Идентификация линейных и нелинейных физических параметров многоэтажных зданий в разрезе с использованием искусственной нейронной сети.

В этом исследовании предлагается новый метод для одновременной идентификации физических параметров (т.е. массы, жесткости и демпфирующих матриц), а также для разделения линейных физических параметров от нелинейных путем использования искусственных нейронных сетей (ИНС) в нелинейных системах со многими степенями свободы (МСС). Для разработки соответствующей ИНС в этом методе уравнение колебаний сосредоточенных масс системы перестроено в новую форму. Предлагаемая ИНС состоит из двух частей, а именно линейной и нелинейной. Выходные данные нелинейной части предлагаемой ИНС определяют нелинейные свойства системы. Кроме того, количество занятых ИНС равно числу степеней свободы, рассматриваемых для нелинейной системы. Изначально первая ИНС обучается и затем идентифицируются соответствующие параметры линейной части. Впоследствии, вторая ИНС обучается с помощью вычисленной массы первой системы МСС. Данная процедура обучения и идентификации параметров каждой системы МСС повторяется подобным образом, пока все параметры этой системы не идентифицируются, затем идентификация нелинейной части начинается с возбуждения нелинейной части ИНС. И, наконец, линеаризованные значения жесткости и нелинейных членов получаются из выходных результатов возбуждений. Предложенный алгоритм был проверен на нескольких примерах.

Ключевые слова: идентификация массы/демпфирования/жесткости; линейная и нелинейная идентификация; обратные задачи; модель здания в разрезе; вынужденные колебания; искусственные нейронные сети.

1. Введение

Для записи нелинейных циклов гистерезиса в структурах, необходимо чтобы произошло землетрясение. С другой стороны, для определения структуры форсированными методами вибрации, [1] фактическая структура не может быть возбуждена так, чтобы, могли быть записаны нелинейные циклы, а сильные возбуждения могли привести к структурному повреждению. Нелинейное поведение может наблюдаться в структурах из-за таких факторов, как в заполнение неструктурных элементов, структурных повреждений и различных элементов с нелинейным поведением. [2] В идентификации линейных параметров с наличием нелинейности, нелинейные факторы могут быть рассмотрены и признаны с соответствующей нелинейной моделью. При таком подходе, нелинейные факторы учитываются в системе как негауссовский шум. История нелинейных идентификации уходит корнями в 1970-е к главным работам П. Ибаньеса. [3] С тех пор, развитие нелинейных методов идентификации привело к публикации нескольких учебников. Авторами одной из первых книг, изданных в этой области были Уорден и Томлинсон. [4] Кроме того, есть и другие книги, основанные на модели Буча-Вэня, написанные в последние годы (см. ссылку [5]) Существуют различные подходы в области идентификации нелинейных систем со многими степенями свободы (МСС). Один из таких подходов вычисляется путем уменьшения числа степеней свободы, используемых при сборе данных. Платтен и соавт. [6] применили расширенную модальную модель пространства в идентификации нелинейных систем МСС с возбуждением нескольких специфических степеней свободы. В нелинейной идентификации, можно использовать заданную модель, чтобы свести к минимуму неопределенность в нелинейных системах. Сюэци и соавторами [7] был предложен метод для выявления нелинейных систем с помощью кусочно-линейной модели. Чжан и соавт. [8] использовали три метода для идентификации нелинейных систем предполагая, что нелинейное поведение модели исходит из модели Буча-Вэня.

Идентификация систем может быть выполнена в частотной или во временной области. В связи с ходом развития науки, методы временной области стали более изменчивы и распространены, чем методы частотной области. Группу общих методов называют нелинейной авторегрессионной подвижной усредненной моделью с внешними входами, которая, в силу своего характера, может быть использована для решения широкого спектра задач во временной области, основываясь на истории временных окон. [9] Еще один распространенный метод временной области - это фильтр Калмана. Ганем и Ферро [10] использовали этот инструмент для выявления нелинейных систем в области мониторинга здоровья. Их предложенная нелинейная модель похожа на модель Буча-Вэня. Метод "фильтр Калмана" был введен в отрасли современного управления наукой; Поэтому мониторинг здоровья и обнаружение повреждений более эффективно привели его в действие в подотраслях идентификации систем. [11] В последние годы, некоторые нелинейные идентификации основанные на методах наименьших квадратов (НК) были проведены Янгом и его сотрудниками. [12,13] Кроме того, некоторые методы были созданы с помощью комбинации методов временной и частотной областей.[14]

В дополнение к многочисленным подходам в области нелинейной системы идентификации, которые основаны на методах жестких вычислений, существуют и другие подходы, которые работают в соответствии с методами мягкого вычисления; Особенно с теми, которые основаны на искусственном интеллекте. [15,16] Преимущество методов основанных на интеллекте, таких как те, которые основаны на ИНС, является то, что процедура решения не зависит от сложных математических уравнений или даже от рекурсивных тенденций. Цель данного исследования заключается в получении линейных параметров, а также для оценки нелинейных моделей структур. В этом методе, необходимые колебания не настолько сильны. В связи с этим, некоторые части процедуры решения уравнения достигаются при использовании ИНС. Предложенный метод исследования не требует каких-либо заданных моделей, выходящих за рамки общих методов. Кроме того, этот метод может быть использован в областях обнаружения повреждений и системы идентификации, в силу своего потенциала к распознаванию нелинейных моделей.