基于深度學習的橋梁健康監(jiān)測傳感器優(yōu)化布置方法研究.pdf

1、橋梁健康監(jiān)測必須通過多種傳感器來獲取所需要的結構信息，因此傳感器的布置是關鍵問題之一，但同時也要考慮到經濟性而不能大量布設。近年來針對傳感器優(yōu)化布置的研究雖然取得了一些進展，但仍然存在尋優(yōu)算法復雜和尋優(yōu)效果不理想等問題。本文借助《瀘定大渡河特大橋健康監(jiān)測系統(tǒng)設計與實施》項目基礎，結合群智能算法，提出一種基于深度前饋網絡的橋梁加速度傳感器優(yōu)化布置方法。主要工作內容如下:
　　(1)首先針對傳感器優(yōu)化布置和深度學習方法與應用進行了兩方

2、面的文獻研究。歸納了目前傳感器優(yōu)化布置方法和優(yōu)缺點，同時研究了深度學習相關理論和應用，提出了利用深度學習實現(xiàn)加速度傳感器優(yōu)化布置的思路和方法。
　　(2)提出利用深度前饋網絡建立傳感器布置方案與評價準則（MAC矩陣）之間的直接關系，通過群智能優(yōu)化算法對新建立的網絡關系搜索，獲得最優(yōu)值和對應優(yōu)化布置方案。介紹了基于深度學習的加速度傳感器優(yōu)化布置方法的整體思路和基本原理，然后結合橋梁的傳感器布置問題，從數(shù)據(jù)的結構化預處理方式、深度學習

3、的模型建立及訓練方法、布置方案尋優(yōu)方法三個方面展開介紹了具體實現(xiàn)過程。
　　(3)以瀘定大渡河特大橋作為工程實例，利用ANSYS軟件建立它的有限元模型，獲得振型數(shù)據(jù)，對主梁的54個有限元節(jié)點布置固定數(shù)量的15個加速度傳感器。通過實驗確定了適合該網絡的最佳參數(shù)范圍和網絡結構模型，并且對網絡的優(yōu)化進行了實驗和分析。結果表明，通過深度前饋網絡建立的布置方案與MAC矩陣非對角元素最大值之間的關系網絡在1000種布置方案測試下預測的MAC值

4、的平均誤差為0.0055142，其中98.5％的布置方案的預測誤差在0.05以內，88.7％的布置方案的預測誤差在0.01以內，達到了較好的訓練結果，同時也證明了該方法可行。
　　(4)在前面訓練好的網絡下，提出通過群智能優(yōu)化算法來搜尋該網絡的最優(yōu)MAC值及其對應的布置方案。通過遺傳算法尋優(yōu)，得到的最優(yōu)MAC值為0.10815，同時也得到對應優(yōu)化布置方案。利用該優(yōu)化布置方案計算得到實際的MAC值為0.11187，實際誤差大小為0.