为实现环境激励下复杂钢结构的损伤预警,提出一种基于粒子群优化(particle swarm optimization,简称PSO)的支持向量回归(support vector regression,简称SVR)-时间序列(auto-regressive and moving average model,简称ARMA)组合模型用...为实现环境激励下复杂钢结构的损伤预警,提出一种基于粒子群优化(particle swarm optimization,简称PSO)的支持向量回归(support vector regression,简称SVR)-时间序列(auto-regressive and moving average model,简称ARMA)组合模型用于频率预测,并结合均值控制图法将其用于复杂钢结构的损伤预警中。所提出频率预测模型的准确性和有效性采用潍坊市白浪河摩天轮钢结构实测数据进行验证。验证结果表明:与基本SVR模型、SVR-ARMA模型和PSO-SVR模型相比,所提模型具有更高的泛化能力和预测精度;在白浪河摩天轮钢结构的损伤预警中,基于粒子群优化的SVR-ARMA组合模型可检出由损伤造成模态频率轻微的异常变化,具有较强的损伤敏感性。研究成果可为环境激励下复杂钢结构的损伤预警提供参考。展开更多
文摘为实现环境激励下复杂钢结构的损伤预警,提出一种基于粒子群优化(particle swarm optimization,简称PSO)的支持向量回归(support vector regression,简称SVR)-时间序列(auto-regressive and moving average model,简称ARMA)组合模型用于频率预测,并结合均值控制图法将其用于复杂钢结构的损伤预警中。所提出频率预测模型的准确性和有效性采用潍坊市白浪河摩天轮钢结构实测数据进行验证。验证结果表明:与基本SVR模型、SVR-ARMA模型和PSO-SVR模型相比,所提模型具有更高的泛化能力和预测精度;在白浪河摩天轮钢结构的损伤预警中,基于粒子群优化的SVR-ARMA组合模型可检出由损伤造成模态频率轻微的异常变化,具有较强的损伤敏感性。研究成果可为环境激励下复杂钢结构的损伤预警提供参考。
