摘要 | 第4-5页 |
abstract | 第5-6页 |
第一章 绪论 | 第10-17页 |
1.1 研究背景和意义 | 第10-11页 |
1.2 有限元模型修正的研究现状 | 第11-13页 |
1.2.1 基于动力的有限元模型修正 | 第11-12页 |
1.2.2 基于静力的有限元模型修正 | 第12页 |
1.2.3 基于响应面法的模型修正 | 第12-13页 |
1.2.4 基于仿生学优化算法的模型修正 | 第13页 |
1.3 国内外桥梁健康监测研究现状 | 第13-15页 |
1.4 本文的主要研究内容 | 第15-17页 |
第二章 有限元模型修正技术 | 第17-24页 |
2.1 有限元模型修正的一般过程 | 第17-18页 |
2.2 结构参数的选取 | 第18-20页 |
2.2.1 经验法 | 第18-19页 |
2.2.2 灵敏度法 | 第19-20页 |
2.3 相关性分析 | 第20-21页 |
2.3.1 静力特性相关性 | 第20页 |
2.3.2 动力特性相关性 | 第20-21页 |
2.4 目标函数和单元选择 | 第21-22页 |
2.5 本章小结 | 第22-24页 |
第三章 传感器系统布置的研究 | 第24-36页 |
3.1 沮河大桥传感器的选用 | 第24-26页 |
3.2 传感器优化布置简述 | 第26-27页 |
3.2.1 传感器优化布置准则 | 第26-27页 |
3.2.2 传感器优化布置计算方法 | 第27页 |
3.3 加速度传感器的优化布置 | 第27-32页 |
3.3.1 沮河大桥理论振型 | 第27-28页 |
3.3.2 传感器优化布置 | 第28-31页 |
3.3.3 布置结果评价 | 第31-32页 |
3.4 全桥传感器布置方案 | 第32-35页 |
3.5 本章小结 | 第35-36页 |
第四章 神经网络在模型修正中的应用 | 第36-44页 |
4.1 GRNN神经网络算法 | 第36-39页 |
4.1.1 GRNN神经网络的理论基础 | 第36-38页 |
4.1.2 GRNN神经网络的缺陷 | 第38-39页 |
4.2 遗传算法优化GRNN神经网络 | 第39-40页 |
4.2.1 GA优化广义回归神经网络流程 | 第39-40页 |
4.2.2 光滑因子的遗传寻优 | 第40页 |
4.3 基于均匀设计的神经网络样本参数优化 | 第40-42页 |
4.4 利用GA-GRNN神经网络进行模型修正原理 | 第42-43页 |
4.5 本章小结 | 第43-44页 |
第五章 基于优化GRNN神经网络的实桥模型修正 | 第44-61页 |
5.1 初始有限元模型建立及计算结果 | 第44-47页 |
5.1.1 沮河大桥简介 | 第44-45页 |
5.1.2 初始有限元模型建立 | 第45-47页 |
5.2 参数筛选 | 第47-49页 |
5.2.1 修正参数的选择 | 第47-49页 |
5.2.2 参数范围的确定 | 第49页 |
5.3 样本点选择 | 第49-51页 |
5.4 桥梁的有限元模型修正 | 第51-56页 |
5.4.1 基于广义回归神经网络模型修正 | 第51-54页 |
5.4.2 基于遗传优化广义回归神经网络模型修正 | 第54-56页 |
5.5 模型修正结果对比分析 | 第56-60页 |
5.5.1 模态频率对比分析 | 第56-58页 |
5.5.2 实测挠度对比分析 | 第58-60页 |
5.6 本章小结 | 第60-61页 |
第六章 基于响应面法的实桥模型修正 | 第61-72页 |
6.1 概述 | 第61页 |
6.2 利用响应面法模型修正的原理 | 第61-64页 |
6.3 响应面模型验证 | 第64页 |
6.4 基于响应面法的实桥模型修正 | 第64-68页 |
6.4.1 响应面函数拟合及模型验证 | 第64-67页 |
6.4.2 模型修正结果 | 第67-68页 |
6.5 有限元模型修正可视化 | 第68-71页 |
6.5.1 工具箱设计过程 | 第68-69页 |
6.5.2 GUI主界面 | 第69-70页 |
6.5.3 工具箱的操作 | 第70-71页 |
6.6 本章小结 | 第71-72页 |
结论与展望 | 第72-74页 |
结论 | 第72-73页 |
展望 | 第73-74页 |
参考文献 | 第74-78页 |
附录 | 第78-81页 |
附录一:传感器位置优化程序代码 | 第78-79页 |
附录二:遗传算法优化广义回归神经网络主程序代码 | 第79-81页 |
攻读硕士学位期间发表论文及科研情况 | 第81-82页 |
致谢 | 第82页 |