针对传统损伤检测方法难以准确识别桥梁结构损伤程度的不足,利用分类回归树(classfication and regression tree,CART)算法在数据挖掘方面的优势,通过计算基尼系数选取合适的特征对数据样本进行分类,提出一种损伤检测方法对桥梁的损伤...针对传统损伤检测方法难以准确识别桥梁结构损伤程度的不足,利用分类回归树(classfication and regression tree,CART)算法在数据挖掘方面的优势,通过计算基尼系数选取合适的特征对数据样本进行分类,提出一种损伤检测方法对桥梁的损伤动力信息进行学习分类。首先利用附加质量方法构建结构动力响应数据集,计算附加质量的模态应变能指标ξ,对结构损伤进行定位;然后将ξ作为决策树的特征,输入到CART算法中进行训练,对损伤程度进行分类和识别,并对该方法进行抗噪性验证,最后通过简支梁和连续梁算例进行验证分析。研究结果表明:基于附加质量的损伤识别指标能准确定位损伤,且CART算法能够有效识别桥梁结构的损伤程度,在2%、5%噪声水平下,2种算例的损伤程度识别准确率分别达到99%、95%和95%、90%以上,具有较高准确率和较强鲁棒性;该方法为桥梁结构损伤程度识别提供了一种新的参考。展开更多
文摘针对传统损伤检测方法难以准确识别桥梁结构损伤程度的不足,利用分类回归树(classfication and regression tree,CART)算法在数据挖掘方面的优势,通过计算基尼系数选取合适的特征对数据样本进行分类,提出一种损伤检测方法对桥梁的损伤动力信息进行学习分类。首先利用附加质量方法构建结构动力响应数据集,计算附加质量的模态应变能指标ξ,对结构损伤进行定位;然后将ξ作为决策树的特征,输入到CART算法中进行训练,对损伤程度进行分类和识别,并对该方法进行抗噪性验证,最后通过简支梁和连续梁算例进行验证分析。研究结果表明:基于附加质量的损伤识别指标能准确定位损伤,且CART算法能够有效识别桥梁结构的损伤程度,在2%、5%噪声水平下,2种算例的损伤程度识别准确率分别达到99%、95%和95%、90%以上,具有较高准确率和较强鲁棒性;该方法为桥梁结构损伤程度识别提供了一种新的参考。
