混合试验是最近几年新型的将数值模拟与真实加载试验相结合的结构抗震试验方法,得到了相关研究者们的广泛关注。混合试验中,一般将结构中关键部位作为试验子结构进行试验,其他部位作为数值子结构进行数值模拟。为了模拟具有强非线性的数值子结构,本文提出一种采用在线神经网络算法,并进行了防屈曲支撑构件试验的恢复力模型在线预测,最后提出了基于在线神经网络算法的混合试验方法。具体研究内容如下:1、提出一种在线BP神经网络算法,在线预测非线性结构恢复力。针对两个自由度非线性结构,进行了Bouc-Wen模型的恢复力预测,验证了在线神经网络算法的有效性。分析了样本数量以及目标误差对预测精度和计算耗时的影响。研究表明:与传统离线学习方式算法相比,在线BP神经网络提高了算法计算效率和预测精度。2、基于递推形式的在线Elman神经网络的防屈曲支撑构件试验,研究表明:基于递推形式的Elman神经网络算法具有较好的实时性和动态性,能够有效提高恢复力预测精度。3、基于在线神经网络算法的混合试验方法,通过两层非线性模拟结构的混合试验数值预测得出该方法的可行性。试验结果表明,与在线BP网络算法相比,在线Elman算法具有更好的自适应性,能够有效提高恢复力预测精度和计算效率;基于在线Elman算法的结构混合试验方法可以提高混合试验结果精度。