| 摘要 | 第1-6页 |
| Abstract | 第6-14页 |
| 1 绪论 | 第14-32页 |
| ·问题提出与研究意义 | 第14-17页 |
| ·研究背景 | 第14-16页 |
| ·问题的提出和解决 | 第16-17页 |
| ·国内外相关研究进展 | 第17-30页 |
| ·损伤检测方法的分类 | 第18-28页 |
| ·海洋平台损伤研究现状 | 第28-30页 |
| ·本文主要研究思路与内容 | 第30-32页 |
| 2 简支梁损伤位移模态与应变模态数值仿真 | 第32-54页 |
| ·应变模态的理论 | 第32-37页 |
| ·应变模态的推导 | 第32-34页 |
| ·应变模态正交性 | 第34-35页 |
| ·通过位移模态求解应变模态 | 第35-37页 |
| ·数值仿真 | 第37-53页 |
| ·本章小结 | 第53-54页 |
| 3 非贯穿单边裂纹损伤简支梁的损伤位置直接指标法的应用 | 第54-73页 |
| ·基于损伤应变模态的差分方法数学模型 | 第54-57页 |
| ·导数与差分 | 第54-55页 |
| ·等间距差分格式 | 第55-57页 |
| ·损伤位置的直接指标法的应用 | 第57-72页 |
| ·直接指标法 | 第57-59页 |
| ·算例 | 第59-72页 |
| ·本章小结 | 第72-73页 |
| 4 基于混合人工智能方法的梁结构损伤识别 | 第73-88页 |
| ·混合人工智能方法概述 | 第73-75页 |
| ·剔除异常值方法综述 | 第73-74页 |
| ·Grubbs的数据处理方法 | 第74-75页 |
| ·神经网络的基本理论 | 第75-80页 |
| ·神经元的模型 | 第76-77页 |
| ·网络结构和工作方式 | 第77页 |
| ·BP神经网络 | 第77-80页 |
| ·支持向量机基本理论 | 第80-82页 |
| ·支持向量机特点 | 第80页 |
| ·支持向量机(SVM)原理 | 第80-82页 |
| ·网络输入参数选择 | 第82-84页 |
| ·实例分析 | 第84-87页 |
| ·采用BP神经网络的非贯穿单边裂纹简支梁损伤程度智能识别 | 第84-86页 |
| ·采用支持向量机的非贯穿单边裂纹简支梁损伤程度智能识别 | 第86页 |
| ·BP神经网络与支持向量机识别性能比较 | 第86-87页 |
| ·混合BP神经网咯和支持向量机(SVM)智能性能分析 | 第87页 |
| ·本章小结 | 第87-88页 |
| 5 导管架海洋平台管件的振动特性 | 第88-108页 |
| ·结构动力有限元 | 第88-90页 |
| ·结构动力学方程 | 第88-89页 |
| ·建立含裂纹的结构刚度阵 | 第89-90页 |
| ·管件的振动特性 | 第90-106页 |
| ·含裂纹管的分析 | 第90-106页 |
| ·含裂纹管的附连水质量计算 | 第106页 |
| ·本章小结 | 第106-108页 |
| 6 基于并行启发式算法的管件结构损伤识别 | 第108-133页 |
| ·并行启发式算法及其在管件结构损伤识别的应用 | 第108-112页 |
| ·遗传算法的基本概念 | 第108页 |
| ·遗传算法流程 | 第108-109页 |
| ·并行遗传算法—粗粒度模型 | 第109-111页 |
| ·基于粗粒度并行遗传算法的损伤程度识别 | 第111-112页 |
| ·基于SCE-UA方法的管件结构损伤识别研究 | 第112-119页 |
| ·SCE-UA算法原理及描述 | 第112-117页 |
| ·SCE-UA算法的并行实施 | 第117-119页 |
| ·基于SCE-UA方法以及粗粒度并行遗传算法的管件结构损伤程度识别 | 第119-120页 |
| ·选择管件结构的输入参数 | 第119页 |
| ·管件结构损伤程度识别与评价 | 第119-120页 |
| ·算例 | 第120-132页 |
| ·管结构的损伤程度的逐一识别 | 第120-131页 |
| ·计算结果分析 | 第131-132页 |
| ·本章小结 | 第132-133页 |
| 结论 | 第133-135页 |
| 创新点摘要 | 第135-136页 |
| 参考文献 | 第136-147页 |
| 攻读博士学位期间发表学术论文情况 | 第147-148页 |
| 致谢 | 第148-150页 |
| 作者简介 | 第150-151页 |
