基于不同神经网络对已加固刚架拱桥静力有限元模型的参数识别及修正

发布时间：2021-08-17 00:40

　　当前行业内,针对加固后的桥梁,由于各种简化和假定,依据设计资料建立的桥梁初始有限元模型的计算结果与试验测量结果之间往往存在不同程度的差异。本文在前人有限元模型修正研究工作的基础上,因遗传算法和神经网络在处理复杂非线性问题时极具优势,将遗传算法与BP神经网络结合提出了一种集成式的神经网络,引入并改造生成式对抗神经网络（Generative Adversarial Networks,GANs）,分别将其用于桥梁结构静力有限元模型的参数识别与修正中。1、对有限元模型参数识别修正技术及神经网络在其中的应用、研究意义及现状进行了阐述。对有限元模型参数识别基本机理、有限元模型修正的不同类别、待修正参数的筛选、修正效果的评估、目标函数的构造作了介绍。2、引入神经网络。首先,对本文的两种神经网络基模型BP神经网络的机理进行了介绍,其次结合遗传算法与神经网络的各自优点,建立集成神经网络;基于当前在图像、语音领域应用效果显著的生成式对抗神经网络,构造适用于本文的生成式对抗神经网络。3、使用Python语言中的机器学习算法库和深度学习算法库,搭建集成神经网络和生成式对抗神经网络。结合设计资料,搭建有限元模型... 

【文章来源】：长安大学陕西省 211工程院校 教育部直属院校

【文章页数】：103 页

【学位级别】：硕士

【部分图文】：

有限元模型修正流程图

第三章 不同神经网络的结构原理3.1.1 BP 网络模型结构BP 网络一般由至少 3 层神经元组成，其中包括一层输入、输出神经元和至少一层隐藏神经元。相邻层的神经元互连，层内及跨层间的神经元不能连接。张立明[51]就该结构进行了详细的阐述，并就其原理及应用作了介绍。前一层节点的输出作为下一层节点的输入。本层输入值由前一层输出值在叉乘函数处理而得，再由激活函数处理成为其输出值。以一般常见的三层神经网络为例，结构如图 3.1。当数据进入输入层时，经输入至隐层、隐层至输出的各层权值，激活函数的处理形成最终输出值，即为前向传播。然后根据输出值与实际目标变量的误差，再进行梯度反向传播。当给定一批数据时，可由单个数据或一组数据进行权值更新，直至误差满足要求或模型误差无明显改进时，停止更新。

适当拟合 过拟合图 3.2 模型拟合效果示意图3.1.3 BP 神经网络原理令训练集如下 D={( ), ( ),…., ( )}， ，则当前输入数据由 d 维特征，输出数据为 l 维的数据。则根据图 3.1 的示例，该网络包含 d 个输入神经元，q 个隐层神经元，l 个输出神经元。令输出层第 j 个神经元的阈值为ˋ ，隐藏层第 h 个神经元的阈值为 。输入层第 i 个神经元与隐藏层第 h 个神经元的连接权值为 ，隐藏层第 h 个神经元与输出层第 j 个神经元的连接权值为 。则令隐层第 h个神经元接收的输入为 =щ ，输出层第 j 个神经元的输入为 =щ ，其中 为隐层第 h 个神经元的输出。假设隐层和输出层的激活函数都为同一类激活函数 f(x)。


本文编号：3346708