基于优化LSSVM与改进CNN算法的隧道壁响应浮置板损伤识别

摘要

准确、高效地识别浮置板弹簧隔振器损伤对保证地铁运行的平稳性和安全性意义重大。文章通过有限元模拟计算得到隧道壁在不同弹簧隔振器损伤工况下的振动响应数据，利用平行卷积神经网络(Parallel Convolutional Neural Network, P-CNN)和遗传-粒子群(Genetic Algorithm-Particle Swarm Optimization, GA-PSO)算法优化最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)建立弹簧隔振器损伤识别模型，并基于测试集样本数据的识别效果分析不同机器学习模型的性能。结果表明：对损伤数量、程度和位置的识别，P-CNN算法的准确率分别为60%、80%和75%,而GA-PSO优化LSSVM算法的准确率分别为80%、60%和75%;GA-PSO优化LSSVM算法对损伤数量识别的表现更佳，而P-CNN算法对损伤程度的识别效果更优，准确率均可达80%;两种算法对损伤位置识别的效果基本相同，准确率可达75%。

关键词

有限元模型 / 弹簧隔振器 / 损伤识别 / 机器学习