Sparse Bayesian learning for joint load-parameter-response identification

Lanxin Luo

doi:10.1016/j.ress.2025.111831

Sparse Bayesian learning for joint load-parameter-response identification

2025-10-28

0

PRE

AI

DOI：10.1016/j.ress.2025.111831

原文链接

原文求助

摘要

En 中文

通过稀疏测量数据联合识别结构荷载、参数和响应对于评估土木基础设施的运营状态至关重要，但极具挑战性。现有联合识别方法通常需要先验信息，例如荷载位置和过程噪声与观测噪声的协方差矩阵，而此类信息在实际中往往不可获取。为解决此局限性，提出了一种基于传递性矩阵的稀疏贝叶斯学习技术，用于联合荷载-参数-响应识别。在贝叶斯框架中，将损伤指标（定义为结构参数变化）和荷载的空间稀疏性作为先验信息。采用期望最大化（EM）算法迭代估计损伤指标、未知力时程、测量噪声及其他方差参数的最可能值。开发了一种改进的Metropolis-Hastings（MH）算法，用于联合生成结构参数和荷载的后验样本，以支持EM算法中的期望计算。收敛后，部分超参数趋于无穷大，相应的损伤指标和力变为零，从而实现识别结果的稀疏性。因此，损伤指标和输入力可同时定位与量化，且全场结构响应能够按序重构并抑制不确定性。该方法通过数值简支梁、实验室测试的三层框架模型和三跨连续桥梁模型进行了验证。结果表明，所提出的稀疏贝叶斯技术即使在不明确荷载位置的情况下，也能同时准确识别损伤指标、荷载和响应。

Sparse Bayesian learning for joint load-parameter-response identification

摘要

期刊

机构

引用论文