一种连续梁火灾损伤识别方法技术

本发明专利技术公开了一种连续梁火灾损伤识别方法，包括以下步骤：S1.建立三跨梁结构模型；S2.设定工况种类N，构建训练样本A；S3.设定参数，训练支持向量机分类网络；S4.利用实测模态参数构造检测样本B，获得受火工况分类预测值；S5.重新构建训练样本A1和受火时间T；S6.构建小波神经网络回归算法，形成特定工况下损伤程度回归检测模型；S7.利用实测模态参数构造检测样本B，获得受火时间预测值；S8.与阈值进行比较，当ER≤5％，MAC≥0.95时，输出结果，反之返回S1。其优点在于，可以有效获得受火位置及损伤程度，用于指导、完善工程结构抗火计算理论，具有重要工程意义。

【技术实现步骤摘要】
一种连续梁火灾损伤识别方法
本专利技术属于建筑类火灾防护领域，具体为一种连续梁火灾损伤识别方法。
技术介绍
国内外通过大量数据表明：民用建筑火灾不仅会造成人员、经济损失，对于建筑结构损伤不可估量。当结构处于高温环境中，材料性能劣化，安全性降低，不确定性因素增多，同时，由于火灾导致构件的损伤无明显规律，导致损伤识别研究难度较高。但国内外学者对此进行了大量的试验研究，从目前的研究成果来看，通过多种试验方法，对火灾损伤后混凝土结构损伤程度的确定，已有初步成果。但是，到目前为止，多数方法未成体系，应用范围具有局限性。
技术实现思路
基于上述问题，本专利技术提出一种可以有效获得受火位置及损伤程度的识别方法，其技术方案为，一种连续梁火灾损伤识别方法，包括以下步骤：S1.建立三跨梁结构模型；S2.设定工况种类N，构建训练样本A；S3.设定参数，训练支持向量机分类网络；S4.利用实测模态参数构造检测样本B，获得受火工况分类预测值；S5.重新构建训练样本A1和受火时间T；S6.构建小波神经网络回归算法，形成特定工况下损伤程度回归检测模型；S7.利用实测模态参数构造检测样本B，获得受火时间预测值；S8.与阈值进行比较，当ER≤5％，MAC≥0.95时，输出结果，反之进一步完善S1的三跨梁结构模型。进一步的，所述步骤S2中利用支持向量机分类功能，以振型、频率组合参数为依据，构建输入矩阵，作为训练样本A，工况种类N为输出。进一步的，所述三跨梁包括左边跨、中跨和右边跨，工况种类N为7；设定梁跨受火时间范围t＝0～150min，训练样本A选取具体以5min为间隔。进一步的，步骤S5中，在确定损伤位置之后，以当前振型、频率组合参数为依据，重新构建输入矩阵，作为训练样本A1,受火时间T为输。有益效果本专利技术基于支持向量机、小波神经网络提出改进方法，有效获得受火位置及损伤程度，用于指导、完善工程结构抗火计算理论，具有重要工程意义。附图说明图1为三跨连续梁火灾定性损伤识别方法示意图；图2为三跨连续梁模型；图3为频率f1＝68.5Hz时实验效果图；图4为频率f2＝88.7Hz时实验效果图；图5为频率f3＝116.1Hz时实验效果图；图6为频率f4＝144.3Hz时实验效果图；具体实施方式以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。一种连续梁火灾损伤识别方法，包括以下步骤：S1.建立三跨梁结构模型；建立三跨钢筋混凝土连续梁模型(宽度)B×(高度)H×(长度)L＝250mm×400mm×9000mm，选取混凝土强度为C35，斯蒂芬-波尔兹曼常数为5.67×10-8W/(m2·K4)，对流换热系数为25W/(m2·℃)。各支座竖向刚度为8.2×109N/m。模拟时不考虑裂缝的影响，三跨连续梁底面及两侧面受火；S2.构建训练样本A，训练样本A选取具体以5min为间隔获取一次，可将三跨连续梁所有受火工况进行分类，分为表1中的工况种类N为7类，相关计算参数取值与简支梁一致，对三跨梁进行7类工况下的温度和模态计算。表1三跨连续梁受火工况利用支持向量机分类功能，以振型、频率组合参数为依据，构建输入矩阵，作为训练样本A，工况种类N为输出。S3.设定参数，训练支持向量机分类网络；S4.利用实测模态参数构造检测样本B(5％白噪声为模拟值添加5％白噪声模拟实测值)，获得受火工况分类预测值；S5.在确定损伤位置之后，以当前振型、频率组合参数为依据，重新构建输入矩阵，作为训练样本A1,受火时间T为输。S6.构建小波神经网络回归算法，形成特定工况下损伤程度回归检测模型；S7.利用实测模态参数构造检测样本B(5％白噪声为模拟值添加5％白噪声模拟实测值)，获得受火时间预测值；S8.与阈值进行比较，当ER≤5％，MAC≥0.95时，输出结果，反之进一步完善S1的三跨梁结构模型。为保证验证效果的有效性，构建7种工况类别，按照5min受火时间间隔，每种工况对应31个样本，训练样本A共计7×31＝217。从上述工况中，各选取3个样本，训练样本A1共计21个样本，并施加5％随机白噪声模拟真实环境验证。初始参数选取如表2、三跨连续梁火灾下定性识别结果误差如表3。表2初始参数选取表3三跨连续梁火灾下定性识别结果误差三跨定性识别方法基于简支梁火灾损伤识别提出，增加多工况实施复杂性，重点在于支持向量机分类功能。从验证结果可知：识别正确率为接近100％，证明了支持向量机具有良好的鲁棒性及可靠性。结论：1.利用支持向量机的分类、小波神经网络回归算法，将机器学习与结构损伤识别实现有机统一，对于评定火灾损伤具有重要工程意义，一方面损伤程度属于连续性问题，不可能将所有问题简单化，另一方面，特征向量的构造方式较为单一，预测范围亟待提升，不可能达到精准、无差错、局部无损检测的精度。2.三跨连续梁定性识别方法能有效实现结构损伤识别，对于复杂结构简化识别具有重要意义。3.该方法基于动力参数进行，采用解决学习问题的方式构建预测模型，随着机器学习方法的进步，相关发展前景良好。以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种连续梁火灾损伤识别方法，其特征在于，包括以下步骤：/nS1.建立三跨梁结构模型；/nS2.设定工况种类N，构建训练样本A；/nS3.设定参数，训练支持向量机分类网络；/nS4.利用实测模态参数构造检测样本B，获得受火工况分类预测值；/nS5.重新构建训练样本A1和受火时间T；/nS6.构建小波神经网络回归算法，形成特定工况下损伤程度回归检测模型；/nS7.利用实测模态参数构造检测样本B，获得受火时间预测值；/nS8.与阈值进行比较，当ER≤5％，MAC≥0.95时，输出结果，反之进一步完善S1的三跨梁结构模型。/n

【技术特征摘要】
1.一种连续梁火灾损伤识别方法，其特征在于，包括以下步骤：
S1.建立三跨梁结构模型；
S2.设定工况种类N，构建训练样本A；
S3.设定参数，训练支持向量机分类网络；
S4.利用实测模态参数构造检测样本B，获得受火工况分类预测值；
S5.重新构建训练样本A1和受火时间T；
S6.构建小波神经网络回归算法，形成特定工况下损伤程度回归检测模型；
S7.利用实测模态参数构造检测样本B，获得受火时间预测值；
S8.与阈值进行比较，当ER≤5％，MAC≥0.95时，输出结果，反之进一步完善S1的三跨梁结构模型。


2.根据权...

【专利技术属性】
技术研发人员：刘晓英，刘承鑫，王胜，周昊，张所绪，盖松涛，
申请(专利权)人：青建集团股份公司，
类型：发明
国别省市：山东;37