【摘要】：桥梁建成通车后，由于受气候、环境因素的影响，结构材料会被腐蚀和逐渐老化，长期的静、动力荷载作用，使其强度和刚度随着时间的增加而降低。这不仅会影响行车安全，更会使桥梁的使用寿命缩短。在结构布局和规模都十分复杂的大型桥梁上仍然沿用传统的桥梁外观检查、养护、维修程序以及常规的局部检测，显然已难以全面反映桥梁的健康状况，尤其是难以对桥梁的安全储备以及退化途径作出系统的评估。建立和发展某种能够提供整体和全面的全桥结构检测和评估信息的监测系统，随时了解大桥结构的承载能力和安全储备，对保证大桥运营的安全性和耐久性都是十分必要的。 目前，在许多大跨度桥梁上都已经安装了永久性的监测系统，但目前的桥梁监测系统中不含结构模型，因而无自动损伤识别的能力。本文在前人研究工作的基础上，根据遗传算法和神经网络在处理复杂非线性问题时的各自特点，分别将其用于桥梁结构健康监测系统的不同部分，提出了建立基于遗传算法与神经网络的桥梁结构健康监测系统的基本设想。为此，本文主要进行了以下几个方面的研究工作。 1．在既有桥梁的研究中，主要包括桥梁总体性损伤评估、桥梁承载能力鉴定、桥梁剩余寿命评估、桥梁处置对策确定及其经济分析等，其中在日常管理养护中比较常用、比较重要的问题之一就是桥梁的总体性损伤评估。根据《中国公路桥梁综合评定方法》，引入数理统计中的“正交试验法”和“均匀设计法”，应用神经网络对桥梁结构进行模糊综合评判。 2．应用神经网络较强的模式分类功能，选择合适的模态信息或动静力响应数据，对桥梁结构进行损伤识别。结合基于静态应变及位移测量的结构参数识别算法，借助遗传算法强大的优化搜索能力，探讨基于遗传算法的桥梁结构损伤识别技术。 3．根据安装在桥梁结构上的监测系统传递来的位移、应变信息，进行作用在桥梁结构上的荷载识别，可以：① 对监测系统传递来的荷载信息加以校核和补充；② 为下一步的损伤识别提供依据。而荷载识别的关键技术在于快速、准确地模拟桥梁的荷载-挠度曲线。以“在位移控制下部分预应力混凝土梁非线性行为试验研究”的试验数据为建模样本集，分别以作用于梁上的荷载和梁的跨中挠度为输入、输出，利用神经网络来对混凝土梁的荷载-挠度曲线进行模拟，并用其进行荷载识别的试验研究，取得了较好的效果。 第11页 西南交通大学博士研究生学位论文 4.裂缝开展宽度是衡量部分预应力混凝土桥梁使用性和耐久性的一个重 要指标，精确地模拟部分预应力混凝土梁的荷载一裂缝关系有着十分重要的意 义。然而，混凝土结构裂缝形成和发展的过程十分复杂，具有一定的随机性， 难于用常规的方法进行建模。应用神经网络较强的函数映射能力和联想、记忆 功能，对部分预应力混凝土梁的荷载一裂缝关系进行建模，通过试验数据进行验 证，效果良好，证明应用神经网络来对部分预应力混凝土梁的荷载一裂缝关系进 行建模是可行的。 5.混凝土结构中钢筋的锈蚀将直接影响其安全性、可靠性和耐久性，快速、 准确地预测混凝土构件中的钢筋锈蚀量有着重要的意义。应用神经网络对锈蚀 开裂后的混凝土构件中的钢筋锈蚀量进行预测建模，并通过工程检测结果验证 了该建模方法的可行性。 6.应用遗传算法强大的非线性搜索能力，分别以年均投资差额和总投资差 额最大为优化分析目标，提出了用遗传算法对常遇大气环境下的混凝土桥梁进 行耐久性优化设计的方法，通过算例进行验证，效果良好。 7.将桥梁结构健康监测系统监测到的结构响应看作一个非线性时间序列， 应用神经网络较强的数据压缩能力和联想、记忆功能，选取若干天的结构响应 数据(应变一时程曲线等)进行学习，并对未来一段时间内的结构响应进行预测。 以此为根据，对桥梁结构进行疲劳可靠性分析。 8.由于几何非线性和材料非线性的影响，构件某一失效模式的极限状态方 程很可能是强非线性方程，甚至无法得到显式的极限状态方程。工程实际中常 采用的传统方法难以精确或有效地对桥梁结构进行可靠性分析。根据可靠度指 标刀的几何意义，将求解可靠度指标刀的问题转化为有约束最小化问题，应用遗 传算法强大的非线性搜索能力进行求解。 【关键词】：结构 桥梁 健康监测 损伤识别 遗传算法 神经网络
【学位授予单位】：西南交通大学
【学位级别】：博士
【学位授予年份】：2003
【分类号】：U446
【DOI】：CNKI:CDMD:1.2004.105965
【目录】：

• 第1章 绪论17-37
• 1.1 课题的研究意义与国内外现状分析17-35
• 1.1.1 课题的研究意义17-19
• 1.1.2 国内外现状分析19-35
• 1.2 课题研究内容和拟解决的关键问题35-37
• 第2章 桥梁结构健康监测系统37-84
• 2.1 概论37-38
• 2.2 桥梁健康监测系统的构建和需要解决的问题38-48
• 2.2.1 桥梁健康监测新概念38
• 2.2.2 健康监测系统设计38-48
• 2.3 传感器的选择和优化布设48-61
• 2.3.1 传感元件(sensor)选择48-53
• 2.3.2 传感器的优化布设53-61
• 2.4 光导纤维在桥梁结构健康监测系统中的应用61-73
• 2.4.1 光纤传感器在桥梁结构健康监测中的应用62-64
• 2.4.2 光纤传感器的组成及原理64-71
• 2.4.3 光纤传感器安装工艺研究71-72
• 2.4.4 光纤传感器应用中的一些问题72-73
• 2.4.5 结语73
• 2.5 基于Internet／Intranet的桥梁结构健康监测系统73-84
• 2.5.1 基于Internet／Intranet的桥梁结构健康监测系统74-76
• 2.5.2 现场数据采集站76-79
• 2.5.3 基于Internet／Intranet的桥梁结构健康监测系统信息处理方法79-83
• 2.5.4 结语83-84
• 第3章 基于神经网络的桥梁结构模糊综合评判84-144
• 3.1 几种常用的桥梁结构评估方法84-98
• 3.1.1 桥梁承载能力的评估方法84-90
• 3.1.2 桥梁损伤的多层次模糊综合评价方法90-96
• 3.1.3 桥梁损伤评估及对策专家系统96-98
• 3.2 桥梁结构评价的模糊分级法98-107
• 3.2.1 《公路养护技术规范》(JTJ 073-96)综合评定法98-102
• 3.2.2 公路桥梁管理系统102-107
• 3.3 神经网络与遗传算法简介107-127
• 3.3.1 神经网络107-119
• 3.3.2 遗传算法119-127
• 3.4 基于神经网络的桥梁结构模糊综合评判127-144
• 3.4.1 应用正交试验法安排桥梁结构模糊综合评判试验127-131
• 3.4.2 应用均匀设计法安排桥梁结构模糊综合评判试验131-134
• 3.4.3 应用组合正交表安排桥梁结构模糊综合评判试验134-135
• 3.4.4 桥梁检测资料135-138
• 3.4.5 基于神经网络的桥梁结构模糊综合评判138-142
• 3.4.6 结语142-144
• 第4章 桥梁结构的损伤识别及耐久性研究144-194
• 4.1 几种常用的结构损伤识别方法简介144-154
• 4.1.1 自动损伤识别的方法144-145
• 4.1.2 几种常用识别方法简介145-154
• 4.2 神经网络在结构损伤识别中的应用154-163
• 4.2.1 样本点数量的确定及分布原则154-155
• 4.2.2 输入参数的选择155-160
• 4.2.3 参数处理160-161
• 4.2.4 学习模式对的收集策略161-163
• 4.3 基于遗传算法的桥梁结构损伤识别163-166
• 4.3.1 选择待识别的结构参数164
• 4.3.2 确定识别所需的量测信息164
• 4.3.3 建立结构静态反应残差矩阵164-165
• 4.3.4 定义问题的目标函数165
• 4.3.5 基于遗传算法的桥梁结构损伤识别165-166
• 4.3.6 结语166
• 4.4 基于神经网络的混凝土桥梁荷载识别方法研究166-171
• 4.4.1 混凝土梁荷载-挠度全曲线的研究概况167-168
• 4.4.2 应用神经网络模拟混凝土梁的荷载-挠度曲线和荷载识别168-169
• 4.4.3 算例169-171
• 4.4.4 结语171
• 4.5 基于神经网络的部分预应力混凝土梁荷载-裂缝模型研究171-176
• 4.5.1 部分预应力混凝土梁弯曲裂缝研究概况172-173
• 4.5.2 应用神经网络模拟部分预应力混凝土梁的荷载-裂缝关系173-174
• 4.5.3 算例和讨论174-175
• 4.5.4 结语175-176
• 4.6 基于神经网络的混凝土开裂后钢筋锈蚀量预测模型研究176-179
• 4.6.1 混凝土开裂后钢筋锈蚀量研究概况176-177
• 4.6.2 基于神经网络的混凝土开裂后钢筋锈蚀量预测模型177-178
• 4.6.3 算例178-179
• 4.6.4 结语179
• 4.7 基于遗传算法的混凝土桥梁耐久性优化设计179-184
• 4.7.1 混凝土桥梁耐久性优化设计180-182
• 4.7.2 遗传算法在混凝土桥梁耐久性优化设计中的应用182
• 4.7.3 混凝土桥梁耐久性优化设计算例182-184
• 4.7.4 结语184
• 4.8 应用结构健康监测数据进行桥梁的疲劳分析和寿命预测184-194
• 4.8.1 桥面板横截面疲劳分析模型185-187
• 4.8.2 疲劳分析的方法和策略187-191
• 4.8.3 疲劳损伤评估和寿命预测191-194
• 第5章 基于遗传算法与神经网络的结构可靠度分析194-238
• 5.1 概论194-202
• 5.1.1 基本概念194
• 5.1.2 结构可靠度研究历史简介194-202
• 5.2 常用结构可靠度分析方法简介202-220
• 5.2.1 概率模型202-218
• 5.2.2 非概率模型218-219
• 5.2.3 结语219-220
• 5.3 基于遗传算法与神经网络的桥梁结构可靠度分析220-238
• 5.3.1 遗传算法和人工神经网络的应用原理220-226
• 5.3.2 Brotonne斜拉桥可靠性分析226-234
• 5.3.3 洞庭湖大桥主梁可靠度分析234-237
• 5.3.4 结语237-238
• 结论238-241
• 致谢241-242
• 参考文献242-261
• 附表1261-262
• 附表2262-264
• 附表3264-266
• 附表4266-269
• 攻读博士学位期间发表的论文及科研成果269