论文部分内容阅读
近年来,随着结构健康监测(Structural Health Monitoring,SHM)与损伤识别技术的发展,基于粒子群优化算法(Particle Swarm Optimization,PSO)的结构损伤识别方法因其优良的计算性能受到了国内外学者的广泛关注。然而,随着海量结构监测数据逐渐累积,传统监测系统难以对结构状态进行实时评估,进而无法及时有效地进行危险预警。由于PSO的粒子迭代过程计算复杂、耗时较长,传统PSO实时处理海量结构监测数据的能力极为有限。针对上述问题,结合近年来兴起的云计算技术和并行分布式概念,开展基于云计算的结构并行损伤识别研究。主要的研究工作与取得的成果如下:(1)开展了多粒子群协同优化算法的并行化研发,提出一种并行改进多粒子群协同优化算法(Parallel Improved Multi-Particle Swarm Coevolution Optimization,PIMPSCO)。该并行改进算法能接入云计算平台进行分布式并行计算,具有很好的可扩展性。利用三种测试函数对传统多粒子群协同优化算法(Multi-Particle Swarm Coevolution Optimization,MPSCO)和 PIMPSCO 进行稳定性测试,测试表明PIMPSCO的稳定性优于传统MPSCO算法。(2)基于PIMPSCO,开展了基于Matlab云计算平台的框架结构物理参数辨识算法研究,研发了一种新型物理参数并行辨识算法,可以克服MPSCO难以有效处理海量数据的不足。15层框架数值实验和7层钢框架实验室模型试验表明,该算法能够精确识别结构物理参数,计算耗时明显减少,计算效率成倍增加。(3)开展了基于Spark云计算平台的框架结构参数并行辨识算法研究,并通过30层框架数值实验和7层钢框架实验室模型试验进行了验证。结果表明,提出的基于Spark云平台的框架物理参数辨识方法能保持良好的识别精度、稳定性和可扩展性,计算效率随着数据量的增多而明显增强,比较发现,基于Spark云计算平台的辨识算法在处理分析海量数据时比Matlab云计算更有优势。(4)根据多元统计分析,开展了基于云计算的智能损伤识别研究,提出一种基于云计算的两阶段框架结构智能损伤识别方法,数值实验验证了方法的有效性和抗噪性。研究表明,该方法的识别速度和准度较传统方法均得到了明显提升。本文研究成果可为SHM系统数据量膨胀、大型结构运算能力不足等问题提供新的思路和解决策略,并具有一定的理论和现实指导意义。