周 瀟

(武漢市城市路橋收費管理中心，湖北武漢 430050)

[定稿日期]2017-06-28

預應力混凝土箱梁橋在運營期持續(xù)下?lián)?，一直是橋梁工作者重點研究的問題。人工神經(jīng)網(wǎng)絡是基于數(shù)據(jù)統(tǒng)計類型的學習方法，不需要知道數(shù)據(jù)之間的因果關系，非常適合于針對影響因素眾多、因果關系難明的結構長期下?lián)线@類復雜問題進行研究。結合一座預應力混凝土連續(xù)梁橋的健康監(jiān)測系統(tǒng)監(jiān)測數(shù)據(jù)，采用神經(jīng)網(wǎng)絡方法對此類橋梁運營狀態(tài)進行預警。

1 人工神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡(簡稱ANN)是模擬生物大腦神經(jīng)突觸連接結構進行信息處理的一種數(shù)學模型。它由大量神經(jīng)元相互連接而成，每個神經(jīng)元代表一種激勵函數(shù)，神經(jīng)元之間的連接對通過該連接的信號賦予權值，神經(jīng)元的輸出則由輸入、權值和激勵函數(shù)共同決定。因此，神經(jīng)網(wǎng)絡可以理解為對某種算法、函數(shù)的逼近擬合或者是對一類邏輯關系的表達。BP神經(jīng)網(wǎng)絡由于其結構簡單、可調參數(shù)較多、訓練算法較多、可操作性好而廣泛應用(圖1、圖2)。

圖1 三層BP神經(jīng)網(wǎng)絡結構

圖2 神經(jīng)元結構模型

用ANN進行橋梁運行狀態(tài)預警的基本原理如下：將撓度傳感器監(jiān)測的撓度數(shù)據(jù)作為ANN的輸入量，它的輸出量為橋梁運行狀態(tài)(以0表示報警，以1表示正常)。首先，神經(jīng)網(wǎng)絡要經(jīng)過訓練學習，用以往監(jiān)測數(shù)據(jù)作為測試樣本對神經(jīng)網(wǎng)絡進行訓練，這樣就將樣本庫的知識以網(wǎng)絡的形式存儲在神經(jīng)網(wǎng)絡的連接權中，當結構承載能力發(fā)生變化導致結構撓度測試結果出現(xiàn)異常狀態(tài)時，將此模式輸入到已訓練好的神經(jīng)網(wǎng)絡中，通過分析，得出診斷結果。

2 工程概況

某橋為跨徑布置(65+126+65) m的預應力混凝土連續(xù)箱梁，為研究結構下?lián)蠙C理，該橋安裝了基于連通管法的結構撓度長期監(jiān)測系統(tǒng)，分別提取中跨、邊跨L/2測點撓度時程曲線數(shù)據(jù)作為樣本空間。

3 人工神經(jīng)網(wǎng)絡方法預警實例

按照融合的監(jiān)測數(shù)據(jù)(樣本空間)的不同，預警模式分為一級預警和二級預警兩級。待融合關鍵測點設置見表1。

表1 待融合關鍵測點

3.1 一級預警

一級預警即日常預警，以前三天每天凌晨固定時刻的數(shù)據(jù)進行融合，生成神經(jīng)網(wǎng)絡樣本空間，訓練測試神經(jīng)網(wǎng)絡，對當天測試值進行預警，預警頻率為每天一次。

將融合測點監(jiān)測撓度作為神經(jīng)網(wǎng)絡輸入，將結構狀態(tài)作為輸出。采用S形函數(shù) (Logistic function) 作為激活函數(shù)，該函數(shù)值域為[0,1]，能夠以0，1表示結構運行狀態(tài)。網(wǎng)絡參數(shù)設置為：訓練次數(shù)1 000次，訓練目標1e-6，學習效率為0.1。神經(jīng)網(wǎng)絡輸出結構狀態(tài)位置，當輸出為1時，結構運行狀態(tài)良好；當輸出為0時，結構異常報警。

樣本空間為P0[360×16]；訓練樣本中，正常值樣本為P1[270×16]，報警值樣本為P2[30×16]；測試樣本中，正常值樣本為P_1test[50×16]，報警值樣本為P_2test[10×16]。訓練樣本空間部分數(shù)據(jù)如表2所示。

表2 神經(jīng)網(wǎng)絡訓練樣本空間部分數(shù)據(jù) mm

3.2 二級預警

二級預警即實時預警，以過去一年的數(shù)據(jù)進行融合，生成神經(jīng)網(wǎng)絡樣本空間，訓練測試神經(jīng)網(wǎng)絡，對實時測試值進行預警，預警頻率為每分鐘一次。

在生成神經(jīng)網(wǎng)絡訓練樣本時，需要有正常值與報警值，正常值選擇過去一年中部分實測撓度值作為樣本，報警值則按照前文提出的實時監(jiān)測閾值(各融合測點年度最大撓度)的隨機倍數(shù)(1～2)來生成。其中，樣本空間為P0[415×16]；訓練樣本中，正常值樣本為P1[270×16]，報警值樣本為P2[30×16]；測試樣本中，正常值樣本為P_1test[50×16]，報警值樣本為P_2test[10×16]。訓練樣本與測試樣本均從樣本空間選取，訓練樣本與測試樣本不重復選取。

生成樣本空間，待神經(jīng)網(wǎng)絡訓練完成后，得到兩級預警報警結果(圖3、圖4)。

圖3 一級預警報警測試結果

圖4 二級預警報警測試結果

生成樣本空間，待神經(jīng)網(wǎng)絡訓練完成以后，進行兩級預警，一級預警選用前3 d的實測數(shù)據(jù)，來對后一天數(shù)據(jù)進行預警，當后一天實測數(shù)據(jù)明顯突變時，預警機制能夠發(fā)現(xiàn)并給出預警結果。由于短時間內實測數(shù)據(jù)不會有很大差別，因此，一級預警具有較高精度，二級預警預測模型具有更好的穩(wěn)定性。一級預警預測結果穩(wěn)定性略差，但是也能夠實現(xiàn)異常值報警。

4 結論

(1) 用人工神經(jīng)網(wǎng)絡方法進行結構下?lián)线M行兩級預警，能夠實現(xiàn)日常預警與年度預警；

(2) 為保證預警的準確性，宜融合多個關鍵點的監(jiān)測數(shù)據(jù)，增強樣本空間的多樣性；

(3) 后續(xù)可考慮融合結構應力、支座位移等參數(shù)，進一步完善結構運營狀態(tài)報警體系。

[1] 周雨. 大跨徑PC梁橋長期下?lián)霞捌鋵Σ叻治鯷D]. 重慶: 重慶交通大學, 2013.

[2] 賀拴海, 李源, 任偉, 等. 大跨連續(xù)剛構橋長期撓度實測分析及預測[J]. 武漢理工大學學報, 2014, 36(4):35 -38.

[3] 胡俊亮. 鋼管混凝土拱-連續(xù)梁組合體系橋梁損傷識別研究[D].廣州: 華南理工大學, 2014.