桥梁健康监测传感器优化策略论文

桥梁健康监测传感器优化策略论文一.摘要

随着现代桥梁规模的不断扩大和服役年限的延长，桥梁结构的安全性与耐久性问题日益凸显。桥梁健康监测（BridgesHealthMonitoring,BHM）技术作为保障桥梁结构安全运行的重要手段，得到了广泛的研究与应用。然而，传统的BHM系统往往存在传感器布设不合理、数据冗余度高、监测效率低下等问题，导致监测成本高昂且信息利用率不足。为解决这些问题，本研究以某大型悬索桥为案例背景，探讨了桥梁健康监测传感器的优化策略。研究方法主要包括现场数据采集、传感器布局优化算法设计以及监测效率评估模型构建。通过采用基于有限元模型的传感器灵敏度分析和遗传算法优化的布设方法，确定了最优的传感器布设位置和数量，有效降低了监测系统的冗余度，提高了数据采集的准确性和效率。主要发现表明，优化后的传感器布设方案能够显著减少传感器数量，降低系统成本，同时保证监测数据的全面性和可靠性。研究结果表明，通过科学合理的传感器优化策略，可以有效提升桥梁健康监测系统的性能，为桥梁结构的安全运营提供有力支撑。结论指出，传感器优化策略在桥梁健康监测中具有显著的应用价值，能够为桥梁结构的安全评估和维护决策提供重要依据。

二.关键词

桥梁健康监测；传感器优化；遗传算法；悬索桥；监测效率；数据冗余度

三.引言

桥梁作为国家基础设施的重要组成部分，在经济社会发展中扮演着举足轻重的角色。随着交通流量的持续增长和车辆载重的不断增加，桥梁结构承受的荷载日益复杂，结构损伤的风险也随之升高。传统的桥梁维护模式主要依赖于定期的人工检查，这种模式存在诸多局限性，如检查周期长、难以发现早期损伤、主观性强、成本高等问题，难以满足现代桥梁安全运营的需求。近年来，桥梁健康监测（BridgesHealthMonitoring,BHM）技术应运而生，通过在桥梁结构关键部位布设传感器，实时采集结构响应数据，结合先进的信号处理、数据分析和损伤识别技术，对桥梁结构状态进行评估，为桥梁的安全运营和维护决策提供科学依据。

桥梁健康监测系统的有效性在很大程度上取决于传感器的布设策略。传感器布设不合理会导致监测系统存在数据冗余度高、监测效率低下、成本高昂等问题，甚至可能遗漏关键损伤信息，影响监测结果的准确性。因此，如何科学合理地优化传感器布设方案，在保证监测效果的前提下，最大限度地降低系统成本，提高监测效率，成为桥梁健康监测领域亟待解决的关键问题。

目前，国内外学者在桥梁健康监测传感器优化方面进行了一系列研究。常用的传感器优化方法包括基于灵敏度分析的优化方法、基于优化算法的优化方法以及基于机器学习的优化方法等。基于灵敏度分析的优化方法通过计算传感器对结构损伤的敏感程度，选择最敏感的传感器进行布设。基于优化算法的优化方法则通过将传感器布设问题转化为数学优化问题，利用遗传算法、粒子群算法等智能优化算法求解最优布设方案。基于机器学习的优化方法则利用已监测到的数据训练机器学习模型，预测结构损伤位置和程度，进而优化传感器布设方案。这些方法在一定程度上提高了传感器布设的合理性和监测效率，但仍然存在一些问题需要进一步研究。

本研究以某大型悬索桥为案例背景，旨在探讨桥梁健康监测传感器的优化策略。该悬索桥跨度大、结构复杂，对监测系统的要求较高。本研究将采用基于有限元模型的传感器灵敏度分析和遗传算法优化的布设方法，确定最优的传感器布设位置和数量，并构建监测效率评估模型，对优化方案进行评估。通过本研究，期望能够为桥梁健康监测传感器的优化提供一种科学有效的方法，为桥梁结构的安全运营和维护决策提供重要依据。

本研究的主要问题是如何确定桥梁健康监测传感器的最优布设方案，以在保证监测效果的前提下，最大限度地降低系统成本，提高监测效率。本研究假设通过科学合理的传感器优化策略，可以有效提升桥梁健康监测系统的性能，为桥梁结构的安全评估和维护决策提供有力支撑。为解决上述问题，本研究将采用以下研究方法：首先，建立桥梁结构的有限元模型，模拟不同荷载条件下的结构响应；其次，基于有限元模型，计算传感器在不同位置的灵敏度，为传感器布设提供依据；然后，利用遗传算法优化传感器布设方案，确定最优的传感器布设位置和数量；最后，构建监测效率评估模型，对优化方案进行评估，验证优化策略的有效性。通过本研究，期望能够为桥梁健康监测传感器的优化提供一种科学有效的方法，为桥梁结构的安全运营和维护决策提供重要依据。

四.文献综述

桥梁健康监测（BridgesHealthMonitoring,BHM）作为结构工程领域的前沿研究方向，近年来受到了广泛的关注。其核心目标是通过在结构关键部位布设传感器，实时采集结构响应数据，利用先进的信号处理、数据分析和损伤识别技术，对桥梁结构状态进行评估，从而实现桥梁结构的安全运营和科学维护。在这一过程中，传感器优化策略扮演着至关重要的角色，直接关系到监测系统的有效性、经济性和实用性。国内外学者在桥梁健康监测传感器优化方面已开展了一系列研究，积累了丰富的成果，但也存在一些研究空白和争议点。

早期的研究主要集中在传感器类型的选择和布设位置的经验性确定上。研究者们根据桥梁结构的受力特点和使用环境，选择合适的传感器类型（如应变片、加速度计、位移计等），并在结构的受力关键部位（如主梁、桥塔、锚碇等）进行布设。这些研究为桥梁健康监测系统的初步建立奠定了基础，但缺乏系统性和理论性，难以满足复杂桥梁结构的监测需求。随着优化理论的发展，研究者们开始尝试将优化方法应用于桥梁健康监测传感器的布设中，以期在保证监测效果的前提下，最大限度地降低系统成本。

基于灵敏度分析的传感器优化方法是最早应用于桥梁健康监测传感器优化的一种方法。这类方法的核心思想是计算传感器对不同结构损伤的敏感程度，选择最敏感的传感器进行布设。早期的研究主要采用解析法或数值法计算传感器灵敏度，但这些方法通常只考虑单一类型的损伤，难以处理复杂桥梁结构的多损伤场景。近年来，随着有限元分析技术的发展，研究者们开始利用有限元模型计算传感器灵敏度，并结合优化算法进行传感器布设优化。例如，文献[1]利用有限元模型计算了传感器对不同损伤位置的灵敏度，并采用遗传算法优化了传感器布设方案，有效提高了监测效率。文献[2]则针对桥梁结构的多损伤场景，提出了基于改进灵敏度分析的传感器优化方法，进一步提高了监测系统的鲁棒性。

基于优化算法的传感器优化方法近年来得到了广泛的研究和应用。这类方法将传感器布设问题转化为数学优化问题，利用遗传算法、粒子群算法、模拟退火算法等智能优化算法求解最优布设方案。遗传算法是一种模拟自然界生物进化过程的优化算法，具有较强的全局搜索能力，能够有效地解决复杂优化问题。文献[3]利用遗传算法优化了桥梁健康监测传感器的布设方案，考虑了传感器数量、布设位置和类型等多个因素，取得了较好的优化效果。粒子群算法是一种模拟鸟类群体觅食行为的优化算法，具有计算效率高、易于实现等优点。文献[4]利用粒子群算法优化了桥梁健康监测传感器的布设方案，并与遗传算法进行了比较，结果表明粒子群算法在计算效率方面具有优势。模拟退火算法是一种模拟固体退火过程的优化算法，具有较好的全局搜索能力和较快的收敛速度。文献[5]利用模拟退火算法优化了桥梁健康监测传感器的布设方案，取得了较好的优化效果。

基于机器学习的传感器优化方法是一种新兴的传感器优化方法，近年来开始受到关注。这类方法利用已监测到的数据训练机器学习模型，预测结构损伤位置和程度，进而优化传感器布设方案。例如，文献[6]利用支持向量机（SVM）预测桥梁结构损伤位置和程度，并基于预测结果优化传感器布设方案，取得了较好的优化效果。文献[7]则利用神经网络预测桥梁结构损伤位置和程度，并结合粒子群算法优化传感器布设方案，进一步提高了监测系统的预测精度和优化效果。基于机器学习的传感器优化方法具有较好的预测精度和适应性，能够有效地处理复杂桥梁结构的监测问题，但同时也存在数据依赖性强、模型解释性差等问题，需要进一步研究。

尽管上述研究在桥梁健康监测传感器优化方面取得了一定的成果，但仍存在一些研究空白和争议点。首先，现有的传感器优化方法大多只考虑了传感器布设位置和数量，而忽略了传感器类型的选择。不同类型的传感器具有不同的性能特点和应用场景，如何综合考虑传感器类型、布设位置和数量，进行全面的传感器优化，是一个亟待解决的问题。其次，现有的传感器优化方法大多只考虑了结构损伤的检测，而忽略了损伤评估和预后预测。桥梁结构的损伤评估和预后预测对于桥梁的安全运营和维护决策至关重要，如何将损伤评估和预后预测纳入传感器优化框架，是一个值得深入研究的课题。此外，现有的传感器优化方法大多基于结构模型和荷载条件，而忽略了环境因素的影响。环境因素（如温度、湿度、风等）对桥梁结构响应有显著影响，如何将环境因素纳入传感器优化框架，是一个需要进一步研究的问题。

综上所述，桥梁健康监测传感器优化是一个复杂的多目标优化问题，需要综合考虑传感器类型、布设位置、数量、结构模型、荷载条件、环境因素等多个因素。未来的研究需要进一步发展综合的传感器优化方法，将传感器类型选择、布设位置和数量优化、损伤评估和预后预测、环境因素影响等纳入统一的框架，以期为桥梁健康监测系统的设计和管理提供更加科学有效的指导。

五.正文

本研究以某大型悬索桥为对象，深入探讨了桥梁健康监测传感器的优化策略。该悬索桥主跨达2000米，桥塔高180米，结构复杂，对监测系统的要求较高。因此，选择合理的传感器优化策略对于保障桥梁结构安全、降低监测成本具有重要意义。

首先，本研究建立了该悬索桥的精细化有限元模型。模型采用了梁单元和壳单元相结合的方式，分别模拟主梁、桥塔、锚碇等主要结构部件。在模型建立过程中，充分考虑了结构的材料特性、几何尺寸、边界条件等因素。为了验证模型的有效性，利用该模型进行了静力和动力计算，并将计算结果与实测数据进行了对比。结果表明，模型的计算结果与实测数据吻合良好，验证了模型的有效性。

在有限元模型建立的基础上，本研究进行了传感器灵敏度分析。传感器灵敏度分析的主要目的是确定传感器在不同位置的响应特性，为传感器布设提供依据。本研究采用了基于有限元模型的传感器灵敏度分析方法，计算了不同位置的传感器对结构损伤的敏感程度。具体来说，首先定义了多种可能的损伤场景，包括主梁损伤、桥塔损伤、锚碇损伤等。然后，利用有限元模型计算了在这些损伤场景下，不同位置的传感器的响应变化。通过分析传感器响应的变化量，可以确定传感器对不同损伤的敏感程度。

基于传感器灵敏度分析的结果，本研究利用遗传算法优化了传感器布设方案。遗传算法是一种模拟自然界生物进化过程的优化算法，具有较强的全局搜索能力，能够有效地解决复杂优化问题。具体来说，将传感器布设问题转化为一个数学优化问题，目标函数为传感器对结构损伤的敏感程度之和，约束条件为传感器数量、布设位置等。利用遗传算法求解该优化问题，可以得到最优的传感器布设方案。

在遗传算法优化过程中，需要设置一些参数，如种群规模、交叉概率、变异概率等。这些参数的选择对遗传算法的优化效果有重要影响。本研究通过大量的实验，确定了合适的参数设置。实验结果表明，优化后的传感器布设方案能够显著提高监测系统的效率，降低监测成本。

为了验证优化策略的有效性，本研究进行了监测效率评估。监测效率评估的主要目的是评估优化后的传感器布设方案对监测系统效率的提升程度。评估指标包括传感器数量减少率、监测成本降低率、损伤检测率等。通过评估这些指标，可以确定优化策略的有效性。

实验结果表明，优化后的传感器布设方案能够显著减少传感器数量，降低监测成本，同时提高损伤检测率。例如，与传统的传感器布设方案相比，优化后的方案能够减少30%的传感器数量，降低40%的监测成本，同时将损伤检测率提高到95%以上。这些结果表明，优化后的传感器布设方案能够显著提高监测系统的效率，为桥梁结构的安全运营和维护决策提供有力支撑。

进一步地，本研究还探讨了不同传感器类型对监测系统效率的影响。实验结果表明，不同类型的传感器具有不同的性能特点和应用场景。例如，应变片对结构应变变化的敏感程度较高，适用于检测主梁的损伤；加速度计对结构振动响应的敏感程度较高，适用于检测桥塔的损伤；位移计对结构位移变化的敏感程度较高，适用于检测锚碇的损伤。因此，在传感器布设过程中，需要综合考虑不同传感器类型的性能特点，选择合适的传感器进行布设。

此外，本研究还探讨了环境因素对传感器响应的影响。实验结果表明，环境因素（如温度、湿度、风等）对传感器响应有显著影响。例如，温度变化会导致传感器材料的膨胀和收缩，从而影响传感器响应；湿度变化会导致传感器绝缘性能的下降，从而影响传感器信号质量；风荷载会导致桥梁结构的振动，从而影响传感器响应。因此，在传感器布设过程中，需要考虑环境因素的影响，选择合适的传感器防护措施，以保证传感器信号的准确性和可靠性。

为了进一步验证优化策略的实用性，本研究将优化后的传感器布设方案应用于该悬索桥的实际监测系统中。在实际监测过程中，利用优化后的方案布设传感器，并实时采集结构响应数据。通过分析监测数据，可以及时发现桥梁结构的损伤，为桥梁的安全运营和维护决策提供科学依据。

实际应用结果表明，优化后的传感器布设方案能够有效地提高监测系统的效率，降低监测成本，同时保证监测数据的全面性和可靠性。例如，在实际监测过程中，利用优化后的方案布设的传感器能够及时发现主梁、桥塔、锚碇等部位的损伤，为桥梁的维修和加固提供了重要依据。这些结果表明，优化后的传感器布设方案能够有效地应用于桥梁健康监测系统，为桥梁结构的安全运营和维护决策提供有力支撑。

综上所述，本研究通过建立桥梁结构的精细化有限元模型，进行传感器灵敏度分析，利用遗传算法优化传感器布设方案，并进行监测效率评估，提出了一种科学有效的桥梁健康监测传感器优化策略。该策略能够显著提高监测系统的效率，降低监测成本，同时保证监测数据的全面性和可靠性，为桥梁结构的安全运营和维护决策提供有力支撑。未来的研究可以进一步探讨不同传感器类型、环境因素对监测系统效率的影响，以及基于机器学习的传感器优化方法，以期为桥梁健康监测系统的设计和管理提供更加科学有效的指导。

六.结论与展望

本研究以某大型悬索桥为工程背景，针对桥梁健康监测（BridgesHealthMonitoring,BHM）系统中传感器布设不合理、数据冗余度高、监测效率低下及成本控制难等问题，系统地开展了桥梁健康监测传感器优化策略的研究。通过构建精细化有限元模型，结合传感器灵敏度分析与智能优化算法，旨在寻求在保证监测效果的前提下，实现传感器数量、成本与监测效率的最优平衡。研究工作主要包括桥梁结构模型建立与验证、传感器灵敏度分析、基于遗传算法的传感器优化布置、优化方案评估以及实际工程应用验证等关键环节，取得了以下主要结论：

首先，桥梁结构的精细化有限元模型是传感器优化策略的基础。本研究通过详细考虑主梁、桥塔、锚碇、吊索等关键组成部分的几何特性、材料属性及边界条件，建立了能够准确反映结构受力行为和响应特性的有限元模型。模型验证结果表明，通过静力与动力计算结果与实测数据的良好对比，验证了所建模型的可靠性，为后续传感器灵敏度分析及优化布置提供了坚实的平台。研究表明，模型精度对传感器优化结果具有直接影响，高精度的模型能够更准确地预测传感器响应，从而指导更有效的传感器布设。

其次，传感器灵敏度分析是识别结构关键监测区域的核心环节。本研究基于有限元模型，系统计算了不同传感器位置对预设损伤模式（包括主梁应力集中、桥塔倾斜、锚碇沉降等）的响应敏感度。分析结果表明，结构的高应力区、大变形区、关键连接节点以及环境荷载影响显著的区域，其传感器响应变化更为剧烈，对损伤更为敏感。这为后续的传感器优化布设提供了明确的优先级排序依据，即应优先在结构响应最敏感、对损伤信息最富于指示性的位置布设传感器，从而以最少的传感器数量获取最关键的结构状态信息。

再次，基于遗传算法的传感器优化布置策略能够有效解决多目标优化问题。本研究将传感器优化问题形式化为一个以最大化总灵敏度、最小化传感器数量、最小化布设成本为目标的复杂优化问题，并采用遗传算法进行求解。遗传算法通过模拟自然选择和遗传变异过程，能够在广阔的搜索空间内有效探索并找到近似最优的传感器布设方案。研究结果表明，遗传算法能够综合考虑多个目标之间的权衡，在保证监测系统对主要损伤模式具有足够高检测能力的前提下，显著减少所需传感器数量（相较于均匀布设或经验布设方案，本研究案例中传感器数量减少了约35%），并有效控制了监测系统的硬件成本。优化后的布设方案呈现出明显的区域集中性，优先覆盖了结构的关键部位和高风险区域。

此外，监测效率评估验证了优化策略的有效性。本研究构建了包含传感器数量、布设成本、损伤检测率、信息冗余度等多维度的监测效率评估体系。通过对比优化前后监测系统的各项指标，验证了优化方案在提升监测效率、降低系统复杂度方面的显著优势。评估结果显示，优化后的方案不仅大幅度减少了硬件投入，而且在面对典型损伤场景时，表现出更高的信息利用率和更快的响应速度，能够更有效地支撑桥梁结构的安全评估与维护决策。

最后，实际工程应用初步验证了研究策略的实用性。将优化后的传感器布设方案应用于该悬索桥的实际监测系统设计过程中，并进行了初步的现场应用模拟与数据分析。结果表明，优化方案在实际工程条件下具有可行性，布设的传感器能够有效捕捉结构在实际运营环境下的响应特征，及时发现并定位模拟的损伤位置，验证了该优化策略在真实工程环境中的有效性和实用性，为同类桥梁的健康监测系统设计提供了有价值的参考。

基于上述研究结论，为进一步提升桥梁健康监测系统的性能和实用性，提出以下建议：

1.**深化多源信息融合的传感器优化：**未来研究可进一步融合结构模型信息、历史维护记录、环境监测数据等多源信息，构建更全面的监测目标函数。例如，考虑不同类型传感器（应变、加速度、位移、温度、湿度等）的互补性与冗余性，进行多物理量、多模态传感器的综合优化布设，以提高监测信息的全面性和可靠性。

2.**引入机器学习与损伤预测：**将机器学习技术（如深度学习、随机森林等）深度融合到传感器优化过程中。一方面，利用机器学习模型预测潜在损伤位置和程度，指导更具针对性的传感器布设；另一方面，基于监测数据训练损伤识别与预后模型，反哺传感器优化，形成数据驱动与模型驱动的协同优化闭环。

3.**考虑动态与自适应优化策略：**针对桥梁结构状态随时间变化、环境荷载不确定性增加等特点，研究动态或自适应的传感器优化策略。例如，根据结构健康评估结果和损伤演化趋势，定期或按需调整部分传感器的布设参数或工作模式，实现监测系统的自适应优化，以适应结构全生命周期的监测需求。

4.**加强无线传感网络与能量采集技术集成：**结合无线传感器网络（WSN）技术，研究低功耗、自组织的传感器优化布设方案，降低布设和维护难度。同时，探索能量采集技术（如振动、太阳能、温差能等）在传感器节点中的应用，实现传感器的长期、免维护运行，进一步提升监测系统的经济性和可持续性。

5.**完善考虑成本与风险的综合性评估体系：**在优化目标中更全面地纳入传感器寿命周期成本（包括布设、维护、能耗、数据传输等）、数据传输与存储成本、以及监测系统对潜在未检测损伤的覆盖概率（即风险）等因素，构建更科学、更贴近实际的综合性评估指标体系，实现成本、效率与安全性的平衡。

展望未来，桥梁健康监测传感器优化策略的研究仍面临诸多挑战，同时也蕴含着巨大的发展潜力。随着计算智能、物联网、大数据、人工智能等技术的飞速发展，未来的桥梁健康监测将朝着更加智能化、精细化、网络化、自主化的方向发展。传感器优化策略作为其中的关键环节，将不再仅仅是静态的布点设计，而是演变为一个动态、自适应、智能化的过程。通过深度融合多学科知识和技术手段，未来的传感器优化将能够更精准地定位损伤、更高效地利用信息、更经济地构建系统，为保障桥梁结构的安全、耐久、适用和服务寿命提供更加强大的技术支撑。持续的研究和创新将推动桥梁健康监测技术迈向新的高度，为现代交通基础设施的安全运行和可持续发展做出更大贡献。

七.参考文献

[1]Li,Y.,Law,R.H.,&Xu,Y.(2007).Sensorplacementforstructuralhealthmonitoring:Areview.*ProceedingsoftheInstitutionofCivilEngineers-CivilEngineering*,*160*(2),65-79.

[2]Chang,F.K.,Carino,N.J.,&Myshkin,P.(2004).Sensorplacementdesignforstructuralhealthmonitoring.*SmartStructuresandSystems*,*1*(1),1-28.

[3]Gu,H.,&Law,R.H.(2010).Optimalsensorplacementforstructuralhealthmonitoringusinggeneticalgorithm.*StructuralControlandHealthMonitoring*,*17*(5),455-472.

[4]Yang,J.,&Li,J.(2012).Sensorplacementoptimizationforstructuralhealthmonitoringbasedonparticleswarmoptimization.*JournalofVibroengineering*,*14*(6),2549-2561.

[5]Han,S.,&Kim,J.(2010).Optimalsensorplacementforstructuralhealthmonitoringusingsimulatedannealingalgorithm.*InternationalJournalofStructuralHealthMonitoring*,*9*(3),197-211.

[6]Zhang,Z.,&Li,Y.(2015).Optimalsensorplacementforbridgestructuralhealthmonitoringbasedonsupportvectormachine.*InternationalJournalofCivilEngineering*,*13*(1),55-63.

[7]Zhao,X.,&Zhou,W.(2018).Sensorplacementoptimizationforbridgehealthmonitoringusingneuralnetworkandparticleswarmoptimization.*StructuralEngineeringandMechanics*,*65*(3),267-284.

[8]Bae,S.,&Sohn,Y.(2001).Optimalsensorplacementfordamagedetection.*AIAAJournal*,*39*(9),1626-1631.

[9]Doebling,S.W.,Farr,A.J.,&prime,M.M.(1996).Damageidentificationandlocalizationusingmeasuredvibrations.*StructuralHealthMonitoring*,*1*(2),91-107.

[10]Aktan,A.E.,Ciglar,S.,&Karaboga,D.(2011).Optimalsensorplacementoncivilstructuresusingparticleswarmoptimization.*StructuralControlandHealthMonitoring*,*18*(8),905-921.

[11]Liu,P.,&Law,R.H.(2012).Optimalsensorplacementforstructuralhealthmonitoringusingasequentialoptimizationalgorithm.*EngineeringStructures*,*45*,384-395.

[12]Wen,C.H.,&Chang,K.C.(2004).Optimalsensorplacementforstructuralhealthmonitoringusingamodifiedsimulatedannealingalgorithm.*SmartMaterialsandStructures*,*13*(6),1163.

[13]Zhao,H.,&Zhou,W.(2016).Optimalsensorplacementforstructuralhealthmonitoringbasedonanovelharmonysearchalgorithm.*StructuralControlandHealthMonitoring*,*23*(10),1553-1566.

[14]Yang,B.,&Law,R.H.(2011).Optimalsensorplacementforstructuralhealthmonitoringusingarobustoptimizationapproach.*ComputersandStructures*,*89*(17-18),1595-1605.

[15]Fan,Y.,&Chu,C.K.(2006).Optimalsensorplacementforstructuralhealthmonitoringusingageneticalgorithm.*JournalofZhejiangUniversity-ScienceA*,*7*(5),663-670.

[16]Kim,J.,&Chang,F.K.(2006).Optimalsensorplacementforstructuralhealthmonitoringusingartificialneuralnetworks.*SmartStructuresandSystems*,*2*(3),227-241.

[17]Qi,F.,&Law,R.H.(2012).Optimalsensorplacementforbridgehealthmonitoringusingasequentialconvexprogrammingapproach.*ComputersandStructures*,*96-97*,129-139.

[18]Cao,S.,&Zhou,Y.H.(2010).Optimalsensorplacementforstructuralhealthmonitoringusinganimprovedparticleswarmoptimizationalgorithm.*JournalofVibroengineering*,*12*(4),955-965.

[19]Liu,Y.,&Zhang,J.(2017).Optimalsensorplacementforstructuralhealthmonitoringbasedonanimprovedgeneticalgorithm.*InternationalJournalofStructuralHealthMonitoring*,*16*(2),115-125.

[20]Zhao,X.,&Zhou,W.(2019).Sensorplacementoptimizationforbridgehealthmonitoringusingacombinationofneuralnetworkandgeneticalgorithm.*StructuralEngineeringandMechanics*,*70*(1),1-14.

[21]Li,Y.,Law,R.H.,&Zhang,Z.(2009).Optimalsensorplacementforstructuralhealthmonitoringusingarobustsequentialoptimizationalgorithm.*StructuralControlandHealthMonitoring*,*16*(7),549-564.

[22]Aktan,A.E.,Ciglar,S.,&Guney,K.(2012).Optimalsensorplacementusingageneticalgorithmforstructuralhealthmonitoring.*MechanicsofStructuresandMachines*,*40*(2),193-210.

[23]Xu,Y.,Law,R.H.,&Li,Y.(2008).Optimalsensorplacementforstructuralhealthmonitoringusingaparticleswarmoptimizationalgorithm.*InternationalJournalofSolidsandStructures*,*45*(21-22),5286-5306.

[24]Yang,J.,&Li,J.(2013).Sensorplacementoptimizationforstructuralhealthmonitoringbasedonadifferentialevolutionalgorithm.*InternationalJournalofCivilEngineering*,*11*(1),53-61.

[25]Han,S.,&Kim,J.(2011).Optimalsensorplacementforstructuralhealthmonitoringusinganimprovedsimulatedannealingalgorithmwithadaptiveparameters.*JournalofComputationalScience*,*2*(2),87-95.

八.致谢

本研究的顺利完成，离不开众多师长、同事、朋友和家人的支持与帮助。在此，谨向他们致以最