大型结构、设施和设备等在服役过程中,由于服役环境不一和处于复杂的复合应力状态致使对其进行状态评估较为困难,如大型的钢结构、雷达支架、钻井平台等等。目前针对这类问题,大量国内外学者研究了多种检测手段以及状态监测系统,但要准确的对研究对象进行整体的状态评估和仿真分析,仍需要结构动态变化的本构参数。据此,结合快速发展的人工智能相关技术对数据拟合、分类和提取,以及对于大数据量的处理优势明显。因此本文提出了一种基于启发式算法的物理模型数值拟合材料参数反演方法,在兼顾计算效率和精度的前提下,识别复杂且大参数量模型中的材料本构参数,为大型结构的状态监测、评估和预测提供基础结构参数数据,降低实时监测成本,提高评估和预测准确度。本文的主要工作包括以下几个方面:本文首先研究基于启发式算法的参数快速反演方法。针对大型结构有限元仿真模型,节点多、参数量大、响应复杂、算法实现困难的问题,研究一种基于爬山算法的参数快速反演方法,经过算法优化迭代,逐步逼近测量真值,实现了一次运算整体获得结构的本构参数,进行结构状态监测、评估和预测,并通过先全局搜索,后分类评估的方式兼顾收敛速度和精度,并通过爬山算法进行了算法验证。考虑到算法训练效率和精度的互斥性,进一步满足实际工程应用需要,本文研究了基于结构件代理模型来模拟复杂大型结构件有限元模型计算,用于寻求工程应用中效率与精度的平衡点。本文基于人工神经网络拟合算法提出一种以提取系统响应在空间维度的代表性基向量,应用径向基函数插值模型建立任意参数与其对应的基态组合系数之间的非线性映射关系,对任意时空自由度的响应场进行代理建模,匹配有限元模型的计算数值,在一定精度范围内拟合得到有限元模型的代理模型,大幅提高计算效率。最后,将本文研究的基于启发式算法的参数快速反演及实时结构状态评估方法应用于一大型钢结构的实际工程,初步验证此方法的有效性,为大型结构件长期状态监测、评估和预测提供研究思路和方向。