魏濤濤,朱利明,卓靜超
(南京工大橋隧與軌道交通研究院有限公司,南京210031)
橋梁結構健康監(jiān)測(Structural Health Monitoring,SHM)系統(tǒng)采集的大量監(jiān)測數(shù)據如何進行分析處理一直是目前的研究熱點,其中,監(jiān)測數(shù)據的分析預測是后續(xù)結構評估和安全預警的基礎,對橋梁的管養(yǎng)工作有著重要的意義。
神經網絡由于其自適應性和良好的容錯性,非常適合運用于橋梁SHM 監(jiān)測數(shù)據這類非平穩(wěn)的時間序列。本文提出了基于NAR 動態(tài)神經網絡的預測模型,并與經典時間序列理論的求和自回歸移動平均(Autoregressive Intergrated Moving Average,ARIMA)模型進行了對比,對上海市某斜拉橋SHM 實測應變進行預測和模型驗證。
非線性自回歸(Nonlinear Auto Regressive,NAR)神經網絡模型是一種用于分析時間序列的動態(tài)神經網絡模型。之所以稱之為動態(tài)神經網絡是相較于靜態(tài)神經網絡而言的。一個神經網絡包含輸入層、中間層和輸出層,如果在傳遞過程中信息只是單向地從輸入層傳遞到輸出層,中間信息沒有任何反饋,則該網絡是靜態(tài)的,如常見的BP 神經網絡;如果在傳遞過程中,輸出信息作為輸入信息反饋到上一層中,則該網絡是動態(tài)的。動態(tài)神經網絡的這一性質,在時間序列分析中非常適用。NAR 動態(tài)神經網絡本質上是靜態(tài)神經網絡結合輸出反饋,由輸入層、隱含滯后層、輸出層構成,是一個自回歸過程,輸出值取決于以往的值,而輸入值為前一次的輸出值。
NAR 動態(tài)神經網絡模型的構建分為幾個步驟:訓練樣本數(shù)據的劃分、NAR 模型參數(shù)的選取、NAR 模型的訓練及數(shù)據預測。其中,NAR 模型參數(shù)的選取包括了隱含層神經元個數(shù)和滯后階數(shù)的確定;NAR 模型的訓練包括訓練方法的選取和訓練次數(shù)的確定。
NAR 動態(tài)神經網絡的預測流程為:監(jiān)測數(shù)據的時間序列→訓練數(shù)據劃分→設置隱含神經元個數(shù)和滯后階數(shù)→選擇訓練方法和次數(shù)→殘差分析→訓練結束并保存網絡→數(shù)據預測。需注意的是,若殘差分析不通過,需再次設置隱含神經元個數(shù)和滯后階數(shù)。
選取上海市某斜拉橋2017年7月1~5 日的跨中腹板應變健康監(jiān)測數(shù)據樣本進行應變監(jiān)測數(shù)據的預測并驗證預測模型的適用性,共720 期數(shù)據,每期間隔10min。
本例樣本總量為720,其中,70%為訓練數(shù)據,15%為測試數(shù)據,15%為驗證數(shù)據。
與BP 神經網絡類似,在建立NAR 模型時需要先對模型參數(shù)進行選取,即確定NAR 神經網絡的滯后階數(shù)與隱含層神經元個數(shù)。
滯后階數(shù):由于模型的預測值是由前一組樣本所決定的,可以根據樣本的自相關系數(shù)ACF 值來確定NAR 模型的滯后階數(shù)。由于應變健康監(jiān)測數(shù)據樣本在第25 階左右下降到2 倍標準差范圍內,可以認為在滯后階數(shù)25 階范圍內,樣本的相關性較強。因此,NAR 模型的滯后階數(shù)選擇為25 階。
隱含層神經元個數(shù)【1】:一般認為神經網絡的隱含層神經元個數(shù)與輸出單元有關。隱含層神經元個數(shù)過少,會導致擬合不足,利用信息不充分,準確性下降;過多,則會導致學習訓練時間長,過擬合,造成對新樣本的適用性變差。隱含層神經元個數(shù)的確定采用經驗公式(1)和公式(2):
式中,n 為輸入單元數(shù);m 為輸出單元個數(shù),a 為常數(shù),取值1~10。
根據經驗公式(1)和公式(2),可知隱含層神經元個數(shù)為5~15個。為了進一步確定隱含層神經元個數(shù),分別訓練隱含層神經元個數(shù)為5~15個的神經網絡,比較之間的均方誤差MSE。由于輸入權值和閾值的隨機性,模型需訓練多次,訓練方法采用Levenberg Marquardt 算法,訓練次數(shù)為20 次。結果見表1。
表1 不同隱含層神經元個數(shù)之間的模型誤差
由表1 可以看出,在一定范圍內增加隱含層神經元個數(shù)可以減少訓練、驗證和測試的誤差,但并非數(shù)量越多越好,在10個左右達到誤差最小值。綜合考慮后,確定隱含層神經元個數(shù)為10。
建立應變健康監(jiān)測數(shù)據的NAR 神經網絡模型,對模型進行多次訓練,訓練方法采用Levenberg Marquardt 算法,訓練次數(shù)為50 次。
訓練完成后,檢測模型誤差的自相關性,以此判斷模型的適用性。根據時間序列分析的相關理論,當殘差的自相關系數(shù)都接近0 時,說明模型構建效果較好,即模型的殘差之間是不相關的。當模型誤差的自相關系數(shù)除了0 階外,其余都在95%置信區(qū)間范圍內時,可以認為模型誤差的自相關系數(shù)近似于0,誤差之間不存在相關性,模型構造效果比較好。
為了定量地確定預測模型的效果,建立了經典時間序列分析理論的ARIMA 模型進行對比,其采用了ARIMA(2,1,1)模型進行預測。2 種模型應變預測結果見圖1。
為了進一步定量地判斷各個模型的預測效果,采用均方誤差MSE、平均絕對百分比誤差MAPE 和可決系數(shù)R23 種統(tǒng)計學指標來評價模型的性能。表2 為2 種預測模型的統(tǒng)計指標對比表。
圖1 2 種預測模型應變預測結果圖
表2 2 種預測模型的統(tǒng)計指標對比
從表2 中可以看出,在10 期和25 期預測長度內,NAR 動態(tài)神經網絡模型的MSE 和MAPE 指標都大幅度小于ARIMA模型,R2指標略大于ARIMA 模型,說明前者的穩(wěn)定性和準確性都明顯要好于后者,而回歸效果整體類似,前者略好。隨著預測期數(shù)增加,各種模型指標都在劣化,符合數(shù)據預測的一般規(guī)律,在50 期預測長度時,NAR 動態(tài)神經網絡模型和ARIMA 模型各項統(tǒng)計指標大體一致,且R2指標都顯著不為1,說明此時的回歸效果很差。對比結果表明,在對橋梁SHM 應變的預測中,NAR 動態(tài)神經網絡在短期內的預測穩(wěn)定性和準確性要明顯好于經典時間序列分析理論的ARIMA 模型,具有良好的工程應用價值。
綜上所述,本文研究結果表明,NAR 動態(tài)神經網絡在短期內的預測穩(wěn)定性和準確性要明顯好于經典時間序列分析理論的ARIMA 模型,具有良好的工程應用價值。