基于GIS和人工神经网络技术的复杂高层建筑健康监测系统研究

摘要

地理信息系统(GIS)和人工神经网络技术(ANN)在大型土木工程健康监测系统中已被广泛应用，复杂高层建筑进行实时的健康监测或灾后损伤检测也日益重要。本文围绕本课题组“基于GIS的重大土木工程健康监测研究”的工作，以某高震区一工程实例为基础研究了带大底盘的复杂高层结构的抗震性能，并以一典型带大底盘的高层建筑结构为例，基于VB语言建立了一个具有地理信息系统(GlS)特有功能的健康监测系统，定义了结构在地震作用下的不同损伤类型，利用人工神经网络技术对其进行损伤识别。
　　首先，以在建的山东临沂某商贸中心工程实例为基础，研究了底盘层数、塔楼首层与底盘顶层刚度比对该类型复杂高层结构的抗震性能的影响，同时对该结构进行了罕遇地震下的弹塑性时程分析，根据结构的塑性发展情况，给出了该复杂结构在罕遇地震作用下的损坏顺序，为以后的健康监测做准备。
　　然后，针对结构健康监测系统(Structural Health Monitoring System，简称“SHM”)分析了系统的开发方法、开发工具以及地理信息系统在其中的应用，提出了构建SHM系统的数据结构，并以某高震区一典型带大底盘的高层建筑结构为研究对象，编制了相关的结构信息化程序模块，主要实现将地理信息与结构属性信息相结合从而使各类信息可视化、损伤识别定位的显示，以及利用地理信息系统特有专题分析功能将数据以统计图形式显示于地图上，使用户更直接清晰地发现损伤位置。
　　最后，将损伤检测技术与地理信息系统(GIS)有机地结合在一起。利用地理信息系统(GIS)对数据进行管理和分析，利用系统中的损伤检测模块实现结构的损伤识别。以一典型的带有大底盘的高层结构为例，对结构进行静力弹塑性分析(Push-over)，根据结构构件的损坏顺序及部位，定义十种不同的损伤类型。通过对损伤构件的刚度折减模拟结构的损伤，利用损伤前后结构前六阶自振频率和关键点的加速度数据两种参量分别构造损伤指标作为输入向量训练人工神经网络，并对比两种损伤指标的识别精度。结果表明：以加速度方差变化率作为输入向量训练人工神经网络，对该类型高层建筑损伤类型和损伤程度的识别都取得了较好的精度，形成的网络对新的损伤类别也具有良好的自学和泛化能力。同时对基于人工神经网络的该类型高层建筑健康监测或损失识别给出了一些设计和监测建议。