RBF神经网络在单塔斜拉桥模型修正中的应用

"这篇论文是2013年发表在《重庆交通大学学报(自然科学版)》上的，主要探讨了如何使用基于RBF神经网络的方法来修正单塔斜拉桥的有限元模型，以准确模拟换索过程中的桥梁工作状态。研究结合了子结构理论与径向基神经网络（RBF-ANN），旨在解决模型修正中的反问题，提高计算结果与实际测量值的吻合度。" 在单塔斜拉桥的维护和改造过程中，理解桥梁在不同荷载条件下的工作状态至关重要，尤其是换索这类重大操作。该论文提出的新方法首先基于模型参数修正理论，通过分析设计参数的相对灵敏度来识别需要修正的参数。相对灵敏度分析是一种评估参数变化对模型响应影响的工具，有助于识别关键参数。 为了解决参数的离散性问题，论文引入了子结构方法。子结构化允许将复杂结构划分为若干个独立的子部分，每个子结构内的设计参数被视为固定不变，简化了修正过程。然后，径向基函数(RBF)神经网络被用作模型修正的优化算法，它以其强大的非线性映射能力处理复杂问题而闻名。 RBF神经网络与子结构的结合使得原本的反问题（即从测量数据中找出模型参数的改变）转换为正问题（通过训练网络找到输入和输出之间的最佳关系）。论文详细讨论了子结构的划分策略、RBF神经网络的构建过程以及确定输入输出参数的方法。 通过一个具体的单塔斜拉桥实例，研究人员验证了该联合模型修正方法的有效性。结果显示，应用这种方法后，计算值与实测值之间的误差显著减小，证明了该方法在改进有限元模型精度方面的潜力。 关键词涵盖了有限元模型修正、RBF神经网络、单塔斜拉桥、子结构和相对灵敏度，表明论文深入研究了这些关键概念在土木工程领域的应用。分类号和文献标志码则进一步指出了其在结构工程和交通基础设施研究中的学术价值。 这篇论文提供了一个创新的桥梁模型修正技术，利用RBF神经网络的力量来提升对单塔斜拉桥工作状态预测的准确性，对于桥梁安全监测和维护具有重要的实践意义。