基于FCD与BP神经网络的结构损伤智能识别方法

本文主要探讨了在结构损伤识别领域中，结合人工智能技术，特别是基于柔度曲率差和BP神经网络的创新方法。结构损伤识别对于保障建筑物的安全至关重要，因为它能在事故发生前发现潜在风险，减少人员伤亡和经济损失。传统的结构力学方法，如柔度法和模态应变能法，因其高灵敏度和简单构造而被广泛应用。 首先，作者提出了一种新的综合平均柔度曲率差（FCD）法，通过对三维结构在四个不同方向的模态振型计算出各自的柔度曲率差，然后取绝对值的平均值作为综合指标。这种方法克服了单一柔度曲率差可能存在的干扰，能够更精确地定位损伤位置。通过数值模拟，该方法显示出优越性，相较于常规柔度曲率差法，它提高了识别的准确性。 其次，文章引入了模态应变能差作为BP神经网络的输入，针对空间钢架进行有限元数值仿真分析。通过构建并训练多个BP神经网络（包括单隐含层网络），研究发现，当有足够多的训练样本时，这种神经网络能够不仅预测损伤的发生，还能区分损伤的位置和程度。这种方法的优势在于它能够提供损伤的全方位评估，显著提高了识别的准确性和实用性。 总结来说，本文创新地将柔度曲率差与BP神经网络相结合，开发出一种综合且智能的结构损伤识别技术，不仅提升了传统方法的精度，还为结构健康监测提供了有力工具，对提高工程安全性和预防灾难性后果具有重要意义。关键词包括：损伤识别、柔度曲率、模态应变能、BP神经网络，这些技术将在未来的结构工程领域发挥重要作用。