劉 勝 重

(華南理工大學(xué),廣東 廣州 510640)

?

基于BP神經(jīng)網(wǎng)絡(luò)的斜拉橋主梁標(biāo)高預(yù)測研究

劉 勝 重

(華南理工大學(xué),廣東 廣州 510640)

通過建立某斜拉橋仿真模型，分析了主梁線型變化趨勢及影響其數(shù)值的因素，并利用BP神經(jīng)網(wǎng)絡(luò)，建立了一個非線性映射關(guān)系，預(yù)測了后續(xù)節(jié)段的前端標(biāo)高，將預(yù)測值與仿真值作了比較，驗證了BP神經(jīng)網(wǎng)絡(luò)預(yù)測大跨度斜拉橋主梁線形的可行性。

BP神經(jīng)網(wǎng)絡(luò)，大跨度斜拉橋，標(biāo)高預(yù)測，仿真模型

0 引言

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,即ANN)最早出現(xiàn)于20世紀(jì)80年代，它是通過模擬生物神經(jīng)元工作原理，利用數(shù)學(xué)方法建立模型，反復(fù)的“擬合—反饋—修正—擬合”把輸入和輸出建立一個非線性的映射關(guān)系。我們可以利用這種關(guān)系解決很多領(lǐng)域的問題。隨著計算機的普及我們可以在計算機中完成這個復(fù)雜的運算過程，所以近幾年來人工神經(jīng)網(wǎng)絡(luò)在模式識別、智能機器人、預(yù)測估計、生物、醫(yī)學(xué)、經(jīng)濟等領(lǐng)域廣泛運用，解決了許多其他方法難以解決的問題。本文擬通過惠東范和港大橋?qū)嵗A(yù)測其主梁線型變化趨勢。

90年代，我國和國外許多學(xué)者進一步豐富和發(fā)展了神經(jīng)網(wǎng)絡(luò)領(lǐng)域。尤其是利用它的非線性系統(tǒng)的控制問題。1975年Albus提出了小腦模型關(guān)節(jié)控制器(CMAC)，Miller等人以此作為基礎(chǔ)，進一步研究非線性動態(tài)系統(tǒng)控制問題。1993年Bulsari提出了以乘積Sigmoid函數(shù)作為激發(fā)函數(shù)，得出了神經(jīng)網(wǎng)絡(luò)非線性逼近的構(gòu)造描述。1997年羅忠等人對CMAC的收斂性和hash編碼對它的影響作了矩陣分析并且證明。人工神經(jīng)網(wǎng)絡(luò)在實際工程領(lǐng)域的運用發(fā)展快速。例如華南理工大學(xué)韓大建、陳太聰、蘇成利用BP神經(jīng)網(wǎng)絡(luò)對斜拉橋施工過程中的混凝土的彈性模量識別；同濟大學(xué)陳德偉、荊國強、黃錚用神經(jīng)網(wǎng)絡(luò)的方法評估橋梁在溫度作用下的撓度行為等等。

本文以惠東范和港跨海大橋為例，按照設(shè)計要求建立Midas/civil模型。通過溫度荷載仿真出成橋狀態(tài)下中跨1號～23號節(jié)段的前端標(biāo)高，由1號～17號節(jié)段建立人工神經(jīng)網(wǎng)絡(luò)模型，18號～23號作為預(yù)測數(shù)據(jù)。

1 BP神經(jīng)網(wǎng)絡(luò)原理

1.1 BP網(wǎng)絡(luò)模型

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)，1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，由輸入層、隱含層和輸出層組成，相鄰層之間的神經(jīng)元實現(xiàn)全連接，即輸入層與隱含層，隱含層與輸出層每一個神經(jīng)元實現(xiàn)全連接，相同層神經(jīng)元之間沒有連接(見圖1)。BP網(wǎng)絡(luò)是目前工程應(yīng)用最廣泛的一種神經(jīng)網(wǎng)絡(luò)模型。

1.2 BP學(xué)習(xí)算法

BP網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程即為：“數(shù)據(jù)順傳播”→“誤差逆?zhèn)鞑ァ薄案聶?quán)值和閾值”的學(xué)習(xí)擬合過程。這一過程為一個完整的訓(xùn)練，經(jīng)過N次的訓(xùn)練修正使輸入值與輸出值之間建立良好的映射關(guān)系。

反復(fù)執(zhí)行“誤差—修正”“再誤差—再修正”的過程，當(dāng)誤差數(shù)值在達(dá)到要求時或訓(xùn)練次數(shù)達(dá)到預(yù)設(shè)值時，訓(xùn)練結(jié)束，儲存該權(quán)值、閾值，供下步仿真使用。

1.3 改進BP算法

訓(xùn)練集的歸一化處理。BP網(wǎng)的輸入值物理量各不相同，數(shù)值相差很大，如果不進行處理，會導(dǎo)致網(wǎng)絡(luò)權(quán)系數(shù)的量級相差很大，影響網(wǎng)絡(luò)的映射精度和自學(xué)習(xí)的收斂性。如何既做到不影響數(shù)據(jù)間的信息聯(lián)系，又能使網(wǎng)絡(luò)學(xué)習(xí)的效率和網(wǎng)絡(luò)收斂的速度得以提高，為此歸一化法提供了解決這個問題的方法。一般是將各輸入量歸一至[0，1]，由于Sigmoid函數(shù)具有飽和非線性特性，值域在[0,0.1]和[0.9,1]區(qū)域內(nèi)曲線很平緩，造成網(wǎng)絡(luò)學(xué)習(xí)效率低、收斂速度慢。因此將輸入向量歸一化至(0.1,0.9)區(qū)間。

其中，a,b為兩個常量，可根據(jù)數(shù)據(jù)驗算確定。

2 Midas模型仿真結(jié)果與分析

2.1 案例概況

范和港大橋主橋的總體布置為(52.5+99.5+300+99.5+52.5)m，主橋全長604 m。半幅橋橫斷面布置采用0.5 m(防撞欄)+2.5 m(硬路肩)+2×3.75 m(行車道)+0.5 m(左側(cè)路緣帶)+0.25 m(C值)+0.5 m(防撞欄)+3.4/2 m(塔柱寬)=26.9/2 m。主橋采用預(yù)應(yīng)力混凝土雙塔單索面斜拉橋，采用塔墩梁固結(jié)體系，邊跨各設(shè)一個輔助墩。其主橋斜拉橋橋型布置見圖2，圖3。

2.2 仿真分析

L，Nz，Gs，Δs分別為節(jié)段前端距離索塔中心距離、節(jié)段單元軸向力、對應(yīng)斜拉索最終拉力、前端標(biāo)高變量。模型在整體升溫25 ℃后中跨主梁各節(jié)段參數(shù)見表1。

3 橋梁施工過程的標(biāo)高預(yù)測

3.1 輸入輸出參數(shù)的確定

影響橋面標(biāo)高變化Δs的因素主要有：距索塔的距離L，節(jié)段自重G，溫度T，索力Gs，節(jié)段軸向內(nèi)力Nz等許多因素。由于因素多且作用復(fù)雜，如果選取的輸入變量太多會增加網(wǎng)絡(luò)的復(fù)雜程度，且對網(wǎng)絡(luò)的一些非主導(dǎo)因素進行訓(xùn)練，會造成網(wǎng)絡(luò)響應(yīng)差，影響其泛化和適應(yīng)能力。

由于建模仿真是在同一溫度下進行，溫度差異相同不作為影響因素。該橋梁主梁中跨節(jié)段為標(biāo)準(zhǔn)節(jié)段，自重基本相同，也不作為考慮因素。綜合考慮后選取距索塔的距離L，索力Gs，節(jié)段軸向內(nèi)力Nz三個因素作為輸入量，橋面標(biāo)高變化Δs作為輸出量。即BP網(wǎng)絡(luò)的輸入神經(jīng)元數(shù)為I=3，隱層神經(jīng)元數(shù)H=2×3+1=7,輸出層O=1。

3.2 歸一化參數(shù)

其中，a,b均為常數(shù)，a=0.1，b=0.8，表1歸一化后結(jié)果如表2所示。

以1號～17號節(jié)段作為樣本梁段，18號，19號作為預(yù)測梁段。Δs，Δs′分別為標(biāo)高變量仿真值、標(biāo)高變量預(yù)測值。預(yù)測結(jié)果進行反歸一化，得到預(yù)測與模型仿真對比，見表3，圖4。

表2 歸一化結(jié)果

表3 預(yù)測值與仿真值對比結(jié)果

雖然相對誤差大于10%，但考慮到預(yù)測結(jié)果是毫米級的，最大的誤差也不超過0.3 mm。所以這樣的誤差是可以接受的，網(wǎng)絡(luò)訓(xùn)練效果良好。

4 結(jié)論與展望

1)神經(jīng)網(wǎng)絡(luò)用于預(yù)測斜拉橋主梁標(biāo)高變化走勢是可行的，因此其可以被應(yīng)用于土木工程領(lǐng)域。2)BP神經(jīng)網(wǎng)絡(luò)的泛化擬合能力受影響因素、樣本數(shù)量等多方面的制約，既不能胡子眉毛一把抓，也不能太過于粗糙，需要經(jīng)過綜合分析選取主要影響因子，這樣可以簡化網(wǎng)絡(luò)模型，提高運算速度，而不會因為受到貢獻(xiàn)較小的眾多因子的干擾，影響模型的泛化能力。3)神經(jīng)網(wǎng)絡(luò)既然可以很好地應(yīng)用于橋梁線型預(yù)測，那么是否可以用它來預(yù)測斜拉橋掛籃澆筑階段每一個節(jié)段的標(biāo)高變量，更好地提高立模精度，有待驗證。

[1] [加拿大]Simon Haykin.Neural Networks [M].Second Edition.葉世偉，史忠植，譯.A Comprehensive Foundation,北京：機械工業(yè)出版社，2004.

[2] 習(xí)會峰.基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的橋梁標(biāo)高預(yù)測方法研究[D].廣州：華南理工大學(xué)碩士學(xué)位論文，2007.

[3] 韓大建，陳太聰，蘇 成.BP神經(jīng)網(wǎng)絡(luò)用于斜拉橋施工過程中混凝土彈性模量的識別[J].橋梁建設(shè)，2003(8)：23.

[4] 陳德偉，荊國強，黃 錚.用人工神經(jīng)網(wǎng)絡(luò)方法評估橋梁在溫度作用下的撓度行為[J].結(jié)構(gòu)工程師，2006，22(4)：49.

[5] 劉君輝，宋友成.大跨度橋梁施工過程中參數(shù)識別的BP神經(jīng)網(wǎng)絡(luò)方法[J].湖南交通科技，2003，29(2)：26.

[6] 張國棟，彭 剛，王 釗，等.BP神經(jīng)網(wǎng)絡(luò)在單樁承載力預(yù)測中的應(yīng)用[J].三峽大學(xué)學(xué)報(自然科學(xué)版)，2003，25(1)：96.

Study on the prediction of the main girder of cable stayed bridge based on BP neural network

Liu Shengzhong

(South China University of Technology, Guangzhou 510640, China)

Through establishing the cable-stayed bridge simulation model, the paper analyzes major beam linear changing trend and its numerical influencing factors, establishes a nonlinear mapping relation by applying BP neural network, predicts continuous section elevation, compares the predicted value to simulation value, and finally testifies that: it is feasible to predict large-span cable-stayed bridge beam linear by applying BP neural network.

BP neural network, large-span cable-stayed bridge, elevation prediction, simulation model

1009-6825(2016)34-0160-03

2016-09-26

劉勝重(1987- )，男，在讀碩士

U448.27

A