常 虹 張 冰

(1:吉林建筑大學(xué)測(cè)繪與勘查工程學(xué)院,長(zhǎng)春 130118; 2:吉林建筑大學(xué)城建學(xué)院,長(zhǎng)春 130111)

0 引言

目前,建筑物都朝著高層化、復(fù)雜化的方向發(fā)展,而這些建筑物在其服役的期限內(nèi),勢(shì)必要受到來(lái)自周?chē)h(huán)境及自然災(zāi)害所帶來(lái)的各種損傷,如地震、風(fēng)災(zāi)、水災(zāi)及材料的自然腐蝕老化等,導(dǎo)致其結(jié)構(gòu)構(gòu)件受到不同程度的損傷.及時(shí)發(fā)現(xiàn)損傷及確定損傷的程度對(duì)于國(guó)民經(jīng)濟(jì)和人們的生活安全具有重要的意義.目前,結(jié)構(gòu)的損傷檢測(cè)有多種方法,但多數(shù)都是基于試驗(yàn)研究方法,通過(guò)測(cè)定結(jié)構(gòu)物的位移或者加速度等指標(biāo)進(jìn)行判斷,甚至有些時(shí)候會(huì)對(duì)結(jié)構(gòu)物造成一定程度的損傷.人工神經(jīng)網(wǎng)絡(luò)是20世紀(jì)90年代發(fā)展起來(lái)的一門(mén)新興交叉學(xué)科,它是模擬人的大腦而建立起來(lái)的一種非線(xiàn)性的動(dòng)力學(xué)網(wǎng)絡(luò)結(jié)構(gòu),是由若干個(gè)簡(jiǎn)單的神經(jīng)元按照一定的方式連接而成的復(fù)雜網(wǎng)絡(luò)系統(tǒng),其工作原理類(lèi)似于黑匣子.該系統(tǒng)能自動(dòng)根據(jù)所輸入的樣本空間的特點(diǎn),經(jīng)過(guò)多次的迭代運(yùn)算,自動(dòng)找到輸入和輸出之間對(duì)應(yīng)的非線(xiàn)性規(guī)律,并建立一個(gè)能夠準(zhǔn)確反映輸入和輸出數(shù)據(jù)之間內(nèi)在規(guī)律的數(shù)學(xué)模型,從而準(zhǔn)確對(duì)所預(yù)測(cè)的目標(biāo)進(jìn)行判斷和評(píng)估.目前,人工神經(jīng)網(wǎng)絡(luò)在工程上被廣泛應(yīng)用于結(jié)構(gòu)的損傷檢測(cè)領(lǐng)域[1-5].

人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)有很多種,其中,BP神經(jīng)網(wǎng)絡(luò)(Back-Propagation Network,簡(jiǎn)稱(chēng)BP網(wǎng)絡(luò))是一種應(yīng)用最廣泛的一種神經(jīng)網(wǎng)絡(luò),它不僅是前饋型網(wǎng)絡(luò)的核心,同時(shí)也是其他類(lèi)型神經(jīng)網(wǎng)絡(luò)發(fā)展的基礎(chǔ),該算法采用非線(xiàn)性規(guī)劃中的最速下降法,按照誤差函數(shù)的負(fù)梯度方向修改權(quán)值,一次容易出現(xiàn)收斂速度慢甚至出現(xiàn)局部極小等弊病.為了改進(jìn)該算法,本文采用阻尼最小乘法,即L-M算法,該算法是在高斯牛頓法和最速下降法之間進(jìn)行調(diào)整.典型的BP網(wǎng)絡(luò)是一個(gè)三層的網(wǎng)絡(luò),包括輸入層、隱含層和輸出層,同層的各單元之間無(wú)連接,但各層的單元之間實(shí)行全連接.

1 Benchmark結(jié)構(gòu)模型

本文針對(duì)美國(guó)土木工程師協(xié)會(huì)結(jié)構(gòu)健康監(jiān)測(cè)任務(wù)組建立的Benchmark模型的損傷程度進(jìn)行研究,該模型是一個(gè)四層鋼框架結(jié)構(gòu),縱橫各兩跨,每跨1.25 m,層高0.9 m(見(jiàn)圖1).該模型單元數(shù)共116個(gè),單元編號(hào)見(jiàn)圖2.

圖1 Benchmark結(jié)構(gòu)實(shí)驗(yàn)?zāi)Ｐ?/p>

圖2 Benchmark結(jié)構(gòu)有限元單元編號(hào)

2 BP神經(jīng)網(wǎng)絡(luò)的建立

2.1 特征參數(shù)的選取

在建立樣本之前,必須確定模式特征參數(shù).網(wǎng)絡(luò)特征參數(shù)的選取正確與否不僅影響網(wǎng)絡(luò)的訓(xùn)練時(shí)間,同時(shí)也將影響到網(wǎng)絡(luò)的泛化、推理和判斷能力,因此要根據(jù)實(shí)際情況選擇合理的網(wǎng)絡(luò)特征參數(shù).當(dāng)結(jié)構(gòu)受到損傷后,結(jié)構(gòu)的固有頻率就會(huì)發(fā)生變化,所以特征參數(shù)的選取應(yīng)圍繞固有頻率展開(kāi),經(jīng)過(guò)對(duì)比分析,結(jié)構(gòu)的損傷其固有頻率的變化不明顯,因此本文選取固有頻率平方變化比作為網(wǎng)絡(luò)的特征參數(shù)[6].

X=[NFSR1,NFSR2,…,NFSRm]T

其中:

(1)

式中,fui,fdi分別為結(jié)構(gòu)發(fā)生損傷前、后的第i階固有頻率.

2.2 訓(xùn)練樣本空間的建立

該模型的加載采用模擬環(huán)境風(fēng)荷載激勵(lì),樣本空間采用單一桿件發(fā)生不同程度的損傷,損傷程度以單一桿件剛度的損傷程度評(píng)價(jià),本例選取損傷分別發(fā)生在單元2 324,52,53,81,82,110,111,損傷的程度分別為15 %,35 %,48 %,59 %,75 %,88 %,100 %,建立共計(jì)56個(gè)學(xué)習(xí)樣本,并全部參與樣本空間的訓(xùn)練,輸出層即為結(jié)構(gòu)剛度的損傷程度(%).

2.3 各層節(jié)點(diǎn)數(shù)的確定

根據(jù)所建立56個(gè)訓(xùn)練樣本,進(jìn)一步確定各層所需要的節(jié)點(diǎn)數(shù).由于所建立的是一個(gè)三層的BP網(wǎng)絡(luò),因此需要逐一確定輸入等、隱含層及輸出層的節(jié)點(diǎn)數(shù).通常輸入層的節(jié)點(diǎn)數(shù)與結(jié)構(gòu)的自由度相關(guān),本例采用12個(gè)自由度,因此輸入層的節(jié)點(diǎn)數(shù)(即神經(jīng)元的數(shù)量)確定為12;隱含層的數(shù)量確定需要考慮,因?yàn)殡[含層的數(shù)量多少直接影響模型的運(yùn)行速度及對(duì)結(jié)果的判斷能力等.通常隱含層節(jié)點(diǎn)數(shù)越多,模型的收斂速度會(huì)更快,但當(dāng)隱含層的節(jié)點(diǎn)數(shù)達(dá)到一定程度時(shí),收斂速度基本保持穩(wěn)定,不再隨隱含層節(jié)點(diǎn)數(shù)的增多而加快,因此合理確定隱含層節(jié)點(diǎn)數(shù)對(duì)于網(wǎng)絡(luò)的運(yùn)行能力至關(guān)重要.HechtNielsen于1987年提出隱含層神經(jīng)元數(shù)量為輸入層節(jié)點(diǎn)數(shù)的兩倍加一,因此本例的隱含層節(jié)點(diǎn)數(shù)結(jié)合試算方法,以誤差最小為標(biāo)準(zhǔn),確定取25;輸出層即為單一桿件的損傷程度(%),輸出層的神經(jīng)元數(shù)取1,因此本文所建立的BP網(wǎng)絡(luò)結(jié)構(gòu)為12×25×1.

圖3 BP網(wǎng)絡(luò)損傷程度識(shí)別訓(xùn)練過(guò)程誤差

2.4 模型訓(xùn)練誤差及網(wǎng)絡(luò)參數(shù)的確定

根據(jù)所建立的12×25×1BP神經(jīng)網(wǎng)絡(luò)模型,采用L-M優(yōu)化算法,誤差函數(shù)采用均方誤差按照BP網(wǎng)絡(luò)的算法對(duì)已建立的模型進(jìn)行訓(xùn)練,目標(biāo)誤差函數(shù)采用均方誤差函數(shù)MSE, 訓(xùn)練目標(biāo)誤差取0.000 4,最大訓(xùn)練步數(shù)選5 000步,隱含層節(jié)點(diǎn)作用函數(shù)選擇對(duì)稱(chēng)型S型的對(duì)數(shù)函數(shù)logsig,輸出層節(jié)點(diǎn)選擇purelin傳遞函數(shù).對(duì)所建立的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,直至誤差滿(mǎn)足要求,網(wǎng)絡(luò)mse精度達(dá)到了0.000 396(見(jiàn)圖3).

3 損傷程度的預(yù)測(cè)

通過(guò)對(duì)已經(jīng)建立的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和仿真(見(jiàn)表1),可以得出利用所建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)構(gòu)的損傷程度是可行的,而且精度比較高.

表1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)構(gòu)損傷程度結(jié)果 (%)

4 結(jié)語(yǔ)

BP神經(jīng)網(wǎng)絡(luò)因其自身具有存儲(chǔ)損傷信息的能力,同時(shí)該網(wǎng)絡(luò)又具有較強(qiáng)的抗噪能力和分辨能力,選擇與結(jié)構(gòu)損傷相關(guān)的參數(shù)作為特征參數(shù),建立網(wǎng)絡(luò)訓(xùn)練樣本空間并進(jìn)行訓(xùn)練,可以對(duì)結(jié)構(gòu)的損傷程度做出正確的預(yù)測(cè)和判斷.

參 考 文 獻(xiàn)

[1] 姜紹飛,鐘善桐.神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)工程中的應(yīng)用[J].哈爾濱建筑大學(xué)學(xué)報(bào),1998(6):129-133.

[2] 戴興華.基于小波神經(jīng)網(wǎng)絡(luò)的振動(dòng)結(jié)構(gòu)損傷診斷[D].福建:福州大學(xué),2006.

[3] 闕金聲.三峽工程涪陵區(qū)水庫(kù)塌岸非線(xiàn)性預(yù)測(cè)研究[D].長(zhǎng)春:吉林大學(xué),2007.

[4] 閔志華.基于小波分析和神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識(shí)別研究[D].武漢:武漢理工大學(xué),2006.

[5] 刁延松.基于神經(jīng)網(wǎng)絡(luò)和小波分析的海洋平臺(tái)結(jié)構(gòu)損傷檢測(cè)研究[D].青島:中國(guó)海洋大學(xué),2006.

[6] 羅躍綱,彭永恒,文邦椿.工程結(jié)構(gòu)損傷的集成神經(jīng)網(wǎng)絡(luò)識(shí)別研究[J].振動(dòng)與沖擊,2006,25(1):15-17.