熵 can effectively locate and quantify damage, with higher precision near the vibration mode nodes than the curvature mode. When the number of measurement points is 33, the recognition accuracy reaches its peak.
本文探讨了一种新的结构损伤识别方法，它结合了广义局部曲率模态信息熵和反向传播(BP)神经网络。该方法旨在解决传统曲率模态在识别结构损伤时的不足，如对振动模式节点的敏感性较低以及无法进行定量损伤评估。广义局部曲率模态信息熵的概念被提出，它通过引入曲率模态对原有的信息熵进行扩展，从而可以更准确地反映结构的状态变化。
文章介绍了广义局部曲率模态信息熵的公式推导过程，这是一种新的损伤指标，能够更加敏感地捕获结构的微小变化。接着，通过有限元软件Midas civil建立了一个简支梁桥的损伤模型，以模拟实际结构可能遇到的各种损伤情况。对这个模型的动力参数进行了提取和处理，以获取反映结构动态特性的数据。
然后，文章利用一阶曲率模态和广义局部曲率模态信息熵作为BP神经网络的输入参数，进行损伤识别。神经网络是一种强大的机器学习工具，尤其在数据建模和模式识别方面表现突出。通过训练神经网络，可以学习并理解这两个参数与结构损伤之间的关系，从而实现损伤的定位和量化。
实验结果显示，广义局部曲率模态信息熵作为输入参数在损伤识别上的效果优于传统的曲率模态。特别是在接近振动模式节点的位置，信息熵指标的识别精度更高。此外，作者还研究了测量点的数量对识别精度的影响，发现当测量点数量为33时，识别精度达到最佳。
关键词中的“广义局部曲率模态信息熵”是本文的核心概念，它提供了比传统方法更精确的损伤评估手段；“曲率模态”是基础的分析工具，但其局限性促使了新方法的提出；“BP神经网络”是实现损伤识别的关键算法，通过学习和预测来确定损伤状态；“损伤定位”和“损伤定量”是研究的目标，也是评价方法有效性的主要标准。
这项研究提供了一种创新的结构损伤识别方法，结合了信息理论与神经网络技术，对于提升结构健康监测的精度和效率具有重要意义。这种方法对于未来在桥梁、建筑物等大型结构的维护和安全评估中具有广泛的应用前景。
VIP享7折，此内容立减4.47元 
