CN112613105A - 一种基于声发射参数与遗传算法优化bp神经网络的钢筋混凝土梁损伤状态识别方法 - Google Patents
一种基于声发射参数与遗传算法优化bp神经网络的钢筋混凝土梁损伤状态识别方法 Download PDFInfo
- Publication number
- CN112613105A CN112613105A CN202011556936.4A CN202011556936A CN112613105A CN 112613105 A CN112613105 A CN 112613105A CN 202011556936 A CN202011556936 A CN 202011556936A CN 112613105 A CN112613105 A CN 112613105A
- Authority
- CN
- China
- Prior art keywords
- neural network
- acoustic emission
- reinforced concrete
- value
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 51
- 230000006378 damage Effects 0.000 title claims abstract description 45
- 239000011150 reinforced concrete Substances 0.000 title claims abstract description 38
- 230000002068 genetic effect Effects 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 230000006870 function Effects 0.000 claims abstract description 14
- 239000000463 material Substances 0.000 claims abstract description 11
- 239000004567 concrete Substances 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000005284 excitation Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000009471 action Effects 0.000 claims abstract description 5
- 238000013001 point bending Methods 0.000 claims abstract description 4
- 230000035784 germination Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 239000011148 porous material Substances 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000005056 compaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 4
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001363 water suppression through gradient tailored excitation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
一种基于声发射参数与遗传算法优化BP神经网络的钢筋混凝土梁损伤状态识别方法，钢筋混凝土梁作为实验对象，采集构件在四点弯曲分级加载作用下的声发射信号，直至混凝土材料碎裂；计算b a 值，根据b a 值与能量的变化，将钢筋混凝土梁损伤破坏阶段分为四个阶段；对声发射事件参数进行人工分类，作为BP神经网络的输入样本；对输入样本归一化处理；选择BP神经网络中隐含层层数、隐含层节点数、激励函数、学习速率；BP神经网络的输出层节点数为4，采用二进制编码表示；遗传算法参数初始化，选择最大进化代数、种群规模、交叉概率、变异概率，计算适应度值；将遗传算法迭代求解出最佳的初始阈值和权值赋予BP神经网络，进行BP神经网络训练。
Description
技术领域
本发明涉及一种基于声发射参数与遗传算法优化BP神经网络的钢筋混凝土梁损伤状态识别方法，属于混凝土材料损伤检测技术领域。
背景技术
声发射技术(AcousticEmission)是一项无损检测技术，声发射的现象是因材料内部快速释放应变能而产生的瞬时弹性波。运用声发射检测技术接收到的信号常常源于材料内部的形变或损伤，声发射信号参数(如幅度、持续时间、上升时间、振铃计数、能量等)能够较为直观的反映材料内部损伤的萌发、发展状况，具有实时、灵敏度高的优势。
钢筋混凝土作为一种强度高、刚度大、造价低的材料，广泛应用于重要结构如桥梁、水闸、高层建筑的建设中。在这些建筑物正常运行过程中，会受到外界荷载、化学腐蚀的作用导致钢筋混凝土构件强度的降低。为了保证结构安全、稳定的运行，需要及时、准确的监测、识别其损伤状态。钢筋混凝土构件受到外界荷载时，处于不同损伤阶段声发射信号特征参数会呈现不同的变化趋势。然而钢筋混凝土构件由于材料的多样性、复杂性，产生的声发射源往往存在不可分的情况。若简单的设置单阈值或只分析某一声发射特征参数难以将钢筋混凝土构件产生的声发射事件按照不同损伤程度进行分类识别。
为解决上述问题，需要采用非线性映射的分类器，而BP(BackPropagation)神经网络是一种按误差逆传播算法训练的多层前馈网络，具有非线性映射、自组织性、自学习性等特点，在众多领域得到广泛使用。遗传算法优化BP神经网络包含BP神经网络结构确定、遗传算法优化和BP神经网络预测，使用遗传算法优化BP神经网络的权值和阈值。因此，基于声发射参数与遗传算法优化BP神经网络的钢筋混凝土梁损伤状态识别方法是可行的。
发明内容
为了解决现有技术方法的缺陷，本发明的目的在于提供一种基于声发射参数与遗传算法优化BP神经网络的钢筋混凝土梁损伤状态识别方法，对钢筋混凝土构件处于不同损伤状态时的声发射信号特征参数进行分类识别，意义明确、针对性强，准确度高、可操作性强，为评估钢筋混凝土构件在荷载作用下的内部损伤状况提供一种新的方法。
为达到上述目的，本发明通过以下技术方案实现：
一种基于声发射参数与遗传算法优化BP神经网络的钢筋混凝土梁损伤状态识别方法，其特征在于，包括以下步骤：
步骤1，将钢筋混凝土梁作为实验对象，采集构件在四点弯曲分级加载作用下的声发射信号，直至混凝土材料碎裂；
步骤2，根据声发射参数中的幅值计算出ba值(ba值为改进优化的声发射b值)；
步骤3，根据ba值与能量的变化，将钢筋混凝土梁损伤破坏阶段分为四个阶段，分别为原始孔隙压密阶段、微裂纹萌发阶段、宏观裂纹产生阶段、最终破坏阶段；
步骤4，通过声发射参数中的幅值、持续时间、上升时间、振铃计数、撞击数、能量、有效值电压(RMS)、平均信号电平(ASL)共八个特征参数，并依据步骤3中四个损伤破坏阶段(原始孔隙压密阶段、微裂纹萌发阶段、宏观裂纹产生阶段、最终破坏阶段)对声发射事件参数进行人工分类，分别记作1、2、3、4，作为BP神经网络的输入样本；
步骤5，为了便于计算，对输入样本中八种声发射事件特征参数进行归一化处理；
步骤6，选择BP神经网络中合适的隐含层层数、隐含层节点数、激励函数、学习速率；
步骤7，BP神经网络的输出层节点数为4，即对应钢筋混凝土梁的四个损伤破坏阶段(原始孔隙压密阶段、微裂纹萌发阶段、宏观裂纹产生阶段、最终破坏阶段)，并采用二进制编码表示，若样本属于第一阶段则表示为[1,0,0,0]，第二阶段则表示为[0,1,0,0]，第三阶段则表示为[0,0,1,0]，第四阶段则表示为[0,0,0,1]；
步骤8，遗传算法参数初始化，选择合适的最大进化代数、种群规模、交叉概率、变异概率，计算适应度值；
步骤9，将遗传算法迭代求解出最佳的初始阈值和权值赋予BP神经网络，进行BP神经网络训练。
进一步地，步骤2中根据声发射参数中的幅值计算出ba值的步骤如下：
根据改写的G-R公式：
式中，a为经验常数；b为拟合直线的斜率，即“声发射b值”。
利用最小二乘法：
式中，Δx为声发射事件分档间距；Ai为第i档的中数。将某时间窗内的声发射数据，根据幅值进行分组。AdB/20作为横坐标，logNM为纵坐标进行拟合，得出相应的a、b值。取所有a值的平均值作为固定值
将
带入线性函数
利用各个时间窗中的数据重新进行最小二乘拟合，即可得到ba值。
进一步地，步骤5中对输入样本中八个声发射事件特征参数进行归一化处理如下：
归一化函数方程为：
式中，xk，n是归一化处理之后的序列元素；xk是归一化处理之前的序列元素；xmin为所在数据序列中的最小值；xmax为所在数据序列中的最大值。
进一步地，步骤6中选择BP神经网络中合适的隐含层层数、隐含层节点数、激励函数、学习速率的步骤如下：
步骤6.1，隐含层层数一般为一或二层，很少用三层及以上；
步骤6.2，隐含层节点数对于BP神经网络的输出有直接影响(即影响识别效果及识别效率)。若隐含层节点数过少，网络会出现欠拟合、误差大的情况；若隐含层节点数过多，网络训练时间过长，甚至会出现“过拟合”的现象而导致误差增大。一般对于一层隐含层BP神经网络可以通过如下的经验公式来选择隐含层节点数：
式中，n为输入层节点数；l为隐含层节点数；m为输出层节点数；c为0～10之间的常数。
步骤6.3，隐含层激励函数选择Sigmoid函数，表达式如下：
式中，e为自然底数。
步骤6.4，学习速率决定模型前向传递数据和反向传播误差过程的权值调整量。学习速率较小会导致网络收敛慢，但能确保BP神经网络训练误差小；而学习速率较大会导致模型的不稳定，所以一般选择的区间为[0.01，0.8]。
进一步地，步骤8中选择最大进化代数、种群规模、交叉概率、变异概率的步骤如下：
步骤8.1，最大进化代数表示算法运行到指定的进化代数之后停止运行计算，将当前最优个体作为所求问题的最优解输出，选择的区间一般为[50，200]；
步骤8.2，根据经验，种群规模选择的区间一般为[100，1000]；
步骤8.3，交叉概率的范围为[0，1]，是控制一个试验向量来自随机选择的变异向量，通常0.1是较好的选择，但是交叉概率较大可以加速模型的收敛；
步骤8.4，变异概率的范围为[0，1]，决定偏差向量的放大比例，通常0.5是较好的初始选择。
附图说明
图1是本发明实施例的流程示意图；
图2是钢筋混凝土梁试件尺寸及配筋图；
图3是声发射传感器位置及加载位置示意图；
图4是依据ba值与能量变化对损伤阶段分类的示意图。
具体实施方式
下面结合实施实例与附图对本发明作进一步地详细说明，但并不作为对发明做任何限制的依据。
如图1所示，本发明的一种基于声发射参数与遗传算法优化BP神经网络的钢筋混凝土梁损伤状态识别方法，包括以下步骤：
步骤1，将钢筋混凝土梁作为实验对象，采集构件在四点弯曲分级加载作用下的声发射信号，直至混凝土材料碎裂。
试验中钢筋混凝土梁试件如图2，采用的混凝土强度为C20，试件尺寸为1200mm×150mm×100mm，梁中上部受压钢筋为2A10HPB235，下部受拉钢筋为2C10HRB400,箍筋为A8@200HPB235光圆钢筋。采用全信息声发射信号分析仪采集并存储声发射信号。根据现场情况设定增益40dB，门槛值40dB，采样频率3MHz。声发射传感器分别布置在梁中轴线距离左端250mm处及右端250mm处，加载位置位于距离梁左端400mm处及右端400mm处，具体布置如图3所示。
步骤2，将固定时间窗长度为10s，并以2s时间间隔滑移。根据幅值从39.5dB开始，以5dB为步长进行分组。例如：幅值大于39.5dB且小于等于44.5dB的声发射事件作为一组数据记为42dB，进行拟合计算出ba值。
步骤3，根据ba值与能量的变化，如图4将钢筋混凝土梁损伤破坏阶段分为四个阶段，分别为原始孔隙压密阶段(Ⅰ)、微裂纹萌发阶段(Ⅱ)、宏观裂纹产生阶段(Ⅲ)、最终破坏阶段(Ⅳ)。
步骤4，将共计23254个声发射事件中对应的八种特征参数，依据步骤3中四个损伤破坏阶段(原始孔隙压密阶段、微裂纹萌发阶段、宏观裂纹产生阶段、最终破坏阶段)进行人工分类，分别记作1、2、3、4，其中1类843个，2类2915个，3类18200个，4类1296个。作为BP神经网络的测试样本，部分样本数据如下表所示：
随机其中将18000个样本作为训练样本，剩余的5254个作为预测分类识别的样本。
步骤5，对输入样本中八个声发射事件特征参数运用MATLAB中自带的mapminmax函数进行归一化处理。
步骤6，设定BP神经网络中隐含层层数为1、隐含层节点数为20、激励函数为Sigmoid函数、学习速率为0.01。
步骤7，设定BP神经网络的输出层节点数为4，即对应钢筋混凝土梁的四个损伤破坏阶段(原始孔隙压密阶段、微裂纹萌发阶段、宏观裂纹产生阶段、最终破坏阶段)，并采用二进制编码表示，若样本属于第一阶段则表示为[1,0,0,0]，第二阶段则表示为[0,1,0,0]，第三阶段则表示为[0,0,1,0]，第四阶段则表示为[0,0,0,1]。
步骤8，遗传算法参数初始化，确定最大进化代数为150、种群规模为500、交叉概率为0.1、变异概率为0.5，来计算适应度值。
步骤9，将遗传算迭代求解出最佳的初始阈值和权值赋予BP神经网络，进行BP神经网络训练。
共模拟10次，对比BP神经网络与遗传算法优化BP神经网络各阶段识别正确率和均方误差结果，如下表所示：
通过比较可知，遗传算法优化BP神经网络比BP神经网络识别正确率更高，有较好的工程应用价值。在试验过程中，由于钢筋混凝土梁材料的复杂性，不同损伤程度的划分没有绝对的“界限”，存在一定程度上的误差问题。基于声发射参数与遗传算法优化BP神经网络的钢筋混凝土梁损伤状态识别方法能够为工程实际中方便地实现钢筋混凝土梁损伤程度的识别，为评价钢筋混凝土梁安全稳定提供依据。
以上所述，仅是本发明的较优实施例，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。
Claims (6)
1.一种基于声发射参数与遗传算法优化BP神经网络的钢筋混凝土梁损伤状态识别方法，其特征在于，包括以下步骤：
步骤1)将钢筋混凝土梁作为实验对象，采集构件在四点弯曲分级加载作用下的声发射信号，直至混凝土材料碎裂；
步骤2)根据声发射参数中的幅值计算出ba值，ba值为改进优化的声发射b值；
步骤3)根据ba值与能量的变化，将钢筋混凝土梁损伤破坏阶段分为四个阶段，分别为原始孔隙压密阶段、微裂纹萌发阶段、宏观裂纹产生阶段、最终破坏阶段；
步骤4)通过声发射参数中的幅值、持续时间、上升时间、振铃计数、撞击数、能量、有效值电压、平均信号电平共八个特征参数，并依据步骤3)中四个损伤破坏阶段对声发射事件参数进行人工分类，分别记作1、2、3、4，作为BP神经网络的输入样本；
步骤5)为了便于计算，对输入样本中八个声发射事件特征参数进行归一化处理；
步骤6)选择BP神经网络中合适的隐含层层数、隐含层节点数、激励函数、学习速率；
步骤7)BP神经网络的输出层节点数为4，即对应钢筋混凝土梁的四个损伤破坏阶段，并采用二进制编码表示，若样本属于第一阶段则表示为[1,0,0,0]，第二阶段则表示为[0,1,0,0]，第三阶段则表示为[0,0,1,0]，第四阶段则表示为[0,0,0,1]；
步骤8)遗传算法参数初始化，选择合适的最大进化代数、种群规模、交叉概率、变异概率，计算适应度值；
步骤9)将遗传算法迭代求解出最佳的初始阈值和权值赋予BP神经网络，进行BP神经网络训练。
2.根据权利要求1所述的一种基于声发射参数与遗传算法优化BP神经网络的钢筋混凝土梁损伤状态识别方法，其特征在于，步骤2)的具体步骤为：
根据改写的G-R公式：
式中，a为经验常数；b为拟合直线的斜率，即“声发射b值”；
利用最小二乘法：
式中，Δx为声发射事件分档间距；Ai为第i档的中数；将某时间窗内的声发射数据，根据幅值进行分组；AdB/20作为横坐标，logNM为纵坐标进行拟合，得出相应的a、b值；取所有a值的平均值作为固定值
将
带入线性函数
利用各个时间窗中的数据重新进行最小二乘拟合，即可得到ba值。
3.根据权利要求2所述的一种基于声发射参数与遗传算法优化BP神经网络的钢筋混凝土梁损伤状态识别方法，其特征在于，步骤3)的具体步骤为：
归一化函数方程为：
式中，xk，n是归一化处理之后的序列元素；xk是归一化处理之前的序列元素；xmin为所在数据序列中的最小值；xmax为所在数据序列中的最大值。
4.根据权利要求3所述的一种基于声发射参数与遗传算法优化BP神经网络的钢筋混凝土梁损伤状态识别方法，其特征在于，步骤6)中选择合适的隐含层层数、隐含层节点数、激励函数、学习速率，具体步骤：
步骤6.1)隐含层层数为一或二层；
步骤6.2)隐含层节点数对于BP神经网络的输出有直接影响，即影响识别效果及识别效率；若隐含层节点数过少，网络会出现欠拟合、误差大的情况；若隐含层节点数过多，网络训练时间过长，甚至会出现“过拟合”的现象而导致误差增大；对于一层隐含层BP神经网络通过如下的经验公式来选择隐含层节点数：
式中，n为输入层节点数；l为隐含层节点数；m为输出层节点数；c为0～10之间的常数；
步骤6.3)隐含层激励函数选择Sigmoid函数，表达式如下：
式中，e为自然底数；
步骤6.4)学习速率决定模型前向传递数据和反向传播误差过程的权值调整量；学习速率较小会导致网络收敛慢，但能确保BP神经网络训练误差小；而学习速率较大会导致模型的不稳定，所以选择的区间为[0.01，0.8]。
5.根据权利要求4所述的一种基于声发射参数与遗传算法优化BP神经网络的钢筋混凝土梁损伤状态识别方法，其特征在于，步骤8)中选择合适的最大进化代数、种群规模、交叉概率、变异概率，具体步骤：
步骤8.1)最大进化代数表示算法运行到指定的进化代数之后停止运行计算，将当前最优个体作为所求问题的最优解输出，选择的区间为[50，200]；
步骤8.2)根据经验，种群规模选择的区间为[100，1000]；
步骤8.3)交叉概率的范围为[0，1]，是控制一个试验向量来自随机选择的变异向量；
步骤8.4)变异概率的范围为[0，1]，决定偏差向量的放大比例。
6.根据权利要求5所述的一种基于声发射参数与遗传算法优化BP神经网络的钢筋混凝土梁损伤状态识别方法，其特征在于，步骤8.3)中交叉概率为0.1；步骤8.4)中变异概率为0.5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011556936.4A CN112613105B (zh) | 2020-12-25 | 2020-12-25 | 一种基于声发射参数与遗传算法优化bp神经网络的钢筋混凝土梁损伤状态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011556936.4A CN112613105B (zh) | 2020-12-25 | 2020-12-25 | 一种基于声发射参数与遗传算法优化bp神经网络的钢筋混凝土梁损伤状态识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112613105A true CN112613105A (zh) | 2021-04-06 |
| CN112613105B CN112613105B (zh) | 2024-03-08 |
Family
ID=75245271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011556936.4A Active CN112613105B (zh) | 2020-12-25 | 2020-12-25 | 一种基于声发射参数与遗传算法优化bp神经网络的钢筋混凝土梁损伤状态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112613105B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113450315A (zh) * | 2021-06-08 | 2021-09-28 | 北京伟景智能科技有限公司 | 棒材计数方法、装置及分钢*** |
| CN115343209A (zh) * | 2022-08-12 | 2022-11-15 | 三峡大学 | 基于ga-bp神经网络的钢筋混凝土结构腐蚀程度反演方法 |
| CN116106430A (zh) * | 2023-04-12 | 2023-05-12 | 中南大学 | 基于声发射技术的熔铸用耐火材料开裂诊断方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101975825A (zh) * | 2010-09-10 | 2011-02-16 | 江苏大学 | 一种提取拉深件裂纹声发射信号特征参数的方法 |
| CN103018338A (zh) * | 2012-12-05 | 2013-04-03 | 河海大学 | 一种基于声发射和神经网络的混凝土无损检测方法 |
| CN110457758A (zh) * | 2019-07-16 | 2019-11-15 | 江西理工大学 | 岩体失稳阶段的预测方法、装置、***以及存储介质 |
| CN110687210A (zh) * | 2019-10-21 | 2020-01-14 | 西安建筑科技大学 | 一种基于声发射速率过程理论的再生混凝土受压破坏损伤评估方法 |
| WO2020156348A1 (zh) * | 2019-01-31 | 2020-08-06 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
-
2020
- 2020-12-25 CN CN202011556936.4A patent/CN112613105B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101975825A (zh) * | 2010-09-10 | 2011-02-16 | 江苏大学 | 一种提取拉深件裂纹声发射信号特征参数的方法 |
| CN103018338A (zh) * | 2012-12-05 | 2013-04-03 | 河海大学 | 一种基于声发射和神经网络的混凝土无损检测方法 |
| WO2020156348A1 (zh) * | 2019-01-31 | 2020-08-06 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
| CN110457758A (zh) * | 2019-07-16 | 2019-11-15 | 江西理工大学 | 岩体失稳阶段的预测方法、装置、***以及存储介质 |
| CN110687210A (zh) * | 2019-10-21 | 2020-01-14 | 西安建筑科技大学 | 一种基于声发射速率过程理论的再生混凝土受压破坏损伤评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 顾爱军: "钢筋混凝土构件损伤状态的声发射识别", 淮阴工学院学报, no. 001, 15 February 2015 (2015-02-15), pages 41 - 45 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113450315A (zh) * | 2021-06-08 | 2021-09-28 | 北京伟景智能科技有限公司 | 棒材计数方法、装置及分钢*** |
| CN115343209A (zh) * | 2022-08-12 | 2022-11-15 | 三峡大学 | 基于ga-bp神经网络的钢筋混凝土结构腐蚀程度反演方法 |
| CN115343209B (zh) * | 2022-08-12 | 2024-06-14 | 三峡大学 | 基于ga-bp神经网络的钢筋混凝土结构腐蚀程度反演方法 |
| CN116106430A (zh) * | 2023-04-12 | 2023-05-12 | 中南大学 | 基于声发射技术的熔铸用耐火材料开裂诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112613105B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112613105B (zh) | 一种基于声发射参数与遗传算法优化bp神经网络的钢筋混凝土梁损伤状态识别方法 | |
| CN111105332B (zh) | 一种基于人工神经网络的高速公路智能预养护方法及*** | |
| CN112069567B (zh) | 基于随机森林和智能算法预测混凝土抗压强度的方法 | |
| CN110414140B (zh) | 木材损伤的模型训练和测试方法、装置、设备和存储介质 | |
| Allahyari et al. | A new approach to determine strength of Perfobond rib shear connector in steel-concrete composite structures by employing neural network | |
| CN114969953B (zh) | 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备 | |
| CN111813084A (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
| CN109325263A (zh) | 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 | |
| CN111832703B (zh) | 一种流程制造工业不规则采样动态序列建模方法 | |
| CN113219871B (zh) | 一种养护室环境参数检测*** | |
| CN114444660A (zh) | 基于注意力机制和lstm的短期电力负荷预测方法 | |
| CN116359003A (zh) | 一种神经网络和超声检测的玻璃混凝土抗压强度检测方法 | |
| Al-Musawi | Determination of shear strength of steel fiber RC beams: application of data-intelligence models | |
| CN115859074B (zh) | 一种基于超声导波和深度学习的复合材料加筋板损伤识别方法 | |
| CN114004162A (zh) | 一种多工况场景下的冶炼负荷谐波发射水平的建模方法 | |
| CN116306062A (zh) | 建设工程智能监测方法、***、装置和存储介质 | |
| CN112986393B (zh) | 一种桥梁拉索损伤的检测方法和*** | |
| CN115877483A (zh) | 一种基于随机森林和gru的台风路径预报方法 | |
| Wang et al. | Shear strength prediction of FRP-strengthened concrete beams using interpretable machine learning | |
| CN117763675A (zh) | 基于bp神经网络的钢筋锈蚀渡槽状态评价方法和*** | |
| CN113779879A (zh) | 一种基于LSTM-seq2seq-attention模型的中长期用电异常检测方法 | |
| CN117350146A (zh) | 一种基于ga-bp神经网络的排水管网健康性评价方法 | |
| Senin et al. | The optimal artificial neural network for small datasets on shear resistance prediction of steel fibre reinforced concrete beam | |
| CN116805220A (zh) | 一种基于熵理论的标准效能分析模型与评估方法 | |
| Yao et al. | Structural damage identification of high-order shear beams based on a genetic algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |