趙海娟 王 軍

(1.鹽城市大豐區(qū)大橋水利管理服務(wù)站，江蘇 鹽城 224100； 2.鹽城市大豐區(qū)新豐水利管理服務(wù)站，江蘇 鹽城 224100)

1 概述

水閘作為洪水調(diào)控和水資源合理利用的重要手段，其病害的存在不僅嚴(yán)重威脅工程上、下游地區(qū)安全，而且會(huì)影響當(dāng)?shù)亟?jīng)濟(jì)和社會(huì)的全面發(fā)展。由于水工建筑物大多數(shù)是鋼筋混凝土結(jié)構(gòu)，在使用一段時(shí)間后，便會(huì)出現(xiàn)不同程度的老化現(xiàn)象，如混凝土碳化、鋼筋銹蝕等，在這些病害中，混凝土碳化最為典型，混凝土碳化是造成混凝土裂縫、鋼筋銹蝕的最直接因素，因此，對(duì)混凝土碳化深度預(yù)測(cè)研究尤為重要。國(guó)內(nèi)外學(xué)者提出許多混凝土碳化預(yù)測(cè)模型，大致可以分為兩類(lèi)：基于試驗(yàn)數(shù)據(jù)的擬合經(jīng)驗(yàn)?zāi)Ｐ秃突谔蓟磻?yīng)過(guò)程的理論模型[1-4]。但混凝土碳化是一個(gè)緩慢而復(fù)雜的過(guò)程，涉及到許多材料、荷載和環(huán)境變量，而這些變量中，有的會(huì)表現(xiàn)出很大的隨機(jī)性，目前，對(duì)于水閘混凝土碳化深度還沒(méi)有形成一個(gè)有效預(yù)測(cè)方法。神經(jīng)網(wǎng)絡(luò)具有很高的容錯(cuò)性和自學(xué)習(xí)能力，能夠很好的解決混凝土碳化影響因素復(fù)雜的問(wèn)題，并且能夠極大程度克服病害檢測(cè)的約束條件，在混凝土碳化深度預(yù)測(cè)方面顯示了極大的優(yōu)越性。本文采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)，選取混凝土碳化深度的主要影響因素，建立混凝土碳化深度預(yù)測(cè)模型，并基于VS平臺(tái)，開(kāi)發(fā)水閘混凝土碳化深度預(yù)測(cè)系統(tǒng)，能夠快速、準(zhǔn)確識(shí)別混凝土碳化深度，為水閘除險(xiǎn)加固提供技術(shù)支持。

2 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)具有很好的非線(xiàn)性映射和學(xué)習(xí)能力，但是初始權(quán)值確定以及算法收斂等問(wèn)題沒(méi)有得到很好的解決。利用遺傳算法可以使神經(jīng)網(wǎng)絡(luò)具有較好的收斂能力和較強(qiáng)的學(xué)習(xí)能力，遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)分為遺傳算法優(yōu)化和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)兩個(gè)部分，首先，確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)而確定遺傳算法個(gè)體長(zhǎng)度，采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，每個(gè)個(gè)體都包含一個(gè)網(wǎng)絡(luò)所有的權(quán)值和閾值，通過(guò)選擇、交叉和變異操作搜索最后適應(yīng)度值對(duì)應(yīng)個(gè)體，并對(duì)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值賦值，網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練后，輸出預(yù)測(cè)結(jié)果。

遺傳算法優(yōu)化主要包括選擇操作、交叉操作和變異操作[5-8]。遺傳算法的選擇操作有許多，本文選擇輪盤(pán)賭法，即基于適應(yīng)度的選擇策略，每個(gè)個(gè)體i的選擇概率pi為：

fi=k/Fi

(1)

(2)

其中，F(xiàn)i為個(gè)體i的適應(yīng)度值，由于適應(yīng)度值越小越好，因此，在個(gè)體選擇時(shí)，對(duì)適應(yīng)度值求倒數(shù)；N為種群個(gè)體數(shù)目。

個(gè)體采用實(shí)數(shù)編碼，因此采用實(shí)數(shù)交叉法進(jìn)行交叉操作，如式(3)所示。

(3)

其中，akj,alj分別為個(gè)體ak,al在j位置；a,b是[0,1]間的隨機(jī)數(shù)。

選取第i個(gè)個(gè)體的第j個(gè)基因aij進(jìn)行變異，如式(4)所示。

(4)

其中，amax為基因aij的上界，amin為下界；f(g)=r2(1-g/Gmax)2，r2為隨機(jī)數(shù)，g為當(dāng)前迭代次數(shù)，Gmax為最大進(jìn)化數(shù)。

BP神經(jīng)網(wǎng)絡(luò)最常用的為三層感應(yīng)器，包括輸入層、隱含層和輸出層[9,10]。單隱含層可以映射所有連續(xù)函數(shù)，只有學(xué)習(xí)不連續(xù)函數(shù)時(shí)，才需要使用兩個(gè)隱含層，因此，本文采用單隱含層。隱含層節(jié)點(diǎn)數(shù)一般采用試湊法確定，采用經(jīng)驗(yàn)公式作為試湊法的初始值，如式(5)所示。

(5)

3 實(shí)例分析

本文采用鹽城地區(qū)的部分水閘作為樣本進(jìn)行分析。混凝土碳化需要考慮的因素很多，如水泥品種、水灰比、摻合劑、外加劑等，這些參數(shù)樣本因?yàn)闀r(shí)間關(guān)系，已經(jīng)很難找齊，而混凝土抗壓強(qiáng)度是混凝土力學(xué)特性基本指標(biāo)，它綜合反映了混凝土水泥強(qiáng)度、水灰比、施工質(zhì)量等參數(shù)，且測(cè)試方法簡(jiǎn)單、快捷。另外，混凝土碳化過(guò)程與時(shí)間、溫度、相對(duì)濕度有著密切的關(guān)系，并且這些數(shù)據(jù)也容易獲取，因此，選用混凝土抗壓強(qiáng)度、運(yùn)行時(shí)間、溫度、相對(duì)濕度作為輸入?yún)?shù)指標(biāo)。同時(shí)，考慮水閘構(gòu)件的不同，統(tǒng)一選擇工作橋橋梁碳化深度的平均值作為識(shí)別目標(biāo)。本文選取了鹽城市25個(gè)水閘樣本，數(shù)據(jù)如表1所示。

表1 數(shù)據(jù)樣本

由樣本選取的運(yùn)行時(shí)間、混凝土抗壓強(qiáng)度、溫度、相對(duì)濕度作為輸入變量，碳化深度為輸入變量，神經(jīng)網(wǎng)絡(luò)為4-n-1結(jié)構(gòu)，隱含層節(jié)點(diǎn)數(shù)按式(5)計(jì)算，經(jīng)計(jì)算，隱含層節(jié)點(diǎn)為6，因此，設(shè)置的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為4-6-1。根據(jù)上述理論，遺傳算法的個(gè)體編碼長(zhǎng)度為18+7=25。將上述25組樣本中，前15組為訓(xùn)練數(shù)據(jù)，后10組數(shù)據(jù)為測(cè)試數(shù)據(jù)。將預(yù)測(cè)結(jié)果絕對(duì)誤差值作為個(gè)體適應(yīng)度值，遺傳算法參數(shù)設(shè)置為：種群規(guī)模為5，進(jìn)化次數(shù)為5，交叉概率為0.3，變異概率為0.1。在神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練后，對(duì)后10組數(shù)據(jù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如表2，圖1所示。

表2 預(yù)測(cè)結(jié)果對(duì)比表

由表2和圖1可知，預(yù)測(cè)結(jié)果與實(shí)測(cè)值吻合較好，說(shuō)明所提出的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)能夠較好的預(yù)測(cè)混凝土碳化深度，但是個(gè)別誤差較大，主要是由于碳化過(guò)程較為復(fù)雜，還有一些因素沒(méi)有考慮。但就預(yù)測(cè)結(jié)果而言，誤差在15%以?xún)?nèi)，處于可接受范圍之內(nèi)，通過(guò)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，可以預(yù)測(cè)和識(shí)別水閘混凝土碳化深度，這也為水閘工程病害的發(fā)展分析研究提供了一種新的思路。

4 結(jié)語(yǔ)

本文根據(jù)水閘混凝土碳化過(guò)程特點(diǎn)，開(kāi)展了水閘混凝土碳化深度預(yù)測(cè)研究，主要結(jié)論如下：1)本文在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，結(jié)合遺傳算法，形成遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，分為遺傳算法優(yōu)化和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)兩部分，通過(guò)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，使預(yù)測(cè)結(jié)果更為精確；2)在分析水閘混凝土碳化特點(diǎn)的基礎(chǔ)上，選取了水閘運(yùn)行時(shí)間、混凝土抗壓強(qiáng)度、溫度和相對(duì)濕度作為輸入指標(biāo)，建立遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；3)收集了鹽城市水閘混凝土碳化深度樣本，應(yīng)用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對(duì)水閘碳化深度進(jìn)行預(yù)測(cè)分析，結(jié)果表明，采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行水閘混凝土碳化深度預(yù)測(cè)是可行的，能夠快速、準(zhǔn)確識(shí)別混凝土碳化深度，為水閘除險(xiǎn)加固提供技術(shù)支持。