羅俊雄臺灣大學：土木工程學研究所鄭弘偉2007-11-252018-07-092007-11-252018-07-092004http://ntur.lib.ntu.edu.tw//handle/246246/50256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 979394738 bytesapplication/pdfen-US類神經網路Neural Networkthesishttp://ntur.lib.ntu.edu.tw/bitstream/246246/50256/1/ntu-93-R91521237-1.pdf