步梳理斜拉桥检测分析研究对于这类大型桥梁的养管、维修、监测及结构设计有着十分重要的作用。用振动法对桥梁的无损检测是桥梁检测研究的热点，而损伤识别问题是其中一个有待解决的问题，难点是对这类损伤的逆问题的解答往往不是唯一的。采用模糊分类分析方法更能解决损伤预测等方面的问题，人工神经网络是一门新兴的边缘和交叉学科，这种由大量神经元互联组成的非线性大规模动力系统所具有的再学习能力、非线性、容错性及大规模并行处理等特点在解决上述问题中有着很大的优势。本文在详细分析斜拉桥结构特点、斜拉桥检测方法、结构损伤识别的基本理论及人工神经网络基本理论的基础上提出了斜拉桥检测的人工神经网络模型，用MATALAB语言，并通过工程实例中的检测数据对网络训练，取得了较满意的网络输出结果，显示出人工神经网络在工程实际应用中的影响及广阔的前景。
祁永利[2]2009年在《BP神经网络在斜拉桥换索中的应用》文中研究说明本论文在收集和分析了大量斜拉桥换索资料和神经网络理论及应用资料的基础上,针对斜拉桥是一个高次超静定的复杂体系,斜拉索分布具有互异性等特点,提出了以BP神经网络技术为基础的斜拉桥换索施工控制方法、索力检测方法和拉索施工张拉力确定方法。斜拉桥的结构特点决定了很难使用传统方法建立模型来反映其变化规律,而人工神经网络在解决诸如此类的问题时有着明显的优势。论文以犍为岷江大桥为工程依托,以有限元分析软件MIDAS为工具,通过对实桥进行有限元建模计算,提取用于训练网络的学习样本和用于检验网络的检验样本。在所建立的人工神经网络中,分别根据各自特点,对网络的类型、网络拓扑结构、各层传递函数、特征参数、数据前处理方法及训练样本个数等做出有根据的选择。借助MATLAB神经网络工具箱,运用BP算法,分别构建了用于斜拉桥换索施工控制、斜拉索索力检测和拉索施工张拉力确定的神经网络模型。针对前两个模型,完成了对样本矢量的输入,以及对网络的训练。最后将检验样本中的输入部分输入到网络,将网络的仿真输出值与检验样本中的目标值进行比较,检验网络的训练效果,取得了比较理想的结果。本文通过实例验证了神经网络方法具有较强的可行性及可靠性,在解决复杂非线性问题方面具有显着的优势,在工程实际中具有广阔的应用前景。
杨建喜[3]2010年在《混凝土斜拉桥换索工程施工控制的研究》文中指出对于运营多年的斜拉桥,由于斜拉索钢丝腐蚀和疲劳、锚具松脱、混凝土的收缩徐变、支座沉降变位、以及施工和养护等诸多原因,导致桥梁结构在受力方面存在一些安全隐患,使得许多上个世纪修建的斜拉桥出现了已经或面临换索的问题。目前,我国修建了100多座斜拉桥,而已换索的桥梁只有10余座,说明其余斜拉桥将陆续需要换索,斜拉桥换索施工控制将成为一个重要的研究课题。本文以皎平渡斜拉桥换索工程为研究背景,对中小跨径斜拉桥换索工程施工控制进行研究,研究结果如下：首先,本文对国内外斜拉桥换索施工控制研究现状进行总结分析,对斜拉桥换索施工控制理论进行了探讨,主要包括斜拉桥换索施工控制的原则、方法、内容,影响因素以及模拟分析方法；对斜拉桥换索施工控制参数预测方法的特点和范围进行了总结,并重点介绍了BP神经网络的结构、学习以及设计分析过程,通过比较分析各种预测方法,确定将BP神经网络法应用于斜拉桥换索施工控制中。其次,根据既有皎平渡斜拉桥有关技术资料,采用同济大学开发的桥梁结构分析软件桥梁博士V3.0对该桥建立平面杆系模型进行整个换索施工过程的模拟计算分析,从不同换索施工工序和更换不同拉索数目两种情况对换索工程进行计算,分析了各种情况对主梁和索塔的内力的影响,并与施工控制监测结果进行了比较,总结出了斜拉桥换索施工控制参数的变化规律,为类似的斜拉桥换索施工控制提供参考。最后,利用数值分析软件MATLAB7.1编写了BP神经网络法挠度和索力预测程序,建立了换索施工过程中主梁挠度和索力双参数预测模型,得到施工阶段的参数预测值。通过与实测值进行比较,得到索力预测值和实测值的差值最大不超过±2 kN,相对误差范围在±2%之间；主梁标高预测值和实测值的差值最大不超过±0.3mm,满足换索施工控制精度要求,所以预测控制是合理的。皎平渡斜拉桥换索后,换索施工控制成果为：主梁标高变化最大位置处(Y4和S10测点)比换索前提高4-5mm,桥面线形有所改善；换索后索力与设计合理索力结果误差控制在3%以内,而且索力分布均匀；更换拉索过程中对周围各拉索的影响较小,对主梁混凝土的应力状态影响也较小,主梁安全。
周家刚[4]2003年在《BP神经网络在大跨径斜拉桥施工控制中的应用研究》文中研究表明论文通过对神经元网络基本理论的研究，从理论上论证了神经网络方法在斜拉桥施工控制中应用的可能性。 论文根据收集的相关资料，分析了斜拉桥施工控制的影响因素，并建立了以BP神经网络基本理论为理论基础的斜拉桥施工控制预测模型。通过对实桥进行预测分析，并与灰色系统理论预测的结果进行比较，验证了BP神经元网络在斜拉桥施工控制中应用的可行性。针对施工数据，根据数据归一化的原则，确定了一个比较合理的归一化方法，提高了网络学习的效率和网络收敛的速度。采用MATLAB程序设计语言编制了挠度预测程序，实现了网络控制，并达到了较好的效果。
于涛[5]2007年在《BP神经网络在大型斜拉桥施工控制中的应用研究》文中进行了进一步梳理随着交通事业的快速发展和桥梁建造技术的不断进步，桥梁建设向大跨度、高难度的方向发展，结构轻盈、美观安全的斜拉桥逐渐被广泛采用。施工控制是斜拉桥施工技术的重要组成部分，是保证桥梁结构施工安全、控制施工宏观质量的关键。因此对斜拉桥的施工控制是桥梁建设的一项重要工作。影响大型斜拉桥施工控制的因素繁多而复杂，而且这些信息相互独立，如何充分有效的利用这些信息，并结合现代数学理论，建立相关的监控模型，进行有效的施工控制，是本文研究的主要内容。全文结合大型斜拉桥施工特点，研究人工神经网络在施工控制中的应用，主要从以下几个方面做了探讨研究：(1)通过对人工神经网络基本原理的分析讨论，从理论上论证了人工神经网络方法在大型斜拉桥施工控制中应用的可行性，在此基础上，研究了斜拉桥施工控制的影响因素及相互作用关系。(2)在分析常规BP学习算法在桥梁施工控制应用中存在的缺陷的基础上，探讨相应的改进方法。结合分析结果建立合适的BP人工神经网络模型，对斜拉桥钢箱梁的安装线形控制进行预测。(3)针对施工控制数据单位和量级差别较大的问题，采用数据归一化方法，克服了级差数据对网络自学习收敛性不利的影响。(4)结合南京长江叁桥的工程实例，用MATLAB程序语言开发大型斜拉桥主梁线形控制预测软件，取得了较好的预测效果。(5)将灰色理论预测与神经网络方法预测相比较，验证了人工神经网络方法在大型斜拉桥施工控制中的应用更有优越性。
李元松[6]2008年在《板桁结合梁斜拉桥空间结构分析与施工控制技术研究》文中进行了进一步梳理斜拉桥是一种由索、塔、梁叁种基本构件组成的组合体系,属高次超静定结构,所采用的施工方法和安装顺序与成桥后的主梁线型及内力状念密切相关。斜拉桥建设过程中,受各种因素的影响,实际桥梁状态与设计状态必定产生误差,施工中这种误差的逐步积累,最终导致成桥后的状态与设计理想应力和线型状态相差较大,甚至危及结构安全。因此,大跨度斜拉桥的施工监控越来越受到业界人士的广泛关注。本文以天兴洲大桥工程为背景,就大跨度板桁给合钢桁梁斜拉桥的空间结构分析与施工控制技术进行系统的研究,其主要工作与研究成果如下:(1)基于非线性连续介质力学的基本原理,详细论述了杆系结构几何非线性分析理论,给出T.L.列式法和U.L.列式法的显式有限元公式,推演了Newton-Raphson迭代方程,讨论了U.L.列式与T.L.列式的区别。研究发现T.L.列式法与U.L.列式法在某些实际问题计算时结果相差甚微,由此可以理解很多文献在实际计算时,将两者中的应力与变形物理量相互混用的原因。(2)以天兴洲大桥工程为背景,重点讨论了斜拉桥结构计算参数化建模的方法、步骤与实施过程,利用ANSYS的二次开发工具APDL,实现了天兴洲大桥的参数化建模;利用已建模型,分析了大跨度钢斜拉桥几何非线性因素的影响。研究结果表明:非线性因素对不同受力构件的影响程度不同,主塔的纵向位移及主梁杆件的内力受几何非线性影响较大;几种非线性因素中,斜拉索垂度效应的影响最为显着,大位移效应次之,梁柱效应的影响最小。(3)在分析比较现有斜拉桥施工控制方法的基础上,提出BP神经网络法运用到桥梁施工控制的思想;系统讨论了斜拉桥的控制准则、精度目标和实施步骤;建立了天兴洲大桥施工控制体系,提交了施工监测方案。(4)分析了大跨度钢斜拉桥施工中各种误差产生的原因和对结构的影响程度。研究结果表明:对大跨度钢斜拉桥而言,由于工期长、施工期间季节温差大,而且钢材导热性能好,温度对其施工阶段的影响不容忽视;钢梁重量误差对结构成桥后的累计位移与内力影响也很显着;索力张拉误差是一种小范围误差。(5)在详细介绍神经网络原理与应用现状的基础之上,重点做了如下几方面的工作:讨论神经网络的收敛特性,非线性逼近能力和预测输出功能,从而为BP神经网络应用于大跨度斜拉桥施工控制中参数识别与预测预报找到理论依据;推演了BP神经网络训练与误差校验的计算公式,并归纳出实际应用时的详绌步骤;针对现有BP算法存在的缺陷与不足提出相应的改进措施与处理方法;设计了具有自适应调整功能的BP神经网络计算程序ABPNN;利用该程序分析了学习因子α、β和惯性系数η与学习速率的关系。结果表明:学习因子α、β的取值对收敛速度的影响较慢,其取值范围较宽,也因问题不同而异,通常α=β,且在0.2～5.0之间取值;惯性因子η的取值较为复杂,很易引起振荡,一般η在0.2～0.5之间取值较为合适。(6)运用BP神经网络的参数识别功能,实现天兴洲大桥施工过程中设计参数的识别;运用BP神经网络的预测预报功能,实现天兴洲大桥施工控制过程中的拼装标高和初始索力预测。实际结果表明,BP网络预测值与实测值吻合程度很好,完全满足工程及控制的要求。(7)首次利用BP神经网络的非线性逼近能力和逆向控制模型,实现天兴洲大桥施工过程中控制变量误差调整中的索力调整量计算和全桥合拢后的索力调整量计算。通过神经网络的实例分析与工程应用,结果表明了该方法的有效性和合理性,具有很好的理论和应用价值,是对传统方法新的补充。(8)文章最后总结几年的研究经验与体会,参照国内外发展趋势,并结合相关领域的研究成果,提出智能化大跨度斜拉桥施工控制体系的构想,为进一步的研究明确了方向。
雷敏[7]2008年在《BP神经网络在大型钢箱梁斜拉桥施工控制中的应用研究》文中研究指明随着高强度材料的使用,结构分析方法的进步,以及施工技术的发展,斜拉桥在近几十年得到快速发展,但斜拉桥桥梁结构属于高次超静定的柔性结构,成桥状态(恒载内力和成桥线形)与施工过程有相关性。在施工阶段中,随着斜拉桥荷载状态和结构体系的不断变化,结构内力和变形亦不断变化,因此必须对施工顺序做出明确规定并对结构内力和变形加以有效控制。本文概述了国内外斜拉桥及斜拉桥施工控制的发展情况;详述了斜拉桥施工控制系统的基本理论、原则、内容、方法及影响因素;详述了斜拉桥施工控制仿真分析方法(正装法、倒拆法、无应力状态法);分析讨论了目前已经应用于桥梁工程实践中的施工控制方法(最小二乘法、灰色系统理论、卡尔曼滤波法、人工神经网络法);详细推导了BP神经网络算法,从理论上论证了人工神经网络方法在大型斜拉桥施工控制中应用的可行性;在分析常规BP神经网络算法在桥梁施工控制应用中存在的缺陷的基础上,探讨了相应的改进方法;结合珠江黄埔大桥北汊斜拉桥工程实例,采用MATLAB程序语言和BP神经网络算法开发大型斜拉桥标高预测程序,取得了较好的预测效果;对比分析了大跨斜拉桥标高预测程序的参数,获得了一些有价值的结论和经验。
傅彬[8]2008年在《铁锣坪斜拉桥施工控制及仿真分析》文中提出现代斜拉桥以其良好的结构性能和跨越能力以及优美的建筑造型在现代桥梁结构中占据重要地位,斜拉桥的仿真计算技术以及施工控制理论也日趋成熟,本文在目前已有的研究成果基础上,以铁锣坪大桥为研究对象,就斜拉桥施工控制仿真计算、主梁分段悬臂浇注过程控制等问题进行了初步探讨。本文首先回顾了国内外斜拉桥发展的历史,分析了国内外斜拉桥施工控制的现状以及发展前景,然后介绍了斜拉桥施工控制系统的主要组成部分,主要内容以及影响斜拉桥施工控制的各项因素,并提出了一些解决办法。其次,深入讨论了斜拉桥施工控制过程中的结构模拟计算分析方法以及结构分析中需考虑的有关问题,根据斜拉桥结构设计原理以及悬臂施工方法的特点,对大跨度斜拉桥的施工过程进行仿真分析。采用前进分析方法模拟每一阶段施工状态,得到各个工况下结构的索力、内力、位移值,并且选择具有代表性的斜拉索和施工梁段进行研究,然后对仿真计算的结果进行了详细的分析,总结出了结构在施工过程中的一些变化规律,为施工控制的实施奠定了理论轨迹。最后,具体阐述了铁锣坪大桥的施工方案和施工工艺、施工监测的主要内容和操作流程,详细说明了实际施工过程中须注意的问题以及施工控制的精度。由于在实际悬臂浇注施工中梁段前端的标高变化和仿真计算的标高变化有一定的差异,进而影响到立模标高的确定,所以本文引入了BP人工神经网络对未施工梁段的前端标高变化进行预测,将影响梁段标高变化的因素如已施工梁段距离所在索塔中心的距离,对应斜拉索第叁次张拉力的大小,张拉时的大气温度,理论计算的标高变化作为输入样本,将实测标高变化作为输出样本对BP网络进行训练,利用BP网络具备输入参数与输出参数之间的非线性映射关系的特点对后续梁段在斜拉索第叁次张拉完毕后的标高变化进行预测,为施工控制提供参考。通过对预测值与实测值的比较表明,二者吻合较好,证明了将BP神经网络用于斜拉桥施工控制是合理的,可行的。并且总结出了一些影响网络预测精度的原因以供参考。
姜爱玲[9]2006年在《黄河胜利大桥的损伤识别研究》文中研究说明随着我国交通事业的快速发展,大型、新颖的桥梁结构形式不断涌现,新旧桥梁数量日益增多。为确保人民生命财产安全,快速有效地识别出桥梁结构可能发生损伤的部位和损伤程度,及时掌握桥梁运营下的健康状况,是当前桥梁工程研究领域的热点问题之一。 由于结构的动力特性和结构参数直接相关,结构的损伤将引起相应动力特性的改变。因此,如果能建立结构动力特性变化与结构损伤之间的映射关系,则可以利用结构振动测试信息实现结构损伤识别。按照采用数据和识别原理的不同,大致可以分为基于频率的方法、基于振型的方法、基于模态柔度的方法以及基于神经网络的方法等,但是在大型土木工程结构的测试中,一般只能获得低阶模态及不完备的自由度测试信息。于是利用实际测试中容易获得的低阶模态参数进行结构损伤识别,是结构损伤识别在大型土木工程结构中得以实用化的一个挑战性课题。 本文以我国第一座钢主梁斜拉桥——黄河胜利大桥为背景,围绕工程结构损伤的课题,分别介绍结构损伤识别的柔度阵法和神经网络法,并数值模拟了斜拉桥结构损伤的识别。 结构损伤可导致结构的模态参数柔度发生变化,因此可运用柔度阵的变化识别结构损伤位置和程度。本文建立了基于柔度差和柔度曲率的损伤识别方法,并通过数值模拟斜拉桥钢主梁的损伤证明了柔度阵法识别结构损伤是有效的。同时,开展了结构多损伤识别的研究。 神经网络方法因其具有非线性映射能力强、计算速度快、容错性好等优点,正越来越多的用于基于振动的结构损伤识别,但是对于大型复杂结构,普遍存在网络结构复杂,识别效率低下的问题。本文应用概率神经网络建立了子结构损伤识别方法,这有效降低了网络的复杂性,减少了学习样本,提高了学习效率。 研究结果表明,本文方法对于斜拉桥损伤识别具有良好的可行性,可用于实际斜拉桥结构的损伤识别和安全评估。
马军海[10]2004年在《小波变换在斜拉桥结构检测分析中的应用研究》文中研究说明动力测试方法越来越多地被用于斜拉桥的检测分析中，由于动力测试方法的应用，不可避免地涉及到振动测试信号的采集和分析处理问题。 斜拉桥的振动信号常呈现非平稳时变特点，传统的傅里叶分析是一种全局的变换，短时傅里叶变换也存在着当短时窗函数确定后，窗口的形状就确定了的缺陷，不适于处理斜拉桥动测信号。而小波分析方法在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率。利用小波分析的多分辨率分析思想，可以聚焦到信号的任意细节进行时频域处理，适合斜拉桥振动状态的监测。 本文在研究将小波分析应用于斜拉桥动测分析时，首先选用恰当的小波基函数，再通过小波分析对信号进行分解和重构消除噪声，并识别在斜拉桥检测含噪信号中有用信号的发展趋势。根据斜拉桥结构在振动时受损部位的振动信号的奇异性，利用小波奇异性检测理论分析斜拉桥结构在受损时的振动信号，判断结构损伤情况。本文通过几个具体的工程实例分析说明了小波应用于斜拉桥动力测试方面的优势。
参考文献：
[1]. 人工神经网络在斜拉桥检测中的应用研究[D]. 李建光. 合肥工业大学. 2003
[2]. BP神经网络在斜拉桥换索中的应用[D]. 祁永利. 重庆交通大学. 2009
[3]. 混凝土斜拉桥换索工程施工控制的研究[D]. 杨建喜. 东北林业大学. 2010
[4]. BP神经网络在大跨径斜拉桥施工控制中的应用研究[D]. 周家刚. 长安大学. 2003
[5]. BP神经网络在大型斜拉桥施工控制中的应用研究[D]. 于涛. 河海大学. 2007
[6]. 板桁结合梁斜拉桥空间结构分析与施工控制技术研究[D]. 李元松. 武汉理工大学. 2008
[7]. BP神经网络在大型钢箱梁斜拉桥施工控制中的应用研究[D]. 雷敏. 西南交通大学. 2008
[8]. 铁锣坪斜拉桥施工控制及仿真分析[D]. 傅彬. 武汉理工大学. 2008
[9]. 黄河胜利大桥的损伤识别研究[D]. 姜爱玲. 大连理工大学. 2006
[10]. 小波变换在斜拉桥结构检测分析中的应用研究[D]. 马军海. 合肥工业大学. 2004
标签：公路与水路运输论文; 自动化技术论文; 人工神经网络论文; 斜拉桥论文; 预测控制论文; 非线性论文; 桥梁论文; bp神经网络论文; bp算法论文;