本文主要探讨了跨海大桥水平位移的混沌特征识别及其神经网络预测的研究。混沌现象在桥梁变形监测数据中普遍存在,特别是在海洋环境中受到海浪、飓风、船体撞击等因素影响的桥梁。混沌特征的识别对于理解桥梁的安全运营至关重要。
文章介绍了如何识别混沌特征。通过C-C方法计算时间序列的延迟时间,并利用G-P方法确定最佳嵌入维数,这些步骤用于相空间的重构,为混沌时间序列预测模型的构建提供基础。此外,最大Lyapunov指数也被用来判断系统的混沌状态,当指数趋近于无穷大时,表示系统进入混沌状态。
接着,研究使用径向基函数(RBF)神经网络建立了混沌时间序列预测模型。RBF神经网络以其良好的非线性拟合能力,适用于处理混沌序列的预测问题。通过对实测数据的预测,结果表明,基于RBF神经网络的模型在预测桥梁水平位移上优于基于最大Lyapunov指数的混沌时间序列预测模型,尤其是在短期预测上表现出更好的效果。
文章以青岛胶州湾跨海大桥为例,对其进行了长期的变形监测。使用徕卡30全站仪获取高精度的三维坐标数据,通过监测点的自动观测来记录桥梁的变形情况。数据表明,桥梁的水平位移观测数据在x方向和y方向上没有明显的线性或周期性变化,这提示可能存在着混沌行为。
文章强调了对跨海大桥时空非线性变形模型进行研究的重要性,这有助于揭示桥梁变形的内在机制,并为确保桥梁的安全运营提供理论支持。尽管已有混沌时间序列预测的数学模型,如神经网络和支持向量机,但支持向量机在参数选择和局部优化方面的局限性使得RBF神经网络成为更优的选择。
总结来说,这篇研究聚焦于利用混沌特征识别和神经网络预测技术来理解和预测跨海大桥的水平位移,为桥梁安全监控提供了新的工具和方法。混沌理论和神经网络的结合应用,为复杂环境下的桥梁变形预测提供了新的思路,对于提高桥梁的安全性和稳定性具有重要意义。