CN115270239B 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 （浙江工业大学）

US2019228117A1,2019.07.25基于动力特性和智能算法响应面法的桥梁本发明公开了一种基于动力特性和响应面有桥梁的振动特征信息进行采集和数据的预处面模型的预测结果建立用于结构可靠度指标求2S1对既有桥梁的动力特性数据进行采集和数据直接测量法：将拾振器直接布置在桥梁控制截面，通过数字信号采集信号处理方法：对拾振器采集到的时域信号通过傅里叶S2结合桥梁设计资料及运营状况建立初始结构分S5随机变量标准正态化，采用罚函数将约束优S6通过所构建响应面模型的预测结果建立用于结构2.如权利要求1所述的基于动力特性和智能算法响应面法的桥梁可靠性预测方法，其3.如权利要求2所述的基于动力特性和智能算法响应面法的桥梁可靠性预测方法，其3i4.如权利要求1所述的基于动力特性和智能算法响应面法的桥梁可靠性预测方法，其通过确定均值m(x)及协方差矩阵K(x,x')即可确定相应的高斯过程响高斯过程响应面模型建立完成后，将步骤S1获取的动力5.如权利要求4所述的基于动力特性和智能算法响应面法的桥梁可靠性预测方法，其将归一化后的训练样本代入MATLAB软件中的DBN工具箱，计算得到响应面模型的构建是利用MATLAB软件中自带的DB46.如权利要求5所述的基于动力特性和智能算法响应面法的桥梁可靠性预测方法，其量标准正态化中假设各随机变量均服从标准正态分布，这一过程即为随机变量标准正态7.如权利要求6所述的基于动力特性和智能算法响应面法的桥梁可靠性预测方法，其采用罚函数法将随机变量约束优化问题转化为无约束优化问题，通过引入惩罚函数8.如权利要求7所述的基于动力特性和智能算法响应面法的桥梁可靠性预测方法，其5二次二阶矩法(SORM)及直接积分法等算法。然而直接蒙特卡罗模拟方法(MCS)适用于求解准确度不高，精度难以满足要求问题。利用有限元模型修正方法，结合动态贝叶斯网络题和概率推理问题上的优势，又利用了PSOSA算法能更好地更新粒子群坐标从而更快搜索[0004]鉴于目前既有桥梁结构的可靠性分析过程中存在的分析模型与实际桥梁结构性67[0028]更进一步，步骤S3采用拉丁超立方抽样(LHS)法从设计参数的分布区间中进行高的BN工具箱建立基础的DBN模型，通过输入样本点对基础模型进行无监督训练及模型参数8[0043]响应面模型的构建是利用MATLAB软件中自带的DBN工具箱，将训练样本数据输入(X0)→是一个包含了两个相邻时间片的转移网络，表示了两个相邻时间片各节点间的状[0056]进一步，步骤S6通过DBN模型的预测结果建立用于结构可靠度指标求解的数学模9面预测结果进行结构可靠度计算。当响应面模型预测结果不收敛于真实极限状态函数时，[0060](1)提出一种基于桥梁动力特性和响应面法的桥梁可靠性预测方法，该方法基于[0061](2)提出将动态贝叶斯网络(DBN)与基于模拟退火算法思想的粒子群优化算法定性问题和概率推理问题上的优势，又利用了PSOSA算法能更好地更新粒子群坐标从而更[0062](3)所提方法克服了经典响应面方法在高度非线性结构可靠度问题上的局限性，解决了MCS法计算效率低、现有的响应面法计算精度过度依赖预设样本的规模与分布等问[0063](4)与传统桥梁可靠性分析方法相比较，DBN_PSOSA混合响应面法具有计算精度[0086]本实施例中，采用拉丁超立方抽样(LHS)法从设计参数的分布区间中进行高效采[0094]通过确定均值m(x)及协方差矩阵K(x,x')即可确定相应的高斯过程响应面模型。[0099]响应面模型的构建是利用MATLAB软件中自带的DBN工具箱，将训练样本数据输入X为t个时间片上第i个节点；的父节点r(x)可以与在同一时间片内，迭代后其均方根误差达到最小值为0.1107此时各随机变量的最优权重如图4所示。图4最优权重参数w1_w17的优化过程如图[0111]S6通过DBN模型的预测结果建立用于结构可靠度指标求解的数学模型，在这一过变量采用均匀设计产生的50组训练样本所构建的DBN预测变量试验设计的50组训练样本，其响应面模型的预测结果与结构实际状态函数结果相一发明的构思和在