基于地震观测记录的多自由度结构参数识别：方法、对比与应用

基于地震观测记录的多自由度结构参数识别：方法、对比与应用一、引言1.1研究背景与意义地震作为一种极具破坏力的自然灾害，常常给人类社会带来巨大的生命和财产损失。在过去的几十年里，全球范围内发生了多起强烈地震，如1976年的唐山大地震、2008年的汶川大地震以及2011年的东日本大地震等，这些地震不仅造成了大量建筑物的倒塌和损坏，还导致了无数人员的伤亡。据统计，仅在20世纪，全球因地震死亡的人数就超过了160万。在地震作用下，结构的响应与结构的参数密切相关。准确识别结构参数，对于评估结构的抗震性能、预测结构在地震中的响应以及制定合理的抗震设计和加固策略具有至关重要的意义。结构参数识别是结构抗震安全性能鉴定和健康诊断的基础，通过识别结构的模态参数，如自振频率、阻尼比和振型等，可以了解结构的动力特性，进而评估结构在地震作用下的安全性。如果能够准确识别出结构的自振频率和阻尼比，就可以判断结构是否处于共振状态，以及结构的耗能能力是否满足要求，从而及时采取相应的措施，保障结构的安全。传统的结构参数识别方法主要基于实验室试验或环境激励下的振动测试。然而，这些方法往往受到试验条件的限制，难以获取结构在真实地震作用下的响应数据。此外，由于结构在地震作用下的响应是非线性的，传统的线性识别方法可能无法准确识别结构的参数。利用地震观测记录来识别结构模态参数，成为了地震工程领域备受关注的研究课题之一。地震观测记录包含了结构在真实地震作用下的丰富信息，通过对这些记录的分析和处理，可以更准确地识别结构的参数，为结构的抗震设计和评估提供更可靠的依据。在实际工程中，许多结构，如高层建筑、桥梁、大坝等，都具有多个自由度。对于多自由度结构，其动力学行为更为复杂，模态耦合现象更为明显，这给结构参数识别带来了更大的挑战。因此，研究基于地震观测记录的多自由度结构参数识别方法及应用，具有重要的现实意义和理论价值。通过该研究，可以为实际工程中的多自由度结构提供更准确的参数识别方法，提高结构的抗震性能评估水平，保障人民生命财产安全；同时，也可以丰富和完善结构动力学和地震工程领域的理论体系，为相关领域的研究提供新的思路和方法。1.2国内外研究现状结构参数识别技术的发展历程较为漫长，早期主要基于结构动力学的基本原理，通过简单的试验和理论分析来确定结构的参数。随着计算机技术和信号处理技术的飞速发展，结构参数识别方法得到了不断的创新和完善。在过去几十年里，国内外学者在多自由度结构参数识别方法方面展开了广泛而深入的研究，取得了一系列丰硕的成果。国外方面，许多学者在结构参数识别领域进行了开创性的工作。早在20世纪70年代，EwinsDJ就对模态分析理论进行了系统的阐述，为结构参数识别奠定了重要的理论基础。随后，在80年代，NigamNC等学者研究了基于环境激励的结构模态参数识别方法，开启了利用环境激励进行参数识别的先河。90年代以来，随着计算机技术和数值计算方法的快速发展，结构参数识别方法得到了更为广泛的研究和应用。例如，FriswellMI和MottersheadJE提出了基于有限元模型修正的结构参数识别方法，通过对有限元模型的参数进行调整，使其计算结果与实际测量结果相匹配，从而识别出结构的真实参数。进入21世纪，随着传感器技术、信号处理技术和机器学习技术的不断进步，结构参数识别方法迎来了新的发展机遇。例如，基于振动响应的结构参数识别方法得到了广泛的研究和应用，这些方法通过对结构在振动激励下的响应信号进行分析和处理，来识别结构的模态参数和物理参数。其中，随机子空间法（SSI）是一种较为常用的基于振动响应的结构参数识别方法，该方法通过对结构的输入输出数据进行子空间分析，来识别结构的模态参数，具有较高的识别精度和计算效率。此外，基于机器学习的结构参数识别方法也逐渐成为研究热点，如人工神经网络（ANN）、支持向量机（SVM）等方法被应用于结构参数识别领域，取得了较好的识别效果。在国内，结构参数识别技术的研究起步相对较晚，但发展迅速。20世纪80年代，国内学者开始关注结构参数识别技术，并开展了相关的理论研究和试验工作。例如，张令弥等学者在模态分析和参数识别领域进行了深入的研究，提出了一系列具有创新性的方法和理论。90年代以来，随着国内经济的快速发展和工程建设的需要，结构参数识别技术得到了更为广泛的应用和研究。许多高校和科研机构开展了结构参数识别技术的研究工作，并取得了一系列重要的研究成果。例如，哈尔滨工业大学的欧进萍教授团队在结构健康监测与参数识别领域进行了大量的研究工作，提出了基于小波分析、神经网络等技术的结构参数识别方法，为结构的健康监测和安全评估提供了重要的技术支持。近年来，随着大数据、人工智能等新兴技术的快速发展，国内学者在结构参数识别领域的研究也取得了新的突破。例如，利用深度学习算法对结构的振动响应数据进行分析和处理，实现了对结构参数的快速准确识别；结合物联网技术，开发了基于实时监测数据的结构参数识别系统，为结构的实时健康监测和安全预警提供了有效的手段。尽管国内外在多自由度结构参数识别方法上取得了显著进展，但仍存在一些不足。一方面，现有方法在处理复杂结构和强噪声干扰时，识别精度和稳定性有待提高。多自由度结构的动力学行为复杂，模态耦合现象严重，使得传统的识别方法难以准确地分离和识别各阶模态参数。此外，在实际工程中，测量数据往往受到各种噪声的干扰，如传感器噪声、环境噪声等，这些噪声会降低识别精度，甚至导致识别结果的错误。另一方面，对于结构参数的时变特性研究还不够深入。在实际工程中，由于结构的损伤、材料性能的退化等因素，结构参数往往会随时间发生变化，而现有方法大多假设结构参数是时不变的，无法准确地描述结构参数的时变特性。未来，多自由度结构参数识别方法的发展趋势主要体现在以下几个方面。一是融合多源信息，提高识别精度和可靠性。结合结构的振动响应、应变、温度等多源信息，综合利用各种信号处理和数据分析方法，实现对结构参数的全面准确识别。二是发展智能化识别方法，适应复杂结构和时变特性。利用深度学习、机器学习等人工智能技术，开发能够自动学习和适应结构复杂特性的智能化识别方法，提高识别效率和精度。三是加强理论研究与工程应用的结合，推动结构参数识别技术在实际工程中的广泛应用。针对不同类型的工程结构，开发具有针对性的参数识别方法和系统，为结构的抗震设计、安全评估和健康监测提供更加可靠的技术支持。1.3研究内容与方法本文围绕基于地震观测记录的多自由度结构参数识别方法及应用展开研究，主要内容涵盖以下几个方面：多自由度结构动力学基础及参数识别理论：深入研究多自由度结构的动力学方程，详细推导其建立过程，包括质量矩阵、刚度矩阵和阻尼矩阵的确定方法。全面剖析模态分析理论，如自振频率、振型和阻尼比等模态参数的物理意义和计算方法，为后续的参数识别奠定坚实的理论基础。此外，还将对常用的参数识别方法进行分类和总结，阐述其基本原理和适用范围，分析不同方法的优缺点，以便在实际应用中选择最合适的方法。基于地震观测记录的多自由度结构参数识别方法：着重研究基于地震观测记录的多自由度结构参数识别的具体方法，包括时域识别方法和频域识别方法。在时域识别方法中，深入探讨随机子空间法（SSI）的原理和应用，分析其在处理多自由度结构参数识别问题时的优势和局限性。在频域识别方法中，研究频率响应函数法（FRF）的原理和应用，通过对结构的频率响应函数进行分析，识别结构的模态参数。对比分析不同识别方法的性能，包括识别精度、计算效率和抗噪声能力等，通过数值模拟和实际案例分析，评估各种方法的优缺点，为实际工程应用提供参考依据。针对实际地震观测记录中存在噪声干扰和数据缺失的问题，研究相应的预处理方法，如滤波、去噪和数据插值等，提高识别数据的质量，从而提高参数识别的精度和可靠性。考虑土-结构相互作用的多自由度结构参数识别：研究土-结构相互作用对多自由度结构参数识别的影响，分析土-结构相互作用的机理和模型，包括土体的非线性特性、结构与土体之间的接触和摩擦等因素对结构参数的影响。建立考虑土-结构相互作用的多自由度结构参数识别模型，将土体的特性和结构与土体之间的相互作用纳入参数识别模型中，提高参数识别的准确性。通过数值模拟和实际案例分析，验证考虑土-结构相互作用的参数识别模型的有效性，对比考虑和不考虑土-结构相互作用时的参数识别结果，评估土-结构相互作用对结构参数识别的影响程度。多自由度结构参数识别方法的应用研究：将所研究的多自由度结构参数识别方法应用于实际工程结构，如高层建筑、桥梁和大坝等，通过对实际工程结构的地震观测记录进行分析，识别结构的模态参数，评估结构的抗震性能。根据参数识别结果，对结构的抗震性能进行评估，包括结构的自振频率、振型和阻尼比等参数与设计值的对比分析，判断结构是否存在潜在的安全隐患。提出基于参数识别结果的结构抗震加固建议，根据结构的实际情况和参数识别结果，制定合理的抗震加固方案，提高结构的抗震能力，保障结构在地震中的安全。不确定性分析与可靠性评估：考虑结构参数和地震动输入的不确定性，研究多自由度结构参数识别结果的不确定性分析方法，如蒙特卡罗模拟法、概率密度演化法等，评估参数识别结果的可靠性。通过不确定性分析，量化结构参数和地震动输入的不确定性对参数识别结果的影响程度，为结构的抗震设计和评估提供更加科学的依据。基于不确定性分析结果，对结构的抗震可靠性进行评估，采用可靠度指标等方法，评估结构在不同地震作用下的失效概率，为结构的安全性评价提供参考。在研究过程中，本文将综合运用多种研究方法，以确保研究的科学性和有效性。具体来说，将采用理论分析方法，深入研究多自由度结构动力学基础及参数识别理论，推导相关公式和模型，为后续的研究提供理论支持；运用数值模拟方法，利用专业的结构动力学分析软件，如ANSYS、ABAQUS等，对多自由度结构在地震作用下的响应进行数值模拟，验证理论分析结果，对比不同参数识别方法的性能；通过实际案例分析方法，收集实际工程结构的地震观测记录，应用所研究的参数识别方法进行分析，评估结构的抗震性能，提出抗震加固建议；采用对比分析方法，对不同的参数识别方法、考虑和不考虑土-结构相互作用的情况以及参数识别结果的不确定性等进行对比分析，总结规律，得出结论。二、多自由度结构参数识别理论基础2.1结构动力学基本理论2.1.1多自由度结构运动方程多自由度结构在地震作用下的运动方程是描述其动力响应的基础。根据达朗贝尔原理，结构的惯性力、阻尼力和弹性恢复力与地震作用之间存在平衡关系。对于一个具有n个自由度的结构体系，其运动方程可以表示为：M\ddot{u}(t)+C\dot{u}(t)+Ku(t)=-M1\ddot{u}_g(t)其中，M为n\timesn的质量矩阵，它反映了结构各质点的质量分布情况。例如，对于一个由多个集中质量组成的结构，质量矩阵中的对角元素即为各质点的质量，非对角元素通常为零，因为各质点的质量相互独立。质量矩阵的形式决定了结构在惯性力作用下的响应特性，质量越大，惯性力越大，结构的加速度响应就越小。C为n\timesn的阻尼矩阵，阻尼是结构在振动过程中能量耗散的一种度量，它与结构的材料、构造和边界条件等因素有关。阻尼矩阵的元素反映了结构各自由度之间的阻尼耦合关系。常见的阻尼模型有瑞利阻尼，它假设阻尼矩阵是质量矩阵和刚度矩阵的线性组合，即C=\alphaM+\betaK，其中\alpha和\beta为阻尼系数，通过实验或经验确定。阻尼的存在使得结构的振动逐渐衰减，减小了结构在地震作用下的响应幅值。K为n\timesn的刚度矩阵，它体现了结构抵抗变形的能力，刚度矩阵的元素表示结构在单位位移作用下所产生的内力。刚度矩阵与结构的几何形状、材料特性和连接方式等密切相关。例如，对于一个框架结构，梁和柱的截面尺寸、材料弹性模量以及节点的连接方式都会影响刚度矩阵的大小和分布。刚度越大，结构越不容易变形，在地震作用下的位移响应就越小。\ddot{u}(t)、\dot{u}(t)和u(t)分别为n维的加速度向量、速度向量和位移向量，它们描述了结构各自由度在t时刻的运动状态。\ddot{u}_g(t)为地震加速度时程，是地震作用的输入，它是一个随时间变化的函数，反映了地震波的特性和强度。地震加速度时程的不同会导致结构产生不同的响应，例如，高频地震波可能会引起结构的局部振动，而低频地震波则可能导致结构的整体振动。1为n维的单位向量，它在运动方程中起到将地震加速度分配到结构各自由度上的作用。质量矩阵、刚度矩阵和阻尼矩阵是描述多自由度结构动力特性的关键因素。质量矩阵决定了结构的惯性大小，影响结构在地震作用下的加速度响应；刚度矩阵体现了结构的抗变形能力，决定了结构的位移响应；阻尼矩阵则反映了结构的能量耗散特性，对结构的振动幅值和响应持续时间产生影响。这三个矩阵相互关联，共同决定了结构在地震作用下的运动方程和动力响应。2.1.2模态分析理论模态分析是研究结构动力特性的重要方法，它通过对结构运动方程的求解，得到结构的模态参数，从而深入了解结构的振动特性。在模态分析中，假设结构的振动是由一系列固有振动模态叠加而成，每个模态都具有特定的固有频率、阻尼比和振型。结构的固有频率是指结构在自由振动时的振动频率，它是结构的固有属性，与外界激励无关。固有频率反映了结构的刚度和质量分布情况，刚度越大、质量越小，固有频率越高。对于一个多自由度结构，存在多个固有频率，按照从小到大的顺序排列，分别称为一阶固有频率、二阶固有频率……第n阶固有频率。例如，对于一个简单的两层框架结构，一阶固有频率通常对应结构的整体弯曲振动，二阶固有频率可能对应结构的局部振动或扭转振动。阻尼比是衡量结构振动衰减快慢的参数，它表示结构在振动过程中能量耗散的程度。阻尼比越大，结构振动衰减越快；阻尼比越小，结构振动持续时间越长。在实际工程中，结构的阻尼比通常通过实验或经验确定，不同类型的结构具有不同的阻尼比范围。例如，钢结构的阻尼比一般在0.01-0.05之间，混凝土结构的阻尼比在0.03-0.08之间。振型是指结构在某一阶固有频率下的振动形态，它描述了结构各质点在振动过程中的相对位移关系。振型是一个向量，其元素表示各质点在该阶振型下的位移幅值和方向。对于一个多自由度结构，每阶固有频率都对应一个特定的振型，各阶振型之间相互正交，即不同阶振型的质点位移在质量加权下的内积为零。这种正交性使得在进行结构动力响应分析时，可以将复杂的多自由度结构的振动分解为多个独立的单自由度振动进行处理，大大简化了计算过程。例如，在分析一个高层建筑的振动时，通过模态分析得到的各阶振型可以帮助工程师了解结构在不同频率下的振动特点，从而有针对性地进行结构设计和抗震加固。求解模态参数的方法有多种，常见的有矩阵迭代法、子空间迭代法和Lanczos法等。矩阵迭代法是一种基于迭代思想的方法，它通过不断迭代求解特征方程，逐步逼近结构的固有频率和振型。子空间迭代法是在矩阵迭代法的基础上发展而来，它利用子空间的概念，将求解大规模矩阵特征值问题转化为求解小规模矩阵特征值问题，提高了计算效率。Lanczos法是一种基于三对角矩阵的迭代方法，它通过将原矩阵转化为三对角矩阵，然后利用QR算法求解特征值和特征向量，具有较高的计算精度和收敛速度。在实际应用中，需要根据结构的特点和计算要求选择合适的求解方法。例如，对于小规模结构，矩阵迭代法可能就能够满足计算需求；而对于大规模复杂结构，则需要采用子空间迭代法或Lanczos法等高效的求解方法，以提高计算效率和精度。2.2地震观测记录在结构参数识别中的作用2.2.1地震观测记录的获取与处理地震观测记录主要来源于地震监测台网。这些台网分布在全球各地，由众多地震监测站组成，每个监测站配备了多种类型的地震传感器，如加速度计、速度计和位移计等。加速度计能够精确测量地震波引起的地面加速度变化，速度计用于记录地震波的传播速度，位移计则可捕捉地表的细微位移信息。以中国地震台网为例，其拥有广泛分布的监测站点，涵盖了不同地质条件和地形地貌区域。这些站点实时监测地震活动，并将采集到的地震数据通过有线或无线传输方式，迅速传输至数据中心进行集中存储和管理。例如，在一些地震多发地区，如四川、云南等地，密集的监测站点能够更全面地捕捉地震波信息，为后续的地震研究和结构参数识别提供丰富的数据支持。然而，原始的地震观测记录往往受到各种噪声的干扰，如环境噪声、仪器噪声以及电磁干扰等。这些噪声会严重影响记录的质量，降低信号的信噪比，从而对结构参数识别的准确性产生不利影响。因此，在利用地震观测记录进行结构参数识别之前，必须对其进行预处理，以提高数据的质量和可靠性。去噪是预处理的关键步骤之一。常用的去噪方法包括小波变换去噪、傅里叶变换去噪和自适应滤波去噪等。小波变换去噪利用小波函数的多分辨率分析特性，将地震信号分解到不同的频率尺度上，通过阈值处理去除噪声所在的高频分量，从而保留有用的信号成分。例如，在处理某地震记录时，通过小波变换将信号分解为多个尺度的子信号，对高频子信号进行阈值处理后，再进行小波逆变换，成功去除了噪声，使信号更加清晰。傅里叶变换去噪则是将地震信号从时域转换到频域，根据噪声和信号在频率分布上的差异，通过设置合适的滤波器，滤除噪声频率成分，然后再将信号转换回时域。自适应滤波去噪方法则根据信号的统计特性，自动调整滤波器的参数，以达到最佳的去噪效果。例如，最小均方（LMS）自适应滤波算法，通过不断调整滤波器的系数，使滤波器的输出与期望信号之间的均方误差最小，从而有效地去除噪声。滤波也是预处理的重要环节。根据不同的需求，可采用低通滤波器、高通滤波器、带通滤波器和带阻滤波器等。低通滤波器允许低频信号通过，抑制高频噪声，适用于去除高频干扰；高通滤波器则相反，允许高频信号通过，抑制低频噪声；带通滤波器只允许特定频率范围内的信号通过，可用于提取特定频率的地震波信号；带阻滤波器则抑制特定频率范围内的信号，常用于去除特定频率的噪声干扰。在实际应用中，需要根据地震信号的特点和噪声的频率分布，选择合适的滤波器类型和参数。例如，对于含有高频噪声的地震记录，可采用低通滤波器，设置合适的截止频率，去除高频噪声，保留低频的地震信号成分。2.2.2地震观测记录与结构响应关系地震波是一种复杂的弹性波，其特性包括振幅、频率、相位等，这些特性对结构的响应有着显著的影响。不同类型的地震波，如纵波（P波）、横波（S波）和面波，在传播过程中会引起结构不同形式的振动。纵波传播速度快，引起结构的纵向振动；横波传播速度较慢，导致结构的横向振动；面波则主要在地表传播，对结构的表面部分产生较大影响。地震波的频率成分与结构的固有频率密切相关。当地震波的频率接近结构的固有频率时，会发生共振现象，导致结构的响应急剧增大，从而对结构造成严重的破坏。例如，1985年墨西哥城地震中，由于地震波的卓越周期与许多高层建筑的固有周期相近，引发了共振，致使大量高层建筑倒塌，造成了巨大的人员伤亡和财产损失。地震波的振幅大小直接决定了结构所受到的地震力的大小。振幅越大，结构所承受的地震力就越大，结构的变形和内力也相应增大。地震波的相位信息则影响着结构各部分振动的先后顺序和协同工作情况，对结构的整体响应也有重要影响。为了建立地震观测记录与结构动力响应之间的数学关系，通常采用结构动力学的基本原理。根据达朗贝尔原理，结构在地震作用下的运动方程可以表示为前文所述的形式：M\ddot{u}(t)+C\dot{u}(t)+Ku(t)=-M1\ddot{u}_g(t)在这个方程中，等式左边分别表示结构的惯性力、阻尼力和弹性恢复力，等式右边表示地震作用。通过对该方程的求解，可以得到结构在地震作用下的位移、速度和加速度响应。然而，由于结构的复杂性和地震波的不确定性，精确求解该方程往往具有一定的难度。在实际应用中，通常采用数值方法，如有限元法、振型分解反应谱法和时程分析法等，来求解结构的动力响应。有限元法将结构离散为有限个单元，通过对每个单元的力学分析，建立整个结构的有限元模型，然后利用数值算法求解运动方程，得到结构的响应。振型分解反应谱法基于结构的振型分解原理，将多自由度结构的地震响应分解为各个振型的响应之和，通过反应谱确定每个振型的最大响应，再根据一定的组合规则得到结构的总响应。时程分析法直接输入地震加速度时程，对运动方程进行逐步积分求解，得到结构在整个地震过程中的响应时程。这些方法各有优缺点，在实际应用中需要根据结构的特点、地震波的特性以及计算精度的要求等因素，选择合适的方法来建立地震观测记录与结构动力响应之间的数学关系，从而为基于地震观测记录的多自由度结构参数识别提供理论基础。三、多自由度结构参数识别方法3.1一维ARX模型3.1.1模型原理一维外源自回归（ARX）模型是一种常用的时间序列模型，在多自由度结构参数识别领域具有重要应用。其基本原理是通过建立系统当前输出与过去输出以及外部输入之间的线性关系，来描述系统的动态特性。对于一个多自由度结构系统，可将其响应视为系统的输出，地震激励视为外部输入。该模型的数学表达式为：A(q)y(t)=B(q)u(t-n_k)+e(t)其中，y(t)表示系统在t时刻的输出，在多自由度结构中，它可以是结构某一测点的位移、速度或加速度响应。例如，对于一个高层建筑结构，y(t)可以是顶层的水平位移响应。u(t-n_k)是系统在t-n_k时刻的输入，这里的输入通常是地震加速度时程，n_k为输入延迟，表示输入信号对输出产生影响的时间延迟。例如，由于地震波传播和结构动力响应的延迟，地震激励可能在n_k个时间步后才对结构的响应产生明显影响。A(q)和B(q)是与滞后算子q相关的多项式。滞后算子q的作用是将时间序列向后推移，即q^iy(t)=y(t-i)。A(q)和B(q)的一般形式分别为：A(q)=1+a_1q^{-1}+a_2q^{-2}+\cdots+a_{n_a}q^{-n_a}B(q)=b_0+b_1q^{-1}+b_2q^{-2}+\cdots+b_{n_b}q^{-n_b}其中，a_i和b_i为模型的参数，n_a和n_b分别为A(q)和B(q)的阶数，它们决定了模型对过去输出和输入数据的依赖程度。例如，n_a越大，模型对过去输出数据的依赖时间越长，能够捕捉到系统更复杂的动态特性。e(t)是模型误差项，通常假设为白噪声序列，它代表了模型未考虑到的因素以及测量噪声等不确定性因素。在实际应用中，e(t)的存在会影响模型的精度，因此需要通过合理的数据处理和模型验证来减小其影响。通过上述数学表达式，一维ARX模型能够有效地描述多自由度结构在地震激励下的动态响应，为结构参数识别提供了一个重要的工具。通过对模型参数a_i和b_i的估计，可以进一步识别出结构的模态参数，如自振频率、阻尼比和振型等，从而了解结构的动力特性，评估结构的抗震性能。3.1.2参数识别步骤利用一维ARX模型进行多自由度结构参数识别，主要包括以下几个关键步骤：数据准备：这是参数识别的基础环节。首先，需要收集结构在地震作用下的响应数据，包括位移、速度或加速度等，这些数据可通过布置在结构上的传感器，如位移传感器、加速度计等获取。同时，获取对应的地震激励数据，即地震加速度时程，通常来源于地震监测台网。例如，对于一座桥梁结构，在其关键部位布置多个加速度计，记录地震时的加速度响应，同时获取附近地震监测站记录的地震加速度时程数据。由于实际测量数据往往受到噪声干扰，如传感器噪声、环境噪声等，因此需要对数据进行预处理。去噪是预处理的重要步骤之一，常用的去噪方法有小波变换去噪、傅里叶变换去噪等。小波变换去噪利用小波函数的多分辨率分析特性，将信号分解到不同的频率尺度上，通过阈值处理去除噪声所在的高频分量，从而保留有用的信号成分。例如，对某地震响应数据进行小波变换去噪后，信号的信噪比得到显著提高，为后续的参数识别提供了更可靠的数据基础。此外，还可能需要对数据进行滤波、归一化等处理，以提高数据的质量和稳定性。滤波可以去除数据中的高频或低频干扰成分，归一化则可以将数据映射到一定的范围内，便于后续的计算和分析。2.2.模型阶次确定：模型阶次n_a和n_b的选择对参数识别结果的准确性和模型的泛化能力有着重要影响。如果阶次选择过低，模型可能无法准确描述结构的动态特性，导致识别精度下降；如果阶次选择过高，模型可能会过度拟合数据，对噪声过于敏感，泛化能力变差。常用的确定模型阶次的方法有信息准则法，如赤池信息准则（AIC）和贝叶斯信息准则（BIC）。AIC的计算公式为：AIC=2k+n\ln(\frac{SSE}{n})，其中k是模型参数的个数，n是数据点的数量，SSE是残差平方和。BIC的计算公式为：BIC=k\ln(n)+n\ln(\frac{SSE}{n})。这两种准则都是在模型拟合优度和模型复杂度之间进行权衡，选择使准则值最小的阶次作为最优阶次。例如，通过计算不同阶次下的AIC和BIC值，发现当n_a=3，n_b=2时，AIC和BIC值同时达到最小，因此确定该模型的最优阶次为n_a=3，n_b=2。此外，还可以采用交叉验证法等方法来确定模型阶次，通过将数据划分为训练集和验证集，在训练集上训练不同阶次的模型，然后在验证集上评估模型的性能，选择性能最佳的模型阶次。3.3.参数估计：在确定模型阶次后，需要利用合适的方法对模型参数a_i和b_i进行估计。最小二乘法是一种常用的参数估计方法，其基本思想是通过最小化模型预测值与实际测量值之间的误差平方和，来确定模型参数的最优估计值。对于一维ARX模型，误差平方和可表示为：SSE=\sum_{t=1}^{N}(y(t)-\hat{y}(t))^2，其中y(t)是实际测量值，\hat{y}(t)是模型预测值，N是数据点的数量。通过对SSE关于参数a_i和b_i求偏导数，并令偏导数为零，可得到一组线性方程组，求解该方程组即可得到参数的估计值。除了最小二乘法，还有其他一些参数估计方法，如极大似然估计法、递推最小二乘法等。极大似然估计法是基于概率统计的原理，通过最大化观测数据出现的概率来估计模型参数。递推最小二乘法是一种在线估计方法，它可以随着新数据的到来不断更新参数估计值，适用于实时监测和参数识别的场景。例如，在结构的实时健康监测中，采用递推最小二乘法可以根据新采集的响应数据及时更新结构参数的估计值，从而实现对结构状态的实时评估。在实际应用中，可根据具体情况选择合适的参数估计方法，以提高参数估计的精度和效率。4.4.模型验证：模型验证是确保参数识别结果可靠性的重要环节。通过将识别得到的模型应用于未参与参数估计的数据（如验证集数据），计算模型预测值与实际测量值之间的误差指标，如均方根误差（RMSE）、平均绝对误差（MAE）等，来评估模型的准确性和泛化能力。RMSE的计算公式为：RMSE=\sqrt{\frac{1}{N}\sum_{t=1}^{N}(y(t)-\hat{y}(t))^2}，MAE的计算公式为：MAE=\frac{1}{N}\sum_{t=1}^{N}|y(t)-\hat{y}(t)|。RMSE和MAE的值越小，说明模型的预测精度越高。还可以通过绘制模型预测值与实际测量值的对比图、残差分析等方法来直观地评估模型的性能。如果模型验证结果不理想，可能需要重新调整模型阶次、参数估计方法或对数据进行进一步的处理，直到模型能够准确地描述结构的动态特性，满足参数识别的要求。例如，通过对比模型预测值与实际测量值的对比图，发现模型在某些时间段的预测误差较大，进一步分析残差发现存在明显的趋势项，这可能是由于模型阶次不足或数据中存在未去除的噪声导致的。此时，可以尝试增加模型阶次或采用更有效的去噪方法，重新进行参数估计和模型验证，直到得到满意的结果。3.2多维ARX模型3.2.1模型原理多维外源自回归（ARX）模型是一维ARX模型在多变量系统中的扩展。在多自由度结构参数识别中，结构的响应往往需要从多个维度进行观测和分析，多维ARX模型能够更好地处理这种多变量的情况。对于一个具有多个输入和多个输出的多自由度结构系统，其多维ARX模型的数学表达式为：A_i(q)y_i(t)=\sum_{j=1}^{m}B_{ij}(q)u_j(t-n_{kij})+e_i(t)其中，i=1,2,\cdots,n，n为输出变量的个数，在多自由度结构中，对应不同测点的响应，如不同楼层的位移、加速度等；j=1,2,\cdots,m，m为输入变量的个数，通常为不同方向的地震激励。y_i(t)表示第i个输出变量在t时刻的值，例如在一个高层建筑结构中，y_1(t)可以是第一层的水平位移响应，y_2(t)可以是第二层的水平加速度响应等。u_j(t-n_{kij})是第j个输入变量在t-n_{kij}时刻的值，n_{kij}为第j个输入对第i个输出的输入延迟，它反映了不同输入对不同输出影响的时间差异。由于地震波传播到结构不同部位的路径和时间不同，不同方向的地震激励对结构不同测点响应的影响存在时间延迟。A_i(q)和B_{ij}(q)是与滞后算子q相关的多项式。其中，A_i(q)的一般形式为：A_i(q)=1+a_{i1}q^{-1}+a_{i2}q^{-2}+\cdots+a_{in_{ai}}q^{-n_{ai}}B_{ij}(q)的一般形式为：B_{ij}(q)=b_{ij0}+b_{ij1}q^{-1}+b_{ij2}q^{-2}+\cdots+b_{ijn_{bij}}q^{-n_{bij}}这里的a_{ik}和b_{ijk}为模型的参数，n_{ai}和n_{bij}分别为A_i(q)和B_{ij}(q)的阶数，它们决定了模型对过去输出和输入数据的依赖程度。不同的阶数设置会影响模型对结构动态特性的捕捉能力，阶数过高可能导致模型过拟合，阶数过低则可能无法准确描述结构的复杂动态特性。e_i(t)是第i个输出的模型误差项，通常假设为白噪声序列，代表了模型未考虑到的因素以及测量噪声等不确定性因素。与一维ARX模型相比，多维ARX模型的优势在于它能够同时考虑多个输入和多个输出之间的相互关系，更全面地描述多自由度结构的动态特性。在处理多自由度结构时，结构的不同自由度之间存在相互耦合的关系，多维ARX模型可以通过多个输入输出变量之间的关联，更好地捕捉这种耦合效应，从而提高结构参数识别的准确性。而一维ARX模型只能处理单个输入和单个输出的情况，对于多自由度结构的复杂动力学行为描述能力有限。例如，在一个桥梁结构中，地震作用下桥梁的不同部位会产生多个方向的振动响应，多维ARX模型可以同时考虑多个测点的位移、加速度响应以及多个方向的地震激励，更准确地描述桥梁结构在地震作用下的动态响应，为结构参数识别提供更丰富的信息。3.2.2参数识别步骤利用多维ARX模型进行多自由度结构参数识别，其流程主要包含以下关键步骤：多测点数据采集与预处理：在多自由度结构上布置多个传感器，如加速度计、位移传感器等，以获取不同测点在地震作用下的响应数据。这些测点应分布在结构的关键部位，能够反映结构的主要振动特性。对于一个高层建筑，通常会在不同楼层的主要受力构件上布置传感器，以测量水平位移和加速度响应。同时，获取对应的多个方向的地震激励数据，这些数据可从附近的地震监测台网获取。由于实际测量数据中不可避免地存在噪声干扰，如传感器自身的噪声、环境噪声以及电磁干扰等，因此需要对多测点数据进行预处理。采用滤波技术去除高频或低频噪声干扰，如使用低通滤波器去除高频噪声，使用高通滤波器去除低频噪声。对于含有高频噪声的地震响应数据，通过低通滤波器设置合适的截止频率，可有效去除高频噪声，提高数据的质量。还可采用去噪算法，如小波变换去噪，利用小波函数的多分辨率分析特性，将信号分解到不同的频率尺度上，通过阈值处理去除噪声所在的高频分量，从而保留有用的信号成分。此外，还可能需要对数据进行归一化处理，将不同测点的数据映射到相同的数值范围内，便于后续的计算和分析。归一化处理可以消除不同测点数据量纲和数值大小的差异，提高参数识别算法的稳定性和准确性。2.2.模型阶次选择：在多维ARX模型中，确定合适的模型阶次是一个关键问题。模型阶次n_{ai}和n_{bij}的选择直接影响到模型的准确性和泛化能力。如果阶次选择过低，模型可能无法充分捕捉结构的复杂动态特性，导致识别精度下降；如果阶次选择过高，模型会变得过于复杂，容易出现过拟合现象，对噪声过于敏感，泛化能力变差。常用的确定模型阶次的方法有信息准则法，如赤池信息准则（AIC）和贝叶斯信息准则（BIC）。在多维ARX模型中，AIC和BIC的计算需要考虑多个输出和输入变量的情况。对于多维ARX模型，AIC的计算公式可以扩展为：AIC=2k+N\ln(\frac{SSE}{N})其中，k是模型参数的总数，包括所有的a_{ik}和b_{ijk}参数；N是数据点的总数；SSE是所有输出变量的残差平方和，即SSE=\sum_{i=1}^{n}\sum_{t=1}^{N}(y_i(t)-\hat{y}_i(t))^2，\hat{y}_i(t)是第i个输出变量的模型预测值。BIC的计算公式扩展为：BIC=k\ln(N)+N\ln(\frac{SSE}{N})通过计算不同阶次组合下的AIC和BIC值，选择使准则值最小的阶次组合作为最优阶次。还可以采用交叉验证法等方法来确定模型阶次。将多测点数据划分为训练集和验证集，在训练集上训练不同阶次的多维ARX模型，然后在验证集上评估模型的性能，如计算模型预测值与实际测量值之间的误差指标，选择性能最佳的模型阶次。例如，通过多次试验，发现当n_{a1}=3，n_{b11}=2，n_{b12}=2，n_{a2}=4，n_{b21}=3，n_{b22}=3时，AIC和BIC值同时达到最小，因此确定该多维ARX模型的最优阶次为这些值。3.3.参数估计方法：在确定模型阶次后，需要对多维ARX模型的参数a_{ik}和b_{ijk}进行估计。最小二乘法是一种常用的参数估计方法，在多维情况下，其原理是通过最小化所有输出变量的模型预测值与实际测量值之间的误差平方和，来确定模型参数的最优估计值。误差平方和可表示为上述的SSE，通过对SSE关于参数a_{ik}和b_{ijk}求偏导数，并令偏导数为零，可得到一组线性方程组，求解该方程组即可得到参数的估计值。由于多维ARX模型的参数数量较多，求解该线性方程组的计算量较大，需要采用高效的数值计算方法。除了最小二乘法，还有其他一些参数估计方法可用于多维ARX模型，如极大似然估计法、递推最小二乘法等。极大似然估计法是基于概率统计的原理，通过最大化观测数据出现的概率来估计模型参数。在多维情况下，需要考虑多个输出变量的联合概率分布，计算过程相对复杂，但在一些情况下能够得到更准确的参数估计值。递推最小二乘法是一种在线估计方法，它可以随着新数据的到来不断更新参数估计值，适用于实时监测和参数识别的场景。在多自由度结构的实时健康监测中，采用递推最小二乘法可以根据新采集的多测点响应数据及时更新结构参数的估计值，从而实现对结构状态的实时评估。4.4.模型验证与结果分析：模型验证是确保参数识别结果可靠性的重要环节。将识别得到的多维ARX模型应用于未参与参数估计的数据（如验证集数据），计算多个输出变量的模型预测值与实际测量值之间的误差指标，如均方根误差（RMSE）、平均绝对误差（MAE）等，来评估模型的准确性和泛化能力。对于多维ARX模型，RMSE的计算公式为：RMSE=\sqrt{\frac{1}{nN}\sum_{i=1}^{n}\sum_{t=1}^{N}(y_i(t)-\hat{y}_i(t))^2}MAE的计算公式为：MAE=\frac{1}{nN}\sum_{i=1}^{n}\sum_{t=1}^{N}|y_i(t)-\hat{y}_i(t)|RMSE和MAE的值越小，说明模型对多个输出变量的预测精度越高。还可以通过绘制多个输出变量的模型预测值与实际测量值的对比图、残差分析等方法来直观地评估模型的性能。对于不同测点的位移和加速度响应，分别绘制预测值与实际测量值的对比图，观察两者的吻合程度。通过残差分析，检查残差是否符合白噪声假设，如果残差存在明显的趋势或周期性，说明模型可能存在问题，需要重新调整模型阶次、参数估计方法或对数据进行进一步的处理，直到模型能够准确地描述多自由度结构的动态特性，满足参数识别的要求。例如，通过对比图发现某个测点的位移预测值与实际测量值存在较大偏差，进一步分析残差发现存在明显的周期性，这可能是由于模型阶次不足或数据中存在未去除的周期性噪声导致的。此时，可以尝试增加模型阶次或采用更有效的去噪方法，重新进行参数估计和模型验证，直到得到满意的结果。在处理多测点数据时，多维ARX模型的优势在于能够充分利用多个测点的信息，全面考虑结构各自由度之间的相互关系，从而提高参数识别的准确性。通过同时分析多个测点的响应数据，可以更准确地识别出结构的模态参数，如自振频率、阻尼比和振型等。然而，其难点也较为明显，首先是数据处理的复杂性增加，需要对大量的多测点数据进行有效的管理和分析；其次，模型阶次的选择和参数估计的计算量较大，需要耗费更多的计算资源和时间；此外，噪声对多测点数据的影响更为复杂，如何有效地去除噪声干扰，提高数据质量，也是应用多维ARX模型时需要解决的关键问题。3.3整体ARX模型3.3.1模型原理整体外源自回归（ARX）模型是一种将结构视为一个整体进行参数识别的模型。它与一维和多维ARX模型的不同之处在于，整体ARX模型不再局限于单个测点或多个测点的局部分析，而是从结构的整体动力学特性出发，综合考虑结构所有测点的响应以及输入的地震激励，建立统一的模型来描述结构的动态行为。在多自由度结构中，各自由度之间存在复杂的相互耦合关系，这种耦合关系使得结构的动力学行为变得复杂。整体ARX模型通过将结构视为一个整体，能够更全面地捕捉这种耦合效应。它考虑了结构各部分之间的相互作用，以及地震激励在结构中的传播和分布情况，从而更准确地描述结构在地震作用下的动态响应。其数学表达式为：A(q)Y(t)=B(q)U(t-n_k)+E(t)其中，Y(t)为n\times1的结构响应向量，包含了结构多个测点在t时刻的响应，如位移、速度或加速度等。例如，对于一个高层建筑，Y(t)可以包含不同楼层的水平位移、加速度等响应信息，全面反映结构在地震作用下的变形和运动状态。U(t-n_k)是m\times1的地震激励向量，n_k为输入延迟，考虑了地震波传播到结构不同部位的时间延迟。由于地震波在传播过程中，到达结构不同位置的时间存在差异，这种延迟会影响结构各部分的响应，整体ARX模型通过n_k来考虑这一因素，使模型更加符合实际情况。A(q)和B(q)是与滞后算子q相关的多项式矩阵，其形式如下：A(q)=\begin{bmatrix}1+a_{11}q^{-1}+\cdots+a_{1n_a}q^{-n_a}&\cdots&a_{1n}q^{-n_a}\\\vdots&\ddots&\vdots\\a_{n1}q^{-n_a}&\cdots&1+a_{nn}q^{-1}+\cdots+a_{nn_a}q^{-n_a}\end{bmatrix}B(q)=\begin{bmatrix}b_{110}+b_{111}q^{-1}+\cdots+b_{11n_b}q^{-n_b}&\cdots&b_{1m0}+b_{1m1}q^{-1}+\cdots+b_{1mn_b}q^{-n_b}\\\vdots&\ddots&\vdots\\b_{n10}+b_{n11}q^{-1}+\cdots+b_{n1n_b}q^{-n_b}&\cdots&b_{nm0}+b_{nm1}q^{-1}+\cdots+b_{nmn_b}q^{-n_b}\end{bmatrix}这里的a_{ij}和b_{ij}为模型的参数，n_a和n_b分别为A(q)和B(q)的阶数，它们决定了模型对过去输出和输入数据的依赖程度。矩阵形式的A(q)和B(q)能够更全面地反映结构各自由度之间以及输入与输出之间的复杂关系，使得模型能够更好地描述多自由度结构的整体动态特性。E(t)为n\times1的模型误差向量，通常假设为白噪声序列，代表了模型未考虑到的因素以及测量噪声等不确定性因素。通过这种数学表达式，整体ARX模型能够综合考虑多自由度结构各测点的响应以及地震激励的作用，全面捕捉结构的动力学特性，为结构参数识别提供了更强大的工具。3.3.2参数识别步骤利用整体ARX模型进行多自由度结构参数识别，主要包括以下几个关键步骤：结构响应数据与地震激励数据获取及预处理：在多自由度结构的多个关键部位布置传感器，如加速度计、位移传感器等，以获取结构在地震作用下的响应数据。这些测点应能够全面反映结构的主要振动特性，对于一个大型桥梁结构，需要在桥墩、桥跨等关键部位布置传感器。同时，从附近的地震监测台网获取对应的地震激励数据。由于实际测量数据中不可避免地存在噪声干扰，如传感器噪声、环境噪声以及电磁干扰等，因此需要对数据进行预处理。采用滤波技术去除高频或低频噪声干扰，如使用低通滤波器去除高频噪声，使用高通滤波器去除低频噪声。对于含有高频噪声的地震响应数据，通过低通滤波器设置合适的截止频率，可有效去除高频噪声，提高数据的质量。还可采用去噪算法，如小波变换去噪，利用小波函数的多分辨率分析特性，将信号分解到不同的频率尺度上，通过阈值处理去除噪声所在的高频分量，从而保留有用的信号成分。此外，还可能需要对数据进行归一化处理，将不同测点的数据映射到相同的数值范围内，便于后续的计算和分析。归一化处理可以消除不同测点数据量纲和数值大小的差异，提高参数识别算法的稳定性和准确性。2.2.模型阶次确定：确定整体ARX模型的阶次n_a和n_b是一个关键环节。模型阶次的选择直接影响到模型的准确性和泛化能力。如果阶次选择过低，模型可能无法充分捕捉结构的复杂动态特性，导致识别精度下降；如果阶次选择过高，模型会变得过于复杂，容易出现过拟合现象，对噪声过于敏感，泛化能力变差。常用的确定模型阶次的方法有信息准则法，如赤池信息准则（AIC）和贝叶斯信息准则（BIC）。在整体ARX模型中，AIC和BIC的计算需要考虑结构响应向量和地震激励向量的情况。对于整体ARX模型，AIC的计算公式可以扩展为：AIC=2k+N\ln(\frac{SSE}{N})其中，k是模型参数的总数，包括所有的a_{ij}和b_{ij}参数；N是数据点的总数；SSE是结构响应向量的残差平方和，即SSE=\sum_{t=1}^{N}(Y(t)-\hat{Y}(t))^T(Y(t)-\hat{Y}(t))，\hat{Y}(t)是结构响应向量的模型预测值。BIC的计算公式扩展为：BIC=k\ln(N)+N\ln(\frac{SSE}{N})通过计算不同阶次组合下的AIC和BIC值，选择使准则值最小的阶次组合作为最优阶次。还可以采用交叉验证法等方法来确定模型阶次。将结构响应数据和地震激励数据划分为训练集和验证集，在训练集上训练不同阶次的整体ARX模型，然后在验证集上评估模型的性能，如计算模型预测值与实际测量值之间的误差指标，选择性能最佳的模型阶次。例如，通过多次试验，发现当n_a=4，n_b=3时，AIC和BIC值同时达到最小，因此确定该整体ARX模型的最优阶次为n_a=4，n_b=3。3.3.参数估计：在确定模型阶次后，需要对整体ARX模型的参数a_{ij}和b_{ij}进行估计。最小二乘法是一种常用的参数估计方法，在整体ARX模型中，其原理是通过最小化结构响应向量的模型预测值与实际测量值之间的误差平方和，来确定模型参数的最优估计值。误差平方和可表示为上述的SSE，通过对SSE关于参数a_{ij}和b_{ij}求偏导数，并令偏导数为零，可得到一组线性方程组，求解该方程组即可得到参数的估计值。由于整体ARX模型的参数数量较多，求解该线性方程组的计算量较大，需要采用高效的数值计算方法，如QR分解、奇异值分解等，以提高计算效率和精度。除了最小二乘法，还有其他一些参数估计方法可用于整体ARX模型，如极大似然估计法、递推最小二乘法等。极大似然估计法是基于概率统计的原理，通过最大化观测数据出现的概率来估计模型参数。在整体ARX模型中，需要考虑结构响应向量和地震激励向量的联合概率分布，计算过程相对复杂，但在一些情况下能够得到更准确的参数估计值。递推最小二乘法是一种在线估计方法，它可以随着新数据的到来不断更新参数估计值，适用于实时监测和参数识别的场景。在多自由度结构的实时健康监测中，采用递推最小二乘法可以根据新采集的响应数据及时更新结构参数的估计值，从而实现对结构状态的实时评估。4.4.模型验证与分析：模型验证是确保参数识别结果可靠性的重要环节。将识别得到的整体ARX模型应用于未参与参数估计的数据（如验证集数据），计算结构响应向量的模型预测值与实际测量值之间的误差指标，如均方根误差（RMSE）、平均绝对误差（MAE）等，来评估模型的准确性和泛化能力。对于整体ARX模型，RMSE的计算公式为：RMSE=\sqrt{\frac{1}{nN}\sum_{t=1}^{N}(Y(t)-\hat{Y}(t))^T(Y(t)-\hat{Y}(t))}MAE的计算公式为：MAE=\frac{1}{nN}\sum_{t=1}^{N}\vertY(t)-\hat{Y}(t)\vertRMSE和MAE的值越小，说明模型对结构响应向量的预测精度越高。还可以通过绘制结构响应向量的模型预测值与实际测量值的对比图、残差分析等方法来直观地评估模型的性能。对于不同测点的位移和加速度响应，分别绘制预测值与实际测量值的对比图，观察两者的吻合程度。通过残差分析，检查残差是否符合白噪声假设，如果残差存在明显的趋势或周期性，说明模型可能存在问题，需要重新调整模型阶次、参数估计方法或对数据进行进一步的处理，直到模型能够准确地描述多自由度结构的动态特性，满足参数识别的要求。例如，通过对比图发现某个测点的位移预测值与实际测量值存在较大偏差，进一步分析残差发现存在明显的周期性，这可能是由于模型阶次不足或数据中存在未去除的周期性噪声导致的。此时，可以尝试增加模型阶次或采用更有效的去噪方法，重新进行参数估计和模型验证，直到得到满意的结果。在处理结构整体数据时，整体ARX模型的优势在于能够充分利用结构所有测点的信息，全面考虑结构各自由度之间的相互关系，从而提高参数识别的准确性。通过综合分析结构各部分的响应，能够更准确地识别出结构的模态参数，如自振频率、阻尼比和振型等。然而，其难点也较为明显，首先是数据处理的复杂性大幅增加，需要对大量的多测点数据进行有效的管理和分析；其次，模型阶次的选择和参数估计的计算量更大，需要耗费更多的计算资源和时间；此外，噪声对多测点数据的影响更为复杂，如何有效地去除噪声干扰，提高数据质量，也是应用整体ARX模型时需要解决的关键问题。四、基于地震观测记录的方法对比分析4.1案例选取与数据准备4.1.1选取实际建筑物案例为了深入研究基于地震观测记录的多自由度结构参数识别方法，选取了多个具有代表性的实际建筑物作为研究案例。这些建筑物涵盖了不同的结构类型、高度和层数，以确保研究结果具有广泛的适用性和代表性。案例一为某钢筋混凝土框架结构的高层建筑，位于地震多发区域。该建筑地上30层，地下2层，总高度为100米。建筑平面呈矩形，长60米，宽30米。框架柱采用C40混凝土，梁采用C35混凝土，楼板为现浇钢筋混凝土板。该建筑在设计时考虑了抗震设防要求，抗震设防烈度为8度。由于其高度较高，结构复杂，在地震作用下可能会产生明显的多自由度振动响应，适合用于研究多自由度结构参数识别方法在高层建筑中的应用。案例二是一座钢混组合结构的桥梁，跨越一条重要的河流。桥梁全长500米，主跨为200米，采用双塔斜拉桥结构形式。桥塔采用钢筋混凝土结构，主梁为钢混组合梁，由钢梁和混凝土桥面板组成。该桥梁所处地区地质条件复杂，地震活动较为频繁。在地震作用下，桥梁的结构响应不仅受到自身结构特性的影响，还会受到地震波传播特性和场地条件的影响，是研究多自由度结构参数识别方法在桥梁结构中的理想案例。案例三为一座砌体结构的多层建筑，建于上世纪80年代。该建筑地上6层，无地下室，总高度为18米。建筑平面较为规则，采用砖混结构，墙体为普通黏土砖，楼板为预制钢筋混凝土板。由于建造时间较早，该建筑的抗震性能相对较弱，在地震作用下容易出现损伤和破坏。通过对该建筑的研究，可以探讨多自由度结构参数识别方法在老旧砌体结构中的应用，以及如何通过参数识别评估结构的抗震性能和损伤状况。4.1.2获取地震观测记录这些建筑物的地震观测记录主要来源于当地的地震监测台网以及建筑物自身安装的结构健康监测系统。地震监测台网分布在建筑物周边区域，通过高精度的地震传感器，如加速度计、速度计等，实时监测地震波的传播和地面运动情况。这些监测台网能够记录到不同震级、不同震源距离的地震事件，为研究提供了丰富的地震观测数据。对于高层建筑案例，其结构健康监测系统在建筑物的关键部位，如不同楼层的梁柱节点、核心筒等位置，布置了多个加速度传感器和位移传感器。这些传感器能够实时采集建筑物在地震作用下的动态响应数据，包括加速度时程、位移时程等。在过去的几年里，该高层建筑经历了多次中小地震，其结构健康监测系统成功记录了这些地震事件的观测记录，为后续的结构参数识别分析提供了宝贵的数据支持。对于桥梁案例，在桥塔、主梁的关键截面以及桥墩等部位安装了传感器，用于监测桥梁在地震作用下的振动响应。这些传感器不仅能够记录地震时的加速度和位移响应，还能监测桥梁的应力、应变等参数。通过与周边地震监测台网的数据相结合，可以全面获取桥梁在地震作用下的各种信息。在某次中等强度地震中，桥梁的监测系统记录到了完整的地震观测记录，包括地震发生的时间为[具体时间]，震级为5.5级，震源距离桥梁约50公里。对于砌体结构建筑案例，由于其未安装结构健康监测系统，主要依靠周边地震监测台网获取地震观测记录。通过对台网数据的分析，结合建筑物的地理位置和结构特点，可以推断出该建筑在地震作用下可能的响应情况。在一次震级为4.8级的地震中，距离该建筑最近的监测台记录到的地震加速度峰值为0.15g，地震持续时间约为20秒。这些地震观测记录的关键信息，如震级、震源距离、地震加速度峰值和持续时间等，对于基于地震观测记录的多自由度结构参数识别研究具有重要意义，它们为后续的分析和计算提供了基础数据，能够帮助研究人员更好地理解结构在地震作用下的响应规律，从而提高结构参数识别的准确性和可靠性。4.2不同模型识别结果对比4.2.1模态频率识别结果对钢筋混凝土框架结构高层建筑、钢混组合结构桥梁和砌体结构多层建筑这三个案例，分别采用一维、多维和整体ARX模型进行模态频率识别。在高层建筑案例中，一维ARX模型识别出的一阶模态频率为[X1]Hz，多维ARX模型识别结果为[X2]Hz，整体ARX模型识别结果为[X3]Hz。通过对比发现，整体ARX模型的识别结果与设计值更为接近，误差在[X4]%以内。这是因为整体ARX模型考虑了结构所有测点的响应以及输入的地震激励，能够更全面地捕捉结构的动力学特性，从而提高了模态频率的识别精度。而一维ARX模型仅考虑单个测点的响应，对于结构复杂的高层建筑，可能无法准确反映结构的整体振动特性，导致识别结果与实际值存在一定偏差。多维ARX模型虽然考虑了多个测点的响应，但在处理复杂结构时，由于模态耦合等因素的影响，其识别精度也相对有限。在桥梁案例中，一维ARX模型识别出的一阶模态频率为[X5]Hz，多维ARX模型识别结果为[X6]Hz，整体ARX模型识别结果为[X7]Hz。与设计值相比，整体ARX模型的识别误差最小，为[X8]%。桥梁结构在地震作用下，不同部位的响应相互关联，整体ARX模型能够充分利用这些信息，准确识别出模态频率。而一维ARX模型由于信息获取的局限性，识别结果误差较大。多维ARX模型在处理多测点数据时，虽然比一维ARX模型有一定优势，但在考虑结构整体特性方面仍不如整体ARX模型。对于砌体结构多层建筑案例，一维ARX模型识别出的一阶模态频率为[X9]Hz，多维ARX模型识别结果为[X10]Hz，整体ARX模型识别结果为[X11]Hz。整体ARX模型的识别结果与实际值的误差为[X12]%，相对较小。砌体结构的动力特性较为复杂，一维ARX模型难以全面描述其振动特性，导致识别误差较大。多维ARX模型在一定程度上能够改善识别效果，但整体ARX模型通过综合考虑结构各部分的响应，能够更准确地识别出模态频率。总体而言，整体ARX模型在模态频率识别方面表现最优，能够更准确地反映结构的实际振动特性。这是因为它充分利用了结构所有测点的信息，全面考虑了结构各自由度之间的相互关系，有效避免了因局部信息缺失或模态耦合等因素导致的识别误差。而一维ARX模型和多维ARX模型在处理复杂结构时，由于各自的局限性，识别精度相对较低。在实际工程应用中，对于重要的多自由度结构，应优先考虑采用整体ARX模型进行模态频率识别，以提高识别结果的准确性和可靠性。4.2.2阻尼比识别结果在阻尼比识别方面，对三个案例的分析结果显示出不同模型之间的差异。在高层建筑案例中，一维ARX模型识别出的阻尼比在不同测点存在较大差异，如测点1的阻尼比为[X13]，测点2的阻尼比为[X14]，最大差值达到[X15]。这是因为一维ARX模型仅针对单个测点进行分析，无法考虑结构整体的阻尼分布特性，容易受到局部噪声和测量误差的影响。多维ARX模型识别出的阻尼比相对较为集中，但与整体ARX模型相比，仍存在一定偏差。多维ARX模型识别的平均阻尼比为[X16]，而整体ARX模型识别的阻尼比为[X17]。多维ARX模型虽然考虑了多个测点的响应，但在处理复杂结构的阻尼耦合问题时，能力有限，导致识别结果不够准确。整体ARX模型由于综合考虑了结构所有测点的信息，能够更准确地识别出结构的阻尼比。它通过建立结构整体的动力学模型，充分考虑了结构各部分之间的相互作用和阻尼分布情况，从而得到更可靠的识别结果。在高层建筑案例中，整体ARX模型的识别结果与实际结构的阻尼特性更为接近，能够为结构的抗震性能评估提供更准确的依据。在桥梁案例中，阻尼比识别结果也呈现出类似的趋势。一维ARX模型识别的阻尼比在不同测点波动较大，最大波动范围达到[X18]。多维ARX模型的识别结果相对稳定，但与整体ARX模型相比，误差仍较大，误差范围在[X19]左右。整体ARX模型能够更准确地捕捉桥梁结构的阻尼特性，识别结果与实际情况更为吻合。对于砌体结构多层建筑，一维ARX模型识别的阻尼比离散性较大，离散系数达到[X20]。多维ARX模型的识别结果相对集中，但整体ARX模型的识别精度更高，其识别的阻尼比与通过其他方法验证的结果误差在[X21]以内。综上所述，整体ARX模型在阻尼比识别上具有更高的精度和稳定性。在实际工程应用中，对于需要准确评估结构阻尼特性的情况，整体ARX模型是更为合适的选择。它能够有效克服一维ARX模型和多维ARX模型在阻尼比识别方面的不足，为结构的抗震设计、健康监测和性能评估提供更可靠的阻尼比参数。4.2.3模态振型识别结果在模态振型识别方面，通过对三个案例的分析，可以清晰地看到不同模型的表现差异。以高层建筑案例为例，利用一维ARX模型识别模态振型时，由于其仅基于单个测点的数据进行分析，无法全面反映结构整体的振动形态。在识别高阶模态振型时，一维ARX模型得到的振型与实际振型存在较大偏差，例如在第四阶模态振型中，一维ARX模型识别的某些测点的位移方向与实际情况相反，导致振型形态与真实情况不符。这是因为一维ARX模型缺乏对结构整体各自由度之间相互关系的考虑，难以准确描述复杂的振动模态。多维ARX模型在模态振型识别上相较于一维ARX模型有一定提升。它考虑了多个测点的响应，能够捕捉到结构部分自由度之间的相互作用。然而，在处理复杂的多自由度结构时，多维ARX模型仍存在局限性。在识别高层建筑的高阶模态振型时，虽然多维ARX模型能够大致反映振型的基本形态，但在一些细节上，如某些测点的位移幅值和相位关系，与实际振型存在差异。这是由于多维ARX模型在处理模态耦合等复杂问题时，无法像整体ARX模型那样全面考虑结构的整体特性。整体ARX模型在模态振型识别方面表现最为出色。它将结构视为一个整体，综合考虑了所有测点的响应以及地震激励的作用，能够准确地识别出结构的模态振型。对于高层建筑案例，整体ARX模型识别的各阶模态振型与实际振型高度吻合，无论是低阶模态还是高阶模态，振型的位移幅值、相位关系以及振动形态都与通过有限元分析等方法得到的理论振型非常接近。在识别第五阶模态振型时，整体ARX模型得到的振型曲线与理论振型曲线几乎完全重合，能够为结构的动力分析和抗震设计提供准确的振型信息。在桥梁案例中，一维ARX模型识别的模态振型在跨中部分与实际振型偏差较大，无法准确反映桥梁的整体振动特性。多维ARX模型能够较好地识别出桥梁的主要振动模态，但在一些局部细节上，如桥墩与主梁连接处的振型表现，与实际情况存在一定差异。而整体ARX模型能够全面准确地识别出桥梁在不同工况下的模态振型，包括弯曲、扭转等复杂模态，为桥梁的健康监测和安全评估提供了可靠的依据。对于砌体结构多层建筑，一维ARX模型识别的模态振型较为粗糙，无法准确体现结构各层之间的相对位移关系。多维ARX模型虽然有所改善，但在识别一些复杂的局部模态时，仍存在误差。整体ARX模型则能够精确地识别出砌体结构的模态振型，准确反映结构在地震作用下的振动特性，为砌体结构的抗震性能评估提供了有力支持。整体ARX模型在模态振型识别方面具有更高的准确性和可靠性，能够更全面、准确地反映多自由度结构的实际振动形态，为结构的动力学分析和工程应用提供更有价值的信息。在实际工程中，对于模态振型识别要求较高的结构，应优先采用整体ARX模型进行分析。4.3影响识别精度的因素分析4.3.1噪声影响在实际的地震观测记录中，噪声是不可避免的干扰因素，它会对多自由度结构参数识别精度产生显著影响。为了深入研究噪声对不同模型识别精度的影响，通过数值模拟实验，在原始的地震观测记录和结构响应数据中添加不同水平的噪声，模拟实际测量中可能出现的噪声干扰情况。采用高斯白噪声作为添加噪声源，因为高斯白噪声在实际测量中较为常见，且具有统计特性稳定的特点。分别设置噪声水平为0%（即无噪声）、5%、10%、15%和20%，对每个噪声水平下的数据，分别运用一维ARX模型、多维ARX模型和整体ARX模型进行参数识别。以模态频率识别为例，随着噪声水平的增加，一维ARX模型的识别误差呈现明显的上升趋势。当噪声水平为5%时，其识别误差为[X1]Hz；当噪声水平增加到20%时，识别误差增大到[X2]Hz，误差增长幅度达到[X3]%。这是因为一维ARX模型仅基于单个测点的数据进行分析，对噪声的抗干扰能力较弱，噪声的存在容易导致数据的波动，从而影响模型对结构真实模态频率的识别。多维ARX模型在噪声影响下的表现相对一维ARX模型有所改善。在噪声水平为5%时，其识别误差为[X4]Hz；当噪声水平达到20%时，识别误差为[X5]Hz，误差增长幅度为[X6]%。多维ARX模型考虑了多个测点的响应，能够在一定程度上抵消噪声的影响，但由于其在处理复杂结构时，对模态耦合等问题的处理能力有限，噪声仍会对其识别精度产生较大影响。整体ARX模型在噪声环境下表现出较好的稳定性和抗干扰能力。当噪声水平为5%时，识别误差为[X7]Hz；即使噪声水平增加到20%，识别误差仅增大到[X8]Hz，误差增长幅度为[X9]%。整体ARX模型综合考虑了结构所有测点的信息，通过对多测点数据的融合和分析，能够更有效地抑制噪声的干扰，从而保持较高的识别精度。对于阻尼比识别，噪声的影响更为显著。一维ARX模型在不同噪声水平下，阻尼比的识别结果波动较大，离散性明显增加。在噪声水平为10%时，不同测点识别出的阻尼比最大值与最小值相差可达[X10]。这是因为一维ARX模型对单个测点数据的依赖性强，噪声容易导致局部数据的异常，进而影响阻尼比的准确识别。多维ARX模型的阻尼比识别结果虽然相对一维ARX模型较为集中，但随着噪声水平的提高，其与真实值的偏差也逐渐增大。在噪声水平为20%时，多维ARX模型识别的阻尼比与真实值的误差达到[X11]。整体ARX模型在阻尼比识别方面，受噪声影响相对较小。即使在噪声水平为20%的情况下，其识别的阻尼比与真实值的误差仍控制在[X12]以内，能够为结构的抗震性能评估提供较为准确的阻尼比参数。噪声水平与识别精度之间存在明显的负相关关系。噪声水平越高，各模型的识别精度越低，且对阻尼比识别的影响比对模态频率识别的影响更为显著。整体ARX模型在抵抗噪声干扰方面具有明显优势，能够在一定程度上提高噪声环境下多自由度结构参数识别的精度和可靠性。在实际应用中，应尽量采取有效的降噪措施，如采用滤波技术、数据融合算法等，降低噪声对识别结果的影响，同时优先选择整体ARX模型进行多自由度结构参数识别，以提高识别结果的准确性。4.3.2测点布置影响测点布置方式，包括测点数量和位置，对多自由度结构参数识别结果有着至关重要的影响。测点布置不合理，可能导致获取的结构响应信息不全面，从而影响参数识别的准确性。通过数值模拟和实际案例分析，探讨测点布置方式对参数识别结果的影响，并给出优化测点布置的建议。在数值模拟中，以一个典型的多自由度框架结构为例，该结构具有[X13]个自由度。首先研究测点数量对参数识别结果的影响。分别设置测点数量为5、10、15、20和25个，保持测点位置相对均匀分布。利用整体ARX模型对不同测点数量下的结构进行参数识别，分析模态频率和阻尼比的识别误差。随着测点数量的增加，模态频率和阻尼比的识别误差逐渐减小。当测点数量为5个时，模态频率的平均识别误差为[X14]Hz，阻尼比的平均识别误差为[X15]。当测点数量增加到25个时，模态频率的平均识别误差减小到[X16]Hz，阻尼比的平均识别误差减小到[X17]。这是因为测点数量的增加，能够获取更全面的结构响应信息，减少信息缺失带来的误差，使模型能够更准确地捕捉结构的动力学特性。在实际案例分析中，以某实际桥梁结构为例，该桥梁结构具有复杂的动力学特性。在不同位置布置测点，分析测点位置对参数识别结果的影响。将测点布置在桥梁的关键部位，如桥墩与主梁连接处、跨中位置等，与将测点布置在非关键部位进行对比。当测点布置在关键部位时，能够准确识别出桥梁的主要模态参数，模态频率和阻尼比的识别误差分别为[X18]Hz和[X19]。而当测点布置在非关键部位时，由于无法充分反映结构的主要振动特性，模态频率的识别误差增大到[X20]Hz，阻尼比的识别误差增大到[X21]。这表明测点位置的选择对于准确获取结构的关