当前位置：文档之家 › 基于BP网络识别框架结构损伤的研究

基于BP网络识别框架结构损伤的研究

  • 格式：pdf
  • 大小：132.41 KB
  • 文档页数：2

第３３卷第ｌ４期　・７０・　２　０　０　７年５月　山　西　建　筑　ＳＨＡＮＸＩ　ＡＲＣＨＩＴＥＣｒＵＲＥ　Ｖ０１．３３　Ｎｏ．１４　Ｍａｙ．２００７　

文章编号：１００９—６８２５（２００７）１４—００７０—０２　

基于ＢＰ网络识别框架结构损伤的研究　

范进胜　苏英志　李秀芬　

摘要ｉ基于模态振型，提出一个新的参数——振型曲率比，作为ＢＰ网络的输入向量，然后用有限元分析计算结果作为　网络的学习和预测样本，对不同的结构模拟损伤进行了识别，结果表明该方法简便有效，值得推广应用。　关键词：振型曲率比，ＢＰ网络，损伤识别　

中图分类号：Ｔ１Ｊ３１２．３　文献标识码：Ａ　

工程结构的安全可靠性已成为人们广泛关注的问题。目前　

我国绝大部分框架结构均为钢筋混凝土结构。这些建筑物大都　建于二十世纪五六十年代，有的已接近设计基准期，有的由于种　

种原因，不同程度地受到了破损，存在着一些质量隐患。这些损伤　和质量隐患有时会造成工程结构的严重破坏甚至倒塌。近年来，　因结构破坏造成的严重人员伤亡及财产损失在国内屡屡出现。因　

此，加强钢筋混凝土框架结构损伤识别的研究是十分必要的。　神经网络是模拟人脑或神经系统的功能发展而来的，并广泛　

应用于各个工程领域，尽管神经网络技术并不是专门为损伤识别　设计的，但其模式识别的能力使得它适合于工程中的损伤检测。　最早将神经网络用于结构损伤检测的是美国Ｐｕｒｄｕ大学的　

ｖ肌ｋａｔａｓｕｂｒａｍａｎｉａｎ和Ｃｈａｎ…，目前人们使用过的网络模型有ＢＰ　神经网络、径向基函数神经网络、概率神经网络、模糊神经网　络［　Ｉ４］等。　

１神经网络输入向量的选取　

将神经网络用于结构的损伤识别时，输入特征参数的表达形　

式会直接影响损伤识别的结果，因此必须选择一种合适的参数作　为神经网络的输入向量。用振动法进行结构损伤检测时，有许多　参数可以作为神经网络的特征参数，如振动响应信号、位移、应　

变、模态等。文中提出用振型曲率比作为网络的输入向量。　在文献［５］中提出，对于梁类构件，其曲率模态振型和弯曲刚　

度有着直接联系。曲率表达式为：　口　：Ｍ／（ＥＩ）　（１）　其中，　，Ｍ，Ｅ和Ｊ分别为梁截面相对应的曲率、弯矩、弹性　模量和惯性矩。　由式（１）可知，当结构发生损伤时，由于损伤处的弯曲刚度降　低，会使曲率的幅值增大。而这种变化是局部的，因此利用曲率　

值的变化可以识别损伤。　由于结构曲率模态振型是位移模态振型的二阶导数，在结构　有限元离散模型的振动模态分析中，可以用中央差分公式近似求　

得结构的振型曲率：　

Ｏ＇ｒｉ，ｊ：　（２）　

其中，　，　为计算节点处的位移振幅；　＋　一１，，为其相邻　点的位移振幅；ｉ为节点序号；　为模态阶次；ｈ为相邻两节点的　距离，即单元长度。　基于振型曲率，文中提出用振型曲率比作为损伤识别的参　

数。其表达式为：　击　，　：　（３）　ｒ　ｉ，Ｊ　其中，　，，和　，，分别为计算节点处损伤前后的振型曲率。　在结构损伤处，由于振型曲率变化，振型曲率比值必将发生较大　变化。下面用一个框架结构的数值模型对该参数的有效性进行　验证。　文中用来数值模拟的是一个６层的钢筋混凝土框架（见图　

１），其梁截面为０．５　ｍｘ０．２５　ｍ，跨度为４　ｍ，柱截面为０．４５　ｍｘ　０．３　ｍ，高３　ｍ，材料为同一钢筋混凝土，弹性模量为２．８ｘ　１０ｍ　Ｐａ，　密度为２　５００　／ｍ３，共１４个节点，１８个单元。在模态分析中，认　

３）简体结构。其分析方法按照对计算模型处理手法的不同　

可分为三类：等效连续化方法、等效离散化方法和三维空间分析。　

４结语　

高层建筑的结构体系是随着社会生产的发展和科学技术的进　步而不断发展的。可以预见，在相当长的一段时问内，高层建筑将　是世界上大部分国家在城市建设中的主要建筑形式。因此，掌握　高层建筑的设计知识是建筑与土木领域技术人员的基本要求。　

参考文献：　［１］吕西林，桂国庆．高层建筑结构［Ｍ］．武汉：武汉工业大学出版　

社，２００２．　［２］叶琳，丁新中．高层住宅结构设计中的若干问题［Ｊ］．山西建　

筑，２００５，３１（２０）：７９－８０．　

Ｔｈｅ　ａｎａｌｙｓｅｓ　ａｎｄ　ｄｅｓｉｇｎ　ｏｆ　ｈｉｇｈ－ｒｉｓｅ　ｂｕｉｌｄｉｎｇ　ｓｔｒｕｃｔｕｒｅ　

ＺＨＡＯＬｉ－ｑｉｎｇ　Ａｂｓｔｒａｃｔ：Ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　ｈｉｇｈ－ｒｌｓｅ　ｂｕｉｌｄｉｎｇ　ｓｔｒｕｃｔｕｒｅ，ｉｔ　ｓｕｍｓ　ｕｐ　ｔｈｅ　ｃｈａｒａｃｔｅｒｓ　ｏｆ　ｔｈｅ　ｄｅｓｉｇｎ　ｏｆ　ｈｉｇｈ—ｒｉｓｅ　ｂｕｉｌｄｉｎｇ　ｓｔｒｕｃｔｕｒｅ，ａｎｄ　ｐｕｔｓ　ｆｏｒｗａｒｄ　

ｔｈｅ　ａｎａｌｙｓｉｓ　ｏｆ　ｈｉｇｈ—ｒｉｓｅ　ｂｕｉｌｄｉｎｇ　ｓｔｒｕｃｔｕｒｅ　ａｎｄ　ｔｈｅ　ｃｏｒｒｅｓｐｏｎｄｉｎｇ　ｍｅｔｈｏｄｓ　ｔｏ　ｅｖｅｒｙ　ｓｙｓｔｅｍ，ｇｉｖｅｓ　ａ　ｒｅｆｅｒｅＦｉｅｅ　ｔｏ　ｔｈｅ　ａｎａｌｙｓｅｓ　ａｎｄ　ｄｅｓｉｇｎ　ｏｆ　ｈｉｇｈ－　

ｒｉｓｅ　ｂｕｉｌｄｉｎｇ　ｓｔｒｕｃｔｕｒｅ．　Ｋｅｙ　ｗｏｒｄｓ：ｈｉｇｈ－ｒｉｓｅ　ｂｕｉｌｄｉｎｇ　ｓｔｒｕｃｔｕｒｅ，ｓｔｒｕｃｔｕｒｅ　ｓｙｓｔｅｍ，ｓｔａｔｉｃ　ａｎａｌｙｓｉｓ　ｍｅｔｈｏｄ　

收稿日期：２００６—１２—１８　作者简介：范进胜（１９７９一），男，硕士，助教，石家庄经济学院工程学院，河北石家庄０５００３１　苏英志（１９７７一），男，硕士，助理工程师，邢台职业技术学院建筑工程系，河北邢台０５４０００　李秀芬（１９７９一），女，硕士，助教，石家庄经济学院工程学院，河北石家庄

０５００３１　维普资讯 http://www.cqvip.com 第３３卷第１４期　２　０　０　７年５月　范进胜等：基于ＢＰ网络识别框架结构损伤的研究　・７１　・　

为结构的损伤只会引起损伤处单元刚度的下降而质量不会改变，　

所以仅用弹性模量Ｅ的降低来模拟单元的损伤，不同的Ｅ值表　示不同的刚度。下面就部分计算结果进行分析。计算中所取的　

是第一阶模态振型。　４　。　喜２　钽１　。　一１　—２　７０％　５Ｏ％　１Ｏ％　

图１　单元９发生损伤的振型曲率比　

在图１中，模拟的是单元９发生不同程度损伤时的情况。可　以看出只有与其相联的节点１０和节点１１的振型曲率比值发生　

了突变。其他各节点基本无变化，呈直线状态，而且损伤越严重，　这种突变也越大。　如图２所示模拟的是两处损伤的情况。同样，只有与损伤单　

元２和单元５相关联的节点２和节点３，节点５和节点６的振型　曲率比值发生了突变。不同损伤程度造成的变化趋势也和单处　损伤时一样。　

趔　

瓣　钮　７Ｉ　一损伤５０　

＿　．　＿。，ｄ＋－，　－－．３＿０　

３　ｌＩ５　７　９　１１　１３　＼／　节点　■　％　％　％　

图２　单元２和单元５同时损伤的振型曲率比　

由以上可以看出用振型曲率比可以较好地识别出结构的损　

伤位置，对损伤程度的大小也能做出比较。因此是一个比较好的　网络输入特征参数。　

２　ＢＰ网络的构建及框架结构损伤的识别　

下面创建ＢＰ神经网络对框架结构进行损伤识别。文中网络　

一共三层，即一个输入层，一个隐层和一个输出层。理论上已经　

证明，三层的ＢＰ网络可以反映任意一个映射关系。在建立框架　结构损伤识别的网络模型时，主要使用了神经网络工具箱的　Ｔｒａｉｎｇｄｘ训练函数：　ｎｅｔ＝ｎｅｗｆｆ（ｍｉｎｍａｘ（Ｐ），［２９，１８］，ｔ’ｔａｎｓｉｇ’，’ｌｏｇｓｉｇ’｝，’ｔｒａｉｎｇｄｘ’）　网络的输入层有１４个神经元，代表各个节点的振型曲率比，　

隐层有２９个神经元，是根据经验公式２Ｎ＋１得到的，输出层有　１８个神经元，代表各个单元的损伤程度。如果某个输出层神经元　

的值为０，则表示没有损伤。　使用上文中的数值模型，对结构损伤前后用ＡＮＳＹＳ软件进　行模态分析，提取结构第一阶位移模态，对各单元产生不同程度　

的单处和两处损伤的所有组合情况进行计算，求得节点的振型曲　率比。用这１８个单元的弹性模量折减１０％，３０％，５０％，７０％，　

９０％，共３　９１５个样本来训练网络。然后用单元损伤２０％，４５％，　６０％，８０％，９５％的单处和两处损伤样本来检测训练过的网络的　效果。仿真结果见表１。　

表１　各种单元操作情况下的识别效果　样本　ｌ　２　３　４　５　序号　输出值　理论值　输出值　理论值　输出值　理论值　输出值　理论值　输出值　理论值　ｌ　ｏ　９２３　７　０．９５　０　０ｏ０　６　０　０．０００　２　０　００　０．５９４　９　０　６０　０．０ｏ０　３　０　００　２　０　０　０　０Ｏ０　８　０　０　０００　０　０　Ｏ０　０　７９９　９　０　８０　０　０ｏ０ｌ　０　Ｏ０　３　０　０００　４　０　０　０　０　２２２　０　０　２０　０　０００　０　０　００　０，０００ｌ　０　００　４　０　０　０　０　０　０ｏ０　０　０　００　０　０ｏ０　０　０　００　０　１９５１　０　２０　５　０　０００　ｌ　０　０　０　Ｏ　ｏ０ｌ　３　０　ｏ０　Ｏ　０００　Ｏ　０　ｏ０　０　０００　０　０　ｏ０　６　０　０　０　０　０　０００　１　０　００　０　０１２　７　０　００　０．００２　５　０　００　７　０　０　０　０　０．０００　０　０　００　０．０１７　７　０．００　０　０ｏ０　ｌ　０　００　苴　８　０　０　０　０　０．０Ｏ０　２　０　００　０　０００　０　０　００　０．８０８　９　０．８０　９　０　００１　７　０　０　８１０　９　０　８　０　Ｏ０ｌ　３　０　００　０　０ｏ０　２　０　００　０　０ｏ０　２　０　００　１０　０　ｏ０１　２　０　０　０　０　０００　２　０　００　０．０００　０　０　００　０　ｏ０１　６　０　００　兀　ｌｌ　０　００３　８　０　Ｏ．０００ｌ　０　０　０Ｏ０　２　０．００　０　０Ｏ０　０　０．００　０　０００　４　０．００　１２　０　００３　５　０　Ｏ　０００　７　０　０　０ｏ０　２　０　００　０　０１８　６　０．００　０　ＯＯ４　４　０．００　１３　０　０　０　０　０　２１４　９　０　２０　０　０００　８　０　００　０．００７　５　０　００　４　０　０　０　０　０　０Ｏ０　０　０　００　０　００４　７　０　００　０　０１３１　０　００　１５　０　０　０　０　０　０００　８　０，Ｏ０　０，０Ｏ０　６　０　Ｏ０　０　ｏ０ｌ　０　０　Ｏ０　ｌ６　０　０　０　０　０　０００　０　０．００　０　００２　２　０　００　０　００９　９　０　００　７　０　０　０　０　０　００２　２　０　００　０．０００　０　０　００　０．Ｏ０ｌ　９　０．００　１８　０　０　０　０　０　Ｏ０ｌ　３　０　００　０　０ｏ０　ｌ　０　００　０．００１　６　０　００　从仿真预测结果来看，无损伤的单元对应的神经元输出值都　

非常接近０，因此，训练好的神经网络可以较准确地识别出损伤位　置。对于损伤程度的预测，除了损伤９５％的样本误差较大外（绝　

对误差２．６３％），其他的最大绝对误差１．０９％，最大相对误差　３．４％。这是因为９５％不在１０％～９０％的范围之内，而神经网络　

预测的特点就是内插效果要好于外推。从总体来看，损伤识别的　误差在允许范围之内，其结果可以接受。　

合集下载

基于神经网络的框架结构构件损伤识别研究

基于神经网络的框架结构构件损伤识别研究

・４２・　２０１１年４月　２０１１年第２期　

第３７卷总第１６０期　

基于神经网络的框架结构构件损伤识别研究　

陈　远　

（中国建筑西南设计研究院有限公司，四川成都６１００４１）　

摘要：采用多重分步识别方法对框架结构构件损伤　

识别研究。第一步对构件损伤进行预警；第二步识别构件　

损伤所在的楼层；第三步在识别出的楼层内对构件损伤具　

体定位；第四步对构件损伤程度进行识别。以三跨四层的　

框架结构为计算模型进行了数值模拟，研究表明，应用神　

经网络技术，采用多重分步识别方法，简化了网络的结构，　

能够有效地对框架结构构件损伤进行预警、定位。　

关键词：框架结构；神经网络；构件；损伤识别　

中图分类号：ＴＵ３１　文献标识码：Ｂ　

文章编号：１６７２—４０１１（２０１１）０２—００４２—０３　

０前言　

目前，钢筋混凝土框架结构是建筑结构中应用最广泛　

的结构形式之一。结构在使用过程中常常会出现各种损伤，　

如梁柱出现裂缝、钢筋锈蚀、混凝土过火等。此外，历史　

建筑结构中的构件由于老化而出现的破损，亟待损伤和维　

修加固。由此可见，有必要建立一套系统有效的损伤识别　

技术，以便及早发现结构损伤，从而保证了结构的安全性。　

神经网络是由大量的简单处理单元相互连接而成的巨　

型复杂网络。神经网络具有处理信息的自学习性、并行性、　

自组织性，联想记忆功能以及很强的鲁棒性和容错性，因　

而它在结构损伤识别领域受到广泛的关注。由于ＢＰ神经网　

络在结构损伤识别中应用最广泛，因此本文主要采用ＢＰ神　

经网络进行计算。　

１计算模型　

框架结构的计算模型如图１所示，图中加圆圈的数字　

表示构件编号。结构参数如下：弹性模量Ｅ＝３　Ｘ　１０　ＭＰａ，　

泊松比　＝０．３，材料密度ｐ＝２　５００　ｋｇ／ｍ　，梁的截面为３ｏｏ×　

６００（ｒａｍ），截面惯性矩，ｌ＝５．４　Ｘ　１０。Ｈｇｍ　，柱的截面为５００×　

５００（ａｍ），截面惯性矩１２＝５．２１×１０　ｍｍ　。本文通过折减构　

基于BP神经网络算法的混凝土单层框架损伤识别

基于BP神经网络算法的混凝土单层框架损伤识别

箜！　鲞箜　塑　２Ｏ１　１年６月　防　灾科技学　院　学报　Ｊ．ｏｆ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｄｉｓａｓｔｅｒ　Ｐｒｅｖｅｎｔｉｏｎ　Ｖｏ１．１３，Ｎｏ．２　Ｊｕｎ．２０１１　基于ＢＰ神经网络算法的混凝土单层框架损伤识别　王丕光，崔智谋，赵　娟　（北京工业大学建筑工程学院，北京　１００１２４）　摘　要：基于ＢＰ神经网络算法，采用框架结构损伤前后固有频率的变化率作为网络的输入参数，分别对框架　梁的单处损伤、框架柱的多处损伤进行损伤位置的识别。数值仿真结果表明，ＢＰ神经网络算法对混凝土框架　结构损伤位置的识别效果很好。　关键词：结构损伤识别；ＢＰ人工神经网络；频率　中图分类号：ＴＵ３７　文献标识码：Ａ　文章编号：１６７３—８０４７（２０１１）０２—００３２—０６　０　引言　钢筋混凝土框架结构是我国建筑结构的主要　形式之一，其应用范围非常广泛。但是随着使用　时间的增加，结构不可避免的发生老化；同时，自　然灾害的频繁发生也导致结构产生损伤，如１９９５　年的神户地震及１９９９年的台湾大地震使无数的　房屋损坏和倒塌，造成生命财产的巨大损失。结　构损伤的及时检测及修复对于减小生命财产损失　具有重要作用；同时，尽早发现结构损伤，可极大　地降低维护维修费用。因此，开展结构损伤识别　和损伤检测的研究具有重要的现实意义。传统的　结构检测方法以静态检测为主，检测结果直接且　较为可靠，但是静态检测方法存在应用条件受限　制和工作效率较低的缺点…。结构动力检测方　法是一种正在发展的新型检测技术，在钢筋混凝　土结构中也得到广泛应用。结构损伤的动力检测　方法是基于对结构的动力学特性（频率　。　、振　型　。　、刚度）的变化跟踪分析，由此来判断结构　的损伤部位及损伤程度。由于结构的动力特性是　结构的整体物理性质的集中反映，因此，结构损伤　的动力检测方法是一种结构整体损伤检测方法，　具有可以实时检测的优点，因而得到广泛的应用。　动力检测中一种重要的方法是采用ＢＰ人工　神经网络技术。人工神经网络损伤识别的原理是　利用训练好的神经网络检测结构的状态的改变。　由于人工神经网络技术具有良好的非线性映射能　力、强大的解决反问题的能力、实时计算能力和推　广能力及系统良好的鲁棒性，而在结构损伤检测　领域得到青睐。作为一种优秀的非参数化诊断方　法，神经网络技术在结构损伤诊断领域具有极大　的应用前景。本文利用结构固有频率的变化，采　用ＢＰ人工神经网络技术‘。　对一单层框架结构进　行损伤位置的识别。　１　ＢＰ人工神经网络算法概述　１．１基本原理　ＢＰ（Ｂａｃｋ　Ｐｒｏｐａｇａｔｉｏｎ）网络是１９８６年由　Ｒｕｍｅｌｈａｒｔ和ＭｃＣｅｌｌａｎｄ。。　为首的科学家小组提　出，是一种按误差逆传播算法训练的多层前馈网　络，是目前应用最广泛的神经网络模型之一。ＢＰ　网络能学习和存贮大量的输入一输出模式映射关　系，而无需事前揭示描述这种映射关系的数学方　程。它的学习规则是使用最速下降法，通过反向　传播来不断调整网络的权值和阈值，使网络的误　差平方和最小。ＢＰ神经网络模型拓扑结构包括　输入层、隐层和输出层（如图１所示）。ＢＰ算法　由数据流的前向计算（正向传播）和误差信号的　反向传播两个过程构成。正向传播时，传播方向　为输入层一隐层一输出层，每层神经元的状态只　影响下一层神经元。若在输出层得不到期望的输　出，则转向误差信号的反向传播流程。通过这两　收稿日期：２０１１—０３—２８　基金项目：北京工业大学研究生科技基金资助项目（ｙｋｊ一２０１０—４４５７）　作者简介：王丕光（１９８５一），男，山东临沂人，硕士研究生在读，

基于BP神经网络的地下结构损伤识别研究

基于BP神经网络的地下结构损伤识别研究

基于BP神经网络的地下结构损伤识别研究

左熹;战吉艳

【摘 要】随着地铁等地下工程建设规模的扩大与发展，对地下工程结构的损伤诊断及其安全性评价已成为亟待解决的重要问题。提出了一种基于BP 神经网络的地铁地下工程结构损伤识别方法，定义结构的曲率变化率，并将其作为BP神经网络的输入标量，采用降低单元弹性模量E 的方法来模拟结构的损伤位置和损伤程度，通过设定地下结构各部位的损伤程度，将结构的前4阶曲率变化率作为 BP 神经网络的输入。结果表明：利用 BP神经网络的方法能够准确地识别出地下工程结构的损伤程度，能方便、有效地解决地下工程结构的损伤识别问题。%As the

construction scale of subway engineering expands and develops,it is in

urgent need of solving the important problems of damage identification

on the underground structures. Based on BP neural network,a new method

is proposed in this paper to detect the damage of the underground

structures,and the change rate of curvature is defined as the neural

network�s input.The element�s elasticity is reduced to simulate the

structure�s damage location and its ex-tent.By setting different elements

and different damage extents of the subway underground en-gineering,the variation rates of the former four mode�s absolute value are

基于BP神经网络的结构损伤检测

基于BP神经网络的结构损伤检测

高新技术　———　Ｌ　＿ＪｌＪ０Ｃｈｉｎａ　Ｎｅｗ　Ｔｅｃｈｎｏｌｏｇｉｅｓ　ａｎｄ　Ｐｒｏｄｕｃｔｓ　

基于ＢＰ神经网络的结构损伤检测　

杨晓明　焦阳　郭余锁　

（内蒙古工业大学土木工程学院，内蒙古呼和浩特０１００５１）　

摘　要：介绍了ＢＰ神经网络的学习算法，通过对一个钢筋混凝土简支梁模型进行了损伤数值模拟，提取固有频率作为ＢＰ神经网络的输入　

参数，并应用简支梁损伤前后的数据输入训练好的神经网络来判断结构损伤。检测表明，该方法在结构损伤检测中具有较好的应用前景。　

关键词：损伤ｉｙ，￣ｉＩ】；固有频率；ＢＰ神经网络；简支梁　

引青　人丁神经网络（ＡＮ　是对人脑或自然神经　

系统若干基本特征的抽象与模拟，由大量神经　

元广泛互连而成。人１　神经网络以其处理信息　

的并行性、ｆ｜＝】组织、自学习性、联想记忆功能以　

及很强的鲁棒性和容错性，广泛应用于许多领　

域。应用ＡＮＮ的结构损伤诊断方法不需要结构　

动力特性的；ｌ己验知识，具有损伤诊断非参数的　

优点。在人工神经网络实际应用中，８０％～９０％的　

人Ｔ神经网络模型是采用ＢＰ网络或它的变化　

形式，它是前向网路的核心部分，体现了人工神　

经网络最精华的部分。ＢＰ神经网络按拓扑结构　

分，属前向网络，但它采用的是反向传播的学习　

方法，因此又称为反向传播神经网络。本文运用　

ＢＰ神经网络对结构进行损伤检测，并通过钢筋　

混凝土简支梁的算例来分析其对于损伤结构检　

测的可行性。　

Ｉ驿车敦据卜＿　－Ｎ敦据处理｝一　

奏且　

Ｉ样奉攫伤执意ｉ・　

图１基于神经网络的损伤识别流程　ｌ结构损伤识别的圉内外现状　

利用神经网络进行损伤识别是近年来结构　

损伤检测领域一个非常热的研究课题。对于遭　

受破坏的结构，其本身的某些杼『生往往发生变　

化。为了鉴定这些变化对结构的影响，常进行一　系列的模拟实验，测定相关的荷载、位移、应变　

及加速度等，从材料性能如强度、刚度和动力特　

征（如振动频率和模态振型）方面对结构给出评