呂瑋

摘 要：在神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)構(gòu)損傷的過(guò)程中選取容易得到、識(shí)別精度高、損傷敏感性高的參數(shù)，損傷識(shí)別精度將大大提高。為克服使用單一結(jié)構(gòu)特征物理量作為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)而帶來(lái)的缺陷，文章以武都水庫(kù)非溢流壩段為例，利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對(duì)重力壩損傷的識(shí)別展開(kāi)研究，提出將結(jié)構(gòu)固有頻率和固定點(diǎn)模態(tài)分量組合作為輸入?yún)?shù)，對(duì)比選用不同輸入?yún)?shù)的損傷輸出信息。結(jié)果表明，使用組合參數(shù)作為輸入?yún)?shù)對(duì)重力壩進(jìn)行損傷位置識(shí)別、損傷程度預(yù)測(cè)是實(shí)用可行的。

關(guān)鍵詞：重力壩；徑向基神經(jīng)網(wǎng)絡(luò)；損傷識(shí)別；輸入?yún)?shù)

引言

結(jié)構(gòu)工程在使用較長(zhǎng)時(shí)間后往往會(huì)產(chǎn)生不同程度的損傷，使得結(jié)構(gòu)的安全性和耐久性降低，因此迫切需要尋找到高效準(zhǔn)確的損傷識(shí)別方法，對(duì)損傷結(jié)構(gòu)進(jìn)行維修加固。結(jié)構(gòu)出現(xiàn)損傷后自身的某些特性也隨之發(fā)生變化，許多問(wèn)題涉及非線性變化，變量之間的關(guān)系復(fù)雜，難以用確切的數(shù)學(xué)、力學(xué)模型來(lái)解決?；谏窠?jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷診斷方法不需要結(jié)構(gòu)動(dòng)力特性的先驗(yàn)知識(shí)，在非線性模式識(shí)別和分類(lèi)具備很強(qiáng)的非線性映射能力，因而廣泛運(yùn)用在結(jié)構(gòu)工程實(shí)際問(wèn)題研究中，如大型空間網(wǎng)架結(jié)構(gòu)，橋梁結(jié)構(gòu)，多層及高層框架結(jié)構(gòu)，地下隧道，海洋平臺(tái)等方向。神經(jīng)網(wǎng)絡(luò)方法不但具有處理數(shù)據(jù)的能力，且具備對(duì)知識(shí)的學(xué)習(xí)和記憶的能力，能夠?yàn)V出噪聲干擾正確識(shí)別結(jié)構(gòu)損傷信息，Wu[1]早在1992年就證明神經(jīng)網(wǎng)絡(luò)是結(jié)構(gòu)動(dòng)力學(xué)系統(tǒng)識(shí)別的有效工具。對(duì)于獨(dú)立構(gòu)件和簡(jiǎn)單模型的損傷檢測(cè)現(xiàn)在已有許多研究，但針對(duì)大型復(fù)雜的實(shí)際工程，現(xiàn)有的研究仍然不夠，它們的健康診斷和損傷識(shí)別無(wú)法從單一結(jié)構(gòu)特征物理量反應(yīng)的損傷信息中得到推斷，損傷識(shí)別的結(jié)果受到如何選定神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)及其表達(dá)形式的影響，因而需要獲得結(jié)構(gòu)的多種特征物理量，利用這些數(shù)據(jù)結(jié)合神經(jīng)網(wǎng)絡(luò)方法對(duì)結(jié)構(gòu)進(jìn)行損傷診斷，確定輸入?yún)?shù)時(shí)盡量選擇對(duì)結(jié)構(gòu)影響大的特征量。

混凝土大壩發(fā)生損傷其動(dòng)力特性也會(huì)隨之改變，由于大壩結(jié)構(gòu)的老化、損傷對(duì)動(dòng)態(tài)參數(shù)的敏感度低于機(jī)械故障診斷中動(dòng)態(tài)參數(shù)的敏感度，對(duì)測(cè)試技術(shù)和分析水平要求高，已有學(xué)者選用基于結(jié)構(gòu)動(dòng)力特性的神經(jīng)網(wǎng)絡(luò)損傷識(shí)別對(duì)大壩結(jié)構(gòu)進(jìn)行損傷診斷。文章通過(guò)分析參數(shù)的敏感性，針對(duì)適用于重力壩損傷識(shí)別的高敏感性參數(shù)的選取展開(kāi)研究。

1 神經(jīng)網(wǎng)絡(luò)方法

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，簡(jiǎn)稱(chēng)神經(jīng)網(wǎng)絡(luò)或ANN）是對(duì)人腦或自然神經(jīng)系統(tǒng)若干基本特征的抽象與模擬，由大量神經(jīng)元廣泛互連而成，它不但具有處理數(shù)值數(shù)據(jù)的一般計(jì)算能力，還具有處理知識(shí)的思維、學(xué)習(xí)、記憶能力，廣泛應(yīng)用于許多領(lǐng)域[2]。

相比于其他神經(jīng)網(wǎng)絡(luò)方法，徑向基神經(jīng)網(wǎng)絡(luò)有明顯優(yōu)勢(shì)，它具有結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練便捷、迅速收斂、高度非線性映射能力、不易陷入局部最小等優(yōu)點(diǎn)，能逼近任何非線性函數(shù)。它是以函數(shù)逼近理論為基礎(chǔ)而構(gòu)造的一類(lèi)三層前向網(wǎng)絡(luò)，它包含輸入層、隱含層和輸出層。輸入向量x的維數(shù)對(duì)應(yīng)輸入層的每一個(gè)輸入節(jié)點(diǎn)，將單元知識(shí)傳遞輸入信息到隱含層，隱含層的每個(gè)隱含節(jié)點(diǎn)對(duì)應(yīng)一個(gè)訓(xùn)練數(shù)據(jù)點(diǎn)，隱含節(jié)點(diǎn)與輸出層中每個(gè)線性單元連接。

2 輸入?yún)?shù)的選擇

在目前對(duì)結(jié)構(gòu)進(jìn)行健康監(jiān)測(cè)和損傷識(shí)別的各種方法中，利用動(dòng)態(tài)特性分析法進(jìn)行損傷檢測(cè)最為廣泛應(yīng)用，針對(duì)不同結(jié)構(gòu)選擇合適的模態(tài)數(shù)據(jù)或其導(dǎo)出值，影響著損傷檢測(cè)的難易程度和檢測(cè)結(jié)果的準(zhǔn)確性。模態(tài)性質(zhì)（如固有頻率、振型模態(tài)和曲率模態(tài)）是結(jié)構(gòu)物理參數(shù)的函數(shù)，結(jié)構(gòu)發(fā)生損傷，這些模態(tài)性質(zhì)就會(huì)隨之產(chǎn)生相應(yīng)的變化；在損傷識(shí)別中，輸入?yún)?shù)應(yīng)該能夠敏感地反映結(jié)構(gòu)損傷，因此輸入?yún)?shù)的選擇對(duì)控制神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果精度尤為重要。

經(jīng)常選用特征物理量作為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)的有：振動(dòng)響應(yīng)信號(hào)、位移、應(yīng)變、速度、頻率、頻率變化比、模態(tài)、曲率等。采用不同的輸入?yún)?shù)或參數(shù)組合，對(duì)損傷敏感性的影響不同，大量損傷診斷研究都選用結(jié)構(gòu)頻率作為損傷指標(biāo)，但有學(xué)者研究證明模態(tài)頻率對(duì)損傷并不敏感[3]，任意兩階模態(tài)的頻率變化率，僅僅與損傷位置有關(guān)，與損傷程度無(wú)關(guān)。范進(jìn)勝[4]采用振型曲率比作為輸入?yún)?shù)，試驗(yàn)討論得到該種方法可以準(zhǔn)確識(shí)別出結(jié)構(gòu)的損傷位置，對(duì)損傷程度的大小也能做出比較。瞿偉廉[5]采用損傷前后應(yīng)變模態(tài)差作為輸入?yún)?shù)，應(yīng)變模態(tài)對(duì)結(jié)構(gòu)局部損傷較為敏感，能直接反映結(jié)構(gòu)的損傷狀態(tài)。鞠彥忠[6]采用固有頻率、第一振型模態(tài)、振型、作為輸入?yún)?shù)，得出振型對(duì)損傷位置的變化比頻率敏感，損傷引起的變化高階頻率比低階頻率更敏感，固有頻率的改變對(duì)位于下部桿件的損傷比對(duì)上部更敏感。萬(wàn)小朋[7]以懸臂梁的損傷識(shí)別為例，固定端的振型變化受結(jié)構(gòu)損傷的影響更大，不同位置和不同程度的損傷使得結(jié)構(gòu)第一階振型改變率發(fā)生明顯變化，驗(yàn)證了采用第一階振型改變率作為輸入?yún)?shù)可用于識(shí)別小損傷，在試驗(yàn)中獲得結(jié)構(gòu)的第一階振型操作簡(jiǎn)單，容易實(shí)現(xiàn)，測(cè)量誤差較小。張剛剛[8]采用參數(shù)頻率、振型模態(tài)、曲率模態(tài)三種指標(biāo)作為輸入?yún)?shù)，對(duì)斜拉索損傷進(jìn)行研究，得到振型與曲率為輸入?yún)?shù)對(duì)損傷識(shí)別獲得良好效果，其中曲率模態(tài)對(duì)橋梁損傷的敏感度最高。韓西[9]把結(jié)構(gòu)損傷識(shí)別問(wèn)題分為損傷判斷、損傷定位、損傷程度三個(gè)階段，定位損傷采用位置的頻率變化平方比作為輸入?yún)?shù)，判別損傷程度的頻率變化比作為輸入?yún)?shù)，證實(shí)了該方法具有較好的識(shí)別效果。

在已有研究的基礎(chǔ)上，文章利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對(duì)重力壩損傷識(shí)別展開(kāi)研究，提出將結(jié)構(gòu)固有頻率和固定點(diǎn)模態(tài)分量組合作為輸入?yún)?shù)，對(duì)比選用不同輸入?yún)?shù)的輸出損傷信息。

3 數(shù)值模擬分析

數(shù)值模擬分析選取武都大壩19#右岸非溢流壩段為例進(jìn)行研究，將模型結(jié)構(gòu)進(jìn)行簡(jiǎn)化，假定壩體材料為彈性體，在壩體上游面模擬動(dòng)水壓力，選用ABAQUS有限元軟件建立二維有限元模型。為簡(jiǎn)化計(jì)算選取大壩震后易損傷的壩頸段下游面劃分為多個(gè)區(qū)域，設(shè)置水平裂縫模擬大壩結(jié)構(gòu)損傷狀態(tài)。選擇訓(xùn)練樣本時(shí)要將損傷情況盡可能包含在內(nèi)，綜合考慮選擇在距壩頂2/19，2.33/19，2.67/19，3/19，3.33/19，3.67/19，4/19壩高處，用大寫(xiě)字母A、B、C、D、E、F、G表示七類(lèi)不同位置的裂縫，每處裂縫分為7種損傷程度，分別為該處壩體截面的寬度的0.1、0.2、0.3、0.4、0.5、0.6倍，共得到43組訓(xùn)練樣本，獲得大壩結(jié)構(gòu)不同損傷情況下的動(dòng)力特性（如圖1）。

神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)分為三個(gè)對(duì)照組，Ⅰ組選取結(jié)構(gòu)前八階固有頻率，Ⅱ組選取八個(gè)指定點(diǎn)的一階模態(tài)水平分量，Ⅲ組選取結(jié)構(gòu)前四階固有頻率和四個(gè)指定點(diǎn)的一階模態(tài)水平分量。神經(jīng)網(wǎng)絡(luò)理想輸出參數(shù)為（ya，yb，yc，yd，ye，yf，yg），yx表示結(jié)構(gòu)在x的損傷量，例如（0，0， 0，0.35，0，0，0）表示損傷發(fā)生在結(jié)構(gòu)下游面D處，程度為0.35。

將各組選定的特征物理量作為網(wǎng)絡(luò)的輸入向量，結(jié)構(gòu)損傷狀態(tài)作為輸出參數(shù)，建立損傷分類(lèi)訓(xùn)練樣本集，將樣本集送入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到結(jié)構(gòu)特征物理量變化與損傷狀態(tài)之間的映射關(guān)系。選取四種樣本用來(lái)測(cè)試該方法對(duì)于損傷的識(shí)別精度，對(duì)比各對(duì)照組的神經(jīng)網(wǎng)絡(luò)輸出結(jié)果（如表1）。

對(duì)以上三組損傷識(shí)別結(jié)果，對(duì)損傷位置識(shí)別效果和損傷程度識(shí)別誤差進(jìn)行分析，得到以下結(jié)論：采用頻率變化率作為輸入?yún)?shù)容易獲得，訓(xùn)練速度快，能準(zhǔn)確識(shí)別損傷位置，對(duì)識(shí)別程度識(shí)別結(jié)果誤差較大。采用固定點(diǎn)第一節(jié)模態(tài)水平分量作為輸入?yún)?shù)訓(xùn)練速度較慢，能夠精確識(shí)別損傷位置，且損傷程度識(shí)別結(jié)果較為準(zhǔn)確。采用將二者結(jié)合的組合參數(shù)作為輸入?yún)?shù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，相對(duì)于其他兩組該方法具有明顯優(yōu)勢(shì)，能準(zhǔn)確識(shí)別出損傷位置、識(shí)別損傷程度，有良好的損傷識(shí)別精度。

4結(jié)束語(yǔ)

文章通過(guò)對(duì)理論分析和武都大壩結(jié)構(gòu)的數(shù)值模擬分析，對(duì)比幾組不同輸入?yún)?shù)的神經(jīng)網(wǎng)絡(luò)損傷識(shí)別結(jié)果。結(jié)構(gòu)的固有頻率是容易獲得，與測(cè)量位置無(wú)關(guān)且測(cè)量精度高，將結(jié)構(gòu)固有頻率作為輸入?yún)?shù)反映了結(jié)構(gòu)整體動(dòng)態(tài)特性，但它對(duì)結(jié)構(gòu)特征的局部變化不夠敏感。將結(jié)構(gòu)模態(tài)振型作為輸入?yún)?shù)，有很好的識(shí)別精度，但該方法不易判斷振型節(jié)點(diǎn)附近的損傷，應(yīng)針對(duì)具體情況選擇合理的分析點(diǎn)。

將組合參數(shù)的方法用于重力壩損傷識(shí)別，結(jié)合二者優(yōu)點(diǎn)，避開(kāi)單一輸入?yún)?shù)帶來(lái)的缺陷，具有良好的識(shí)別效果，識(shí)別精確度和神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度明顯優(yōu)于單一輸入?yún)?shù)，可進(jìn)一步檢驗(yàn)該方法用于實(shí)際結(jié)構(gòu)的有效性。

參考文獻(xiàn)

[1]朱宏平.結(jié)構(gòu)損傷檢測(cè)的智能方法[M].人民交通出版社，2009.

[2]Wu X，Ghaboussi J，Garrett Jr J H. Use of neural networks in detection of structural damage[J].Computers & Structures，1992，42（4）：649-659.

[3]Cawley P，Adams R D.The location of defects in structures from measurements of natural frequencies[J].Journal of Strain Analysis，1979；14：49-57.

[4]范進(jìn)勝，杜守軍.利用神經(jīng)網(wǎng)絡(luò)進(jìn)行框架結(jié)構(gòu)損傷識(shí)別的研究[C]//第14屆全國(guó)結(jié)構(gòu)工程學(xué)術(shù)會(huì)議論文集（第三冊(cè)），2005.

[5]瞿偉廉，陳偉.多層及高層框架結(jié)構(gòu)地震損傷診斷的神經(jīng)網(wǎng)絡(luò)方法[J].地震工程與工程振動(dòng)，2002，22（1）：43-48.

[6]鞠彥忠，閻貴平，陳建斌，等.用小波神經(jīng)網(wǎng)絡(luò)檢測(cè)結(jié)構(gòu)損傷[J].工程力學(xué)，2003，20（6）：176-181.

[7]萬(wàn)小朋，李小聰，鮑凱，等.利用振型變化進(jìn)行結(jié)構(gòu)損傷診斷的研究[J].航空學(xué)報(bào)，2003，24（5）：422-426.

[8]張剛剛，王春生，徐岳.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的斜拉橋損傷識(shí)別[J].長(zhǎng)安大學(xué)學(xué)報(bào)：自然科學(xué)版，2006，26（1）：49-53.

[9]韓西，張偉，鐘厲.基于神經(jīng)網(wǎng)絡(luò)技術(shù)的結(jié)構(gòu)損傷檢測(cè)[J].中南公路工程，2007，31（5）：15-18.