王 宇

(雞西大學(xué) 理工系，黑龍江 雞西 158100)

基于神經(jīng)網(wǎng)絡(luò)橋梁損傷識別研究

王 宇

(雞西大學(xué) 理工系，黑龍江 雞西 158100)

對橋梁結(jié)構(gòu)進(jìn)行健康診斷，可以有效避免事故的發(fā)生，保證橋梁的安全。試根據(jù)人工神經(jīng)網(wǎng)絡(luò)的基本理論，提出將BP神經(jīng)網(wǎng)絡(luò)用于橋梁損傷識別研究。

橋梁損傷；BP神經(jīng)網(wǎng)絡(luò)；簡支梁

對橋梁結(jié)構(gòu)進(jìn)行正確及時的損傷識別，可以避免由于結(jié)構(gòu)損傷而誘發(fā)大橋坍塌造成橋毀人亡的災(zāi)難性事故，但由于以往的檢測、識別手段和方法較為落后，應(yīng)用上一直處于理論研究階段，實際應(yīng)用較少。隨著橋梁結(jié)構(gòu)在抵抗自然災(zāi)害領(lǐng)域的研究成果及新材料、新工藝的開發(fā)和應(yīng)用，在設(shè)計和施工等方面，及時發(fā)現(xiàn)損傷，并診斷出局部損傷的位置以及損傷程度并進(jìn)行必要的修復(fù)，可以很好地保證橋梁安全。

近年來，對橋梁工程結(jié)構(gòu)進(jìn)行健康診斷的結(jié)構(gòu)識別方法研究有很多，如模型修正法、指紋分析法等。通過頻率、振型、位移和應(yīng)變等響應(yīng)數(shù)據(jù)，利用各種力學(xué)橋梁的模型結(jié)構(gòu)檢驗橋梁結(jié)構(gòu)固有頻率對損傷程度、損傷位置的敏感性以及基于模態(tài)分析基本原理與方法，應(yīng)用應(yīng)變模態(tài)的表達(dá)式及應(yīng)變傳遞函數(shù)矩陣等問題。本文采用模態(tài)分析原理識別損傷結(jié)構(gòu)參數(shù)的變化，同時利用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行優(yōu)化。

1人工神經(jīng)元模型

人工神經(jīng)網(wǎng)絡(luò)的基本單元是神經(jīng)元，它是一個多輸入單輸出的信息處理單元，而且，它對信息的處理是非線性的，可以抽象為數(shù)學(xué)模型，如圖1所示。

圖1 神經(jīng)元數(shù)學(xué)模型

圖中，xi(i=1,2…n)定義為神經(jīng)元i的輸入，wi是與上級神經(jīng)元的連接權(quán)值，θ為神經(jīng)元i閥值或偏差，f 為神經(jīng)元，i為傳遞函數(shù)，y為神經(jīng)元的輸出。

輸入信號處理：

(1)

令w0=-θ，x0=1上式改寫為：

(2)

對凈輸入s進(jìn)行邏輯函數(shù)運(yùn)算，即

y=f(s)

(3)

f (s)通常被稱為變換函數(shù)(或特征函數(shù)，傳遞函數(shù))。在BP網(wǎng)絡(luò)中一般用線性和S型函數(shù)作為變換函數(shù)。

(1)purelin函數(shù) f (x)=kx

(2)Sigmoid函數(shù) f (x)=1/[1+exp(-x)]

2 BP網(wǎng)絡(luò)及算法

BP神經(jīng)網(wǎng)絡(luò)按拓?fù)浣Y(jié)構(gòu)，采用的是反向傳播的學(xué)習(xí)方法，是可以對非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò)。

標(biāo)準(zhǔn)BP學(xué)習(xí)算法采用梯度下降法調(diào)整網(wǎng)絡(luò)的權(quán)值，其中η為學(xué)習(xí)速率，取[0,1]之間的常數(shù)，定義對應(yīng)樣本p時第1層第j個節(jié)點(diǎn)的delta函數(shù)，則對第k輪訓(xùn)練，第l層與第l+1層之間的網(wǎng)絡(luò)權(quán)值滿足關(guān)系：

w(l)ij(k)=w(l)ij(k-1)+ Δw(l)ij(k)

(4)

(5)

Δw(l)ij(k)=-αδ(l)jp·O(l-1)ip

(6)

3簡支梁橋損傷識別的BP神經(jīng)網(wǎng)絡(luò)建模

在進(jìn)行橋梁結(jié)構(gòu)損傷識別時，不但需要處理大量的實驗數(shù)據(jù)，而且其過程中的一些參數(shù)難以控制和測定，故實物模擬試驗很難達(dá)到對實際橋梁結(jié)構(gòu)進(jìn)行研究的要求。故此，提出在橋梁結(jié)構(gòu)的工程模型上進(jìn)行研究，現(xiàn)在已然成為土木工程專業(yè)領(lǐng)域?qū)ΥY(jié)構(gòu)損傷識別的有效做法。

3.1損傷識別指標(biāo)。

建立簡支梁橋結(jié)構(gòu)模型，梁長L=5mL，截面為600mm×600mm 矩形，材料為混凝土，彈性模量E=3.0×1010N/m2，密度ρ=2400 kg/m3，泊松比0.12，建模時全梁劃分為12個節(jié)點(diǎn)，13個梁單元。應(yīng)用ANSYS對梁進(jìn)行數(shù)值模擬，取其固有頻率取前5階，位移模態(tài)取跨中單元端點(diǎn)處的位移量，如圖2所示。

圖2 簡支梁模型

3.2神經(jīng)網(wǎng)絡(luò)建立和訓(xùn)練。

假設(shè)兩種損傷的工作狀況：①單元2分別損傷10%、30%、50%；②單元8分別損傷10%、30%、50%。在選取訓(xùn)練樣本時，構(gòu)造訓(xùn)練樣本共8個。

(1)利用構(gòu)造的不同的損傷樣本，檢測出的不同的損傷工況，選擇2、8單元兩端節(jié)點(diǎn)(即節(jié)點(diǎn)1、3、7、9)的曲率變化率作為輸入向量，以其損傷程度作為輸出向量，如表1、2所示。

(2)神經(jīng)網(wǎng)絡(luò)的輸入層有6個神經(jīng)元，分別代表6個節(jié)點(diǎn)的曲率變化率，隱層有13個神經(jīng)元，輸出層有三個神經(jīng)元，代表各個單元的損傷程度。

表1 測試樣本集

表2 測試樣本輸出

現(xiàn)將測試樣本集與實際輸出量進(jìn)行對比，只有一個實際輸出的誤差超過了1%，其它均控制在1%以內(nèi)，說明網(wǎng)絡(luò)訓(xùn)練效果良好。

4結(jié)論

通過神經(jīng)網(wǎng)絡(luò)模擬并優(yōu)化工程實例，得出橋梁模型與橋梁實際結(jié)構(gòu)之間的任意復(fù)雜的非線性映射關(guān)系，并且能預(yù)測出最大誤差。

[1]張治國.基于模態(tài)分析理論和神經(jīng)網(wǎng)絡(luò)的橋梁損傷識別方法研究[D].武漢理工大學(xué)碩士論文,2005.

[2]魏錦輝.基于神經(jīng)網(wǎng)絡(luò)的橋梁損傷識別[D].西南交通大學(xué)碩士論文,2004.

[3]邊肇祺，張學(xué)工,等.模式識別[M].清華大學(xué)出版社,2000.

[4]聶堯.基于BP神經(jīng)網(wǎng)絡(luò)的橋梁損傷識別方法研究[D].山東科技大學(xué)碩士論文,2009.

ClassNo.:U441+.4DocumentMark：A

(責(zé)任編輯：宋瑞斌)

DamageIdentificationforBridgeBasedonArtificialNeuralNetwork

Wang Yu

Through analyzing the research findings of structural damage identification based on artificial neural networks and comparing the capabilities of BP networks，this thesis proposed that bridge damage technique can be researched based on BP neural networks.

artificial neural networks；damage identification；simply supported beam

王宇，碩士，講師，雞西大學(xué)理工系。

1672-6758(2012)12-0038-1

U441+.4

A