基于粒子群优化支持向量机的斜拉桥主梁损伤识别研究.pdf

《基于粒子群优化支持向量机的斜拉桥主梁损伤识别研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、第２８卷第１期石家庄铁道大学学报（自然科学版）Ｖｏｌ．２８Ｎｏ．１２０１５年０３月ＪＯＵＲＮＡＬＯＦＳＨＩＪＩＡＺＨＵＡＮＧＴＩＥＤＡＯＵＮＩＶＥＲＳＩＴＹ（ＮＡＴＵＲＡＬＳＣＩＥＮＣＥ）Ｍａｒ．２０１５基于粒子群优化支持向量机的斜拉桥主梁损伤识别研究赵世英，李延强（石家庄铁道大学工程力学系，河北石家庄０５００４３）摘要：为了能够更加准确地判断结构损伤位置和程度，本文提出了基于粒子群优化支持向量机（ＰＳＯ-ＳＶＭ）方法对斜拉桥主梁进行损伤识别的新方法。该方法以最敏感索张力指标作为损伤识别指标，利用粒子群（Ｐ

2、ＳＯ）算法寻找支持向量机（ＳＶＭ）最优参数，建立ＳＶＭ预测模型，以不同位置、不同损伤程度下最敏感索的张力指标作为ＳＶＭ的训练和测试输入，由ＳＶＭ的输出确定损伤位置。通过对实验室的模型斜拉桥的主梁损伤进行了仿真验证，结果表明：采用ＰＳＯ算法很好地解决了采用ＳＶＭ方法进行损伤识别时的参数选择随机性难题，实现了对ＳＶＭ模型参数的自动优化，基于ＰＳＯ-ＳＶＭ的损伤识别方法对斜拉桥主梁不同程度的损伤均有很高的识别率。关键词：斜拉桥；损伤识别；支持向量机；粒子群算法；张力指标中图分类号：ＴＵ３１２；Ｕ４４８文献标志码：

3、Ａ文章编号：２０９５０３７３（２０１５）０１００１７０５大型土木工程结构在其长达数十年、甚至上百年的服役期内，必然会产生不同程度的损伤，损伤的积累最终会导致结构的局部破坏以至突然失效。因此，对结构进行损伤识别已经成为目前研究的热点问［１］［２］题。从信息技术角度看，结构损伤识别通常可以看作是模式识别问题。支持向量机算法（ＳＶＭ）是一种基于统计学习理论的机器学习算法，通过最优分类面实现结构风险最小化，由于支持向量机算法是一个二次优化问题，所以能保证所得到的解就是全局最优解。鉴于其出色的学习能力，支持向量机已广

4、泛应用于信息处理和模式识别等领域。为了能够准确地识别结构的损伤，目前已有研究人员利用支持向量［３］［４］［５］［６］机结合结构振动特性对结构进行损伤识别研究，并已成功应用于桁架、悬臂梁、简支梁、拱桥等结构中。由于支持向量机将求解问题最终转换为一个二次优化问题，而这个二次优化问题的解就是支持向量机的最优参数。但对于训练样本规模较大的问题，求解二次优化问题非常困难，因此研究人员引入许多［７-１０］［１１］智能算法来求解该二次优化问题。在众多智能方法中，粒子群算法（ＰＳＯ）源于对鸟群捕食这种生物种群行为特性的研究

5、，通过个体间的协作和竞争来确定复杂问题的最优解，其概念简单、容易实现，基［１２-１３］于ＰＳＯ的ＳＶＭ参数选择方法，已在ＳＶＭ参数优化问题中取得了很好的效果。斜拉桥由于其造型美观，跨越能力大，在我国分布广泛。但由于结构本身的复杂性，使得斜拉桥结构的损伤识别问题更加困难。近年来，一些学者利用斜拉桥主梁损伤会引起恒载内力重分布从而引起斜拉［１４］索张力的变化这一原理，提出利用索张力变化来进行斜拉桥的损伤识别的新方法。孙宗光等首次探讨了斜拉索张力指标和神经网络技术结合对桥面损伤的定位方法，该方法仅需少量斜拉索（１

6、２根）的张力指标，便实现了良好的识别效果。但该方法是根据事先假定的损伤位置来选择斜拉索，由于实际情况中损伤是未知的，无法据此选择斜拉索，因此使得该方法在实际应用中存在一定的盲目性和不确定性。收稿日期：２０１４０５０５责任编辑：车轩玉ＤＯＩ：１０．１３３１９／ｊ．ｃｎｋｉ．ｓｊｚｔｄｄｘｘｂｚｒｂ．２０１５．０１．０４作者简介：赵世英（１９８５-），男，硕士研究生，主要从事大跨桥梁结构损伤识别的研究。Ｅ-ｍａｉｌ：ｚｈｓｈｉｙｉｎｇ＠１６３．ｃｏｍ基金项目：河北省自然科学基金（Ｅ２０１２２１００６１）；河北省

7、教育厅重点项目（Ｚｈ２０１２０６８）；河北省科学技术研究与发展计划项目（１１２１５６１１Ｄ）赵世英，李延强．基于粒子群优化支持向量机的斜拉桥主梁损伤识别研究［Ｊ］．石家庄铁道大学学报：自然科学版，２０１５，２８（１）：１７-２１．１８石家庄铁道大学学报（自然科学版）第２８卷有鉴于此，现提出了利用粒子群优化支持向量机方法（ＰＳＯ-ＳＶＭ）结合最敏感斜拉索张力指标对斜拉桥主梁进行损伤识别研究的新方法。该方法在已修正的有限元模型的基础上，首先利用敏感性分析确定对斜拉桥主梁损伤最敏感的斜拉索；然后根据主梁不同位置、

8、不同程度的损伤工况仿真，采集各种损伤工况下最敏感索的张力数据，计算其张力指标，并以此最敏感索张力指标作为损伤识别指标，采用ＰＳＯ-ＳＶＭ方法对主梁损伤进行识别。通过数值模拟验证了该方法的有效性。1支持向量机分类算法支持向量机的主要思想为：给定训练样本，支持向量机建立一个最优超平面作为决策平面，使得正例和反例之间的分离边缘被最大化。非线性支持向量机首先通过非线性映射矱（x）将输入变量变换到高维特征空间，然后在高维特