| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题研究背景与意义 | 第11页 |
| 1.2 有限元模型参数识别与修正概述 | 第11-13页 |
| 1.3 国内外研究现状 | 第13-17页 |
| 1.3.1 基于动力测试数据的有限元模型参数识别与修正 | 第13-15页 |
| 1.3.2 基于静力测试数据的有限元模型参数识别与修正 | 第15-16页 |
| 1.3.3 其它类型的模型参数识别与修正方法 | 第16-17页 |
| 1.4 本文研究内容 | 第17-19页 |
| 第二章 有限元模型参数识别修正技术 | 第19-28页 |
| 2.1 有限元模型参数识别概述 | 第19-20页 |
| 2.2 有限元模型修正主要流程 | 第20-21页 |
| 2.3 待识别修正参数的选取 | 第21-25页 |
| 2.3.1 基于工程经验的参数选取法 | 第22-23页 |
| 2.3.2 基于灵敏度的参数选取法 | 第23-25页 |
| 2.4 相关性分析 | 第25-27页 |
| 2.4.1 静态响应数据相关性指标 | 第25页 |
| 2.4.2 动态响应数据相关性指标 | 第25-26页 |
| 2.4.3 模型验证准则 | 第26-27页 |
| 2.5 目标函数的建立 | 第27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 不同神经网络的结构原理 | 第28-43页 |
| 3.1 人工神经网络概论 | 第28-33页 |
| 3.1.1 BP网络模型结构 | 第29页 |
| 3.1.2 网络拓扑结构的确定 | 第29-31页 |
| 3.1.3 BP神经网络原理 | 第31-32页 |
| 3.1.4 BP神经网络的局限 | 第32-33页 |
| 3.2 遗传算法 | 第33-34页 |
| 3.3 集成神经网络 | 第34-38页 |
| 3.3.1 常见集成模型 | 第35-36页 |
| 3.3.2 基于遗传算法的集成神经网络 | 第36页 |
| 3.3.3 神经网络的稀疏化 | 第36-37页 |
| 3.3.4 神经网络的集成策略 | 第37-38页 |
| 3.4 生成式对抗神经网络 | 第38-41页 |
| 3.4.1 生成式对抗神经网络的基本概念 | 第38页 |
| 3.4.2 生成式对抗神经网络的原理 | 第38-39页 |
| 3.4.3 生成式对抗神经网络的学习机制 | 第39-41页 |
| 3.5 生成式对抗神经网络的优缺点 | 第41-43页 |
| 第四章 数值模型参数识别与修正 | 第43-65页 |
| 4.1 数值模型试验基本概念 | 第43-45页 |
| 4.1.1 计算模型的误差分析 | 第43-44页 |
| 4.1.2 计算模型的各参数分析 | 第44-45页 |
| 4.2 建立数值模型 | 第45-47页 |
| 4.2.1 真值模型的参数设定 | 第46页 |
| 4.2.2 初始有限元模型的建立 | 第46-47页 |
| 4.3 数值模型试验基本流程 | 第47-50页 |
| 4.3.1 试验目的 | 第47页 |
| 4.3.2 数值模型试验加载方案 | 第47-50页 |
| 4.3.3 静力试验数据采集 | 第50页 |
| 4.4 数值模型试验的参数选取 | 第50-53页 |
| 4.4.1 修正前响应数据的分析 | 第51-52页 |
| 4.4.2 待识别修正参数的选取 | 第52-53页 |
| 4.5 训练数据的构造 | 第53-56页 |
| 4.5.1 均匀设计方法概论 | 第54页 |
| 4.5.2 均匀设计表的搭建 | 第54-55页 |
| 4.5.3 基于均匀设计方法的样本构造 | 第55-56页 |
| 4.6 构造神经网络模型 | 第56-60页 |
| 4.6.1 构造集成神经网络 | 第56-58页 |
| 4.6.2 构造生成式对抗神经网络 | 第58-60页 |
| 4.7 神经网络对数值模型参数的识别修正 | 第60-65页 |
| 4.7.1 两种神经网络识别修正效果 | 第60-65页 |
| 第五章 实桥模型参数识别与修正 | 第65-92页 |
| 5.1 实桥概况 | 第65-67页 |
| 5.1.1 刚架拱桥基本状况 | 第65页 |
| 5.1.2 刚架拱桥加固状况 | 第65-67页 |
| 5.2 已加固刚架拱桥的静力荷载试验 | 第67-71页 |
| 5.2.1 具体加载方案 | 第67-69页 |
| 5.2.2 测点布置 | 第69页 |
| 5.2.3 建立初始有限元模型 | 第69-70页 |
| 5.2.4 荷载试验结果分析 | 第70-71页 |
| 5.3 模型整体修正下参数的选择 | 第71-72页 |
| 5.3.1 参数的灵敏度分析及选取 | 第71-72页 |
| 5.4 模型参数整体修正样本的设计 | 第72-74页 |
| 5.4.1 基于均匀设计方法构造神经网络训练样本 | 第72-73页 |
| 5.4.2 训练样本的扰动扩展 | 第73-74页 |
| 5.5 模型参数整体识别修正 | 第74-80页 |
| 5.5.1 基于集成神经网络的模型参数识别修正 | 第74-77页 |
| 5.5.2 基于生成式对抗神经网络的模型参数识别修正 | 第77-78页 |
| 5.5.3 有限元模型参数整体识别修正效果分析 | 第78-80页 |
| 5.6 模型参数分段识别修正方案 | 第80-85页 |
| 5.6.1 结构不同识别修正节段划分 | 第80-81页 |
| 5.6.2 各节段待识别修正参数的选取 | 第81-82页 |
| 5.6.3 模型响应变量选取 | 第82-83页 |
| 5.6.4 微调数据构造 | 第83-85页 |
| 5.7 模型参数分段识别修正 | 第85-90页 |
| 5.7.1 基于集成神经网络的分段识别修正 | 第86-87页 |
| 5.7.2 基于生成式对抗神经网络的分段识别修正 | 第87-89页 |
| 5.7.3 有限元模型参数分段识别修正效果分析 | 第89-90页 |
| 5.8 本章小结 | 第90-92页 |
| 结论与展望 | 第92-93页 |
| 结论 | 第92页 |
| 展望 | 第92-93页 |
| 参考文献 | 第93-97页 |
| 附录 | 第97-102页 |
| 攻读硕士期间研究成果 | 第102-103页 |
| 致谢 | 第103页 |
