(3.230.154.160) 您好!臺灣時間:2021/05/07 17:47
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:鄭弘偉
研究生(外文):Hong-Wei Cheng
論文名稱:結構非線性反應之系統識別
指導教授:羅俊雄羅俊雄引用關係
學位類別:碩士
校院名稱:國立臺灣大學
系所名稱:土木工程學研究所
學門:工程學門
學類:土木工程學類
論文種類:學術論文
論文出版年:2004
畢業學年度:92
語文別:中文
論文頁數:114
中文關鍵詞:類神經網路
外文關鍵詞:Neural Network
相關次數:
  • 被引用被引用:0
  • 點閱點閱:90
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
建築物在地震作用下,常會產生很大的非線性行為,甚至破壞。進而對人的生命安全和財產產生威脅。所以如何去預測建築物的在地震下的特性成為一個很重要的課題。但是因為其特性非常複雜,並不是很好求取的特性。又近來類神經網路成為一個新興的求取非線性反應的有力的工具,所以我就結合這兩個來進行研究。並分析建築物在地震下系統特性的改變。
我運用了Volttera kernels 求取系統的頻率反應函數。並推廣到兩個輸入和一個輸出的類神經網路的模式。並以碧潭橋為例作為印證。
但是類神經網路求取權重的時候需要耗費大量的時間,所以我想看看用別的方法來試看看求取網路的權重,來節省時間並能否得到一個良好的近似解。所以我用了遞迴性最小平方法和卡式濾波法以一個RCS結構,去求取他的WEN模式的遲滯力的類神經網路的的權重,得到了良好的解。所以可以用此方法來簡化並解省求權重的時間。可在系統識別上作為一個有效的方法
Earthquakes make a lot of damages in Taiwan. It is really important to make sure that how the structures behave during earthquakes. Recently the neural network is a powerful tool to identify the nonlinear properties. So I use the neural networks to identify a 3-story RCS structures property. The 3-story RCS structures prototype structure is designed for a highly seismic location either in Taiwan or California. Pseudo dynamic test was conducted to this frame structure. The total test consists of four excitations in the following order: 1) 50% chance of exceeding in 50 years TCU082, 2) 10% chance of exceeding in 50 years LP89g04, 3) 2% chance of exceeding in 50 years TCU082, and 4) 10% chance of exceeding in 50 years LP89g04. These ground motions were followed by a monotonic push out to 8% roof drift. And then I identify the frequency response function of the structure.
And then I use the 2-input and 1-output neural network to identify the Bitan bridge’s dynamic property such as frequency response function and multi-input single output Volterra kernels.
Finally, I use the Kalman filter and recursive least square method to make the procedures of finding the weighting of the neural network easily. It shows that even if we simplify the procedures ,it still has a great good performance to identify the 3-story RCS structure’s hysteretic force.
第一章 導論 1
1.1研究動機 1
1.2文獻回顧 1
1.3本文內容 2
第二章 4
研究方法 4
2-1希伯特轉換( Hilbert transform) 與非線性系統 4
2.2類神經網路 6
2.2.1NARX類神經網路 7
2.2.2結構非線性分析 8
2.2.3 多重輸入單輸出 11
2.3遞迴性最小平方法(RLS)法和卡氏過濾法(Kalman Filter)法 16
2.3.1遞迴性最小平方法(RLS) 16
2.3.2卡氏過濾法(Kalman Filter) 19
2.4小結 21
第三章 23
案例分析 23
3.1驗證結構是否產生非線性 23
3.2 利用類神經網路求HFRFs 25
3.3 多輸入單輸出的的類神經網路求頻率反應函數 26
3.4 以遞迴性最小平方法和卡式濾波法求類神經網路的權重 30
3.5小結 33
第四章 93
案例分析二 93
第五章 110
結論與討論 110
參考文獻 113

附表目錄
表3.1 十月十一號各樓層的HTD0 35
表3.2 以遞迴性最小平方法決定N值 35
表3.3 卡式濾波法和RLS法的均方誤差 35
表4.1 網路一到六的參數簡化關係 97
1.杜竟源 “頻率域與時間域系統識別之方法對非線性系統之應用” 國立臺灣大學碩士論文,羅俊雄教授指導,民國八十四年六月
2.J. S. Gendat and A. G. Piersol “Random Data: Analysis and Measurement Procedures,2nd Edition” John and Wiley and Sons ,Inc 1986.
3.M. Simon and G. R. Tomlinson “Use of the Hilbert Transform in Modal Analysis of Linear and Nonlinear Structurres” Journal of Sound and Vibration(1984) 96(4),421-436
4.C. Y. Kao, C. C. Tseng ,C. C. Loh and T. H. Wu “Neural Network for Nonlinear Identification and Diagnosis of structures”
5.Chance, J. E. et al. 1998. Frequency domain analysis of NARX neural networks. Journal of sound and vibration 213(5): 915-941.
6.Huang, C. C. & Loh, C. H. 2001. Nonlinear identification of dynamic systems using neural networks. Computer-Aided Civil and Infrastructure Engineering 16: 28-41.
7.Hung, S. L. & Kao, C. Y. 2002. Structural damage detection using the optimal weights of the approximating artificial neural networks. Earthquake Engineering and Structural Dynamics 31(2): 217-234
8.Wray, J. & Green, G. G. R. 1994. Calculation of the Volterra kernels of non-linear dynamic systems using an artificial neural network. Biological Cybernetics 71: 187-195.
9.Masri, S. F. et al. 1996. Neural network approach to detection of changes in structural parameters. Journal of Engineering Mechanics 122(5): 350-360.
10.K. Worden and G. Manson and G.. R. Tomlison “a Harmonic probing algorithm for the multi-input Volterra series” Journal of Sound and Vibration(1997) 201(1),67-84
11.Hung, S. L. & Kao, C. Y. 2002. Structural damage detection using the optimal weights of the approximating artificial neural networks. Earthquake Engineering and Structural Dynamics 31(2): 217-234.
12.Tadanobu Sato and Masashi Kikukawa “a Linear algorithm to identify the nonlinear structural system equations” Japan Society of Civil Engineering (1998 January Edition)
13.Tadanobu Sato and Makoto Sato “Structural Identification Using Neural Network and Kalman filter algorithms” 日本土木學會論文集
14.吳子修 “結構振動訊號之識別與分析 Identification and Analysis of Structural Vibration signal” 國立臺灣大學博士論文,羅俊雄教授指導,民國八十六年十一月
15.J. E. Parkum, N.. K. Poulsen and J. Holst “Recursive forgetting algorithm” International Journal of Control,1992 vol 55 No. 1 ,109-128
16.P, Anderson “Adaptive Forgetting in recursive Identification through Multiple models” International Journal of Control, vol. 42 No. 5 , 1175-1193.
17.Quan-Gen Zhou and William R. Cluett “Recursive identification of time varying system via Increment Estimation” Automatic ,vol. 32 No. 10 ,1427-1431,1996
18.A. W. C. Oreta and T. Tanabe “Local Identification of structures by Kalman Filter” Structural Engineering/Earthquake Engineering vol. 9 No. 4 JSCE,January,217-225s ,1993
19.S.F. Masri, A. G. Chassiakos and T. K. Caughey “Structure-unknown non-linear dynamic systems: identification through neural networks “ smart materials and structures, vol. 1 pp.45-56,1992
20.羅俊雄 吳子修 曾昭俊 “橋樑之強地動資料之識別與分析” 中山高速公路汐止五股高架拓寬工程圓山段橋樑及北二高碧潭橋監測系統之後續計畫期末報告 交通部台灣區國道高速公路局 中華民國九十一年六月
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔