長輸管道懸索跨越結構損傷的試驗模擬與識別

王金國，丁 陽

(天津大學建筑工程學院，天津 300072)

在長輸管道工程中，管道通常需要跨越鐵路、公路、河流和山谷等障礙物，懸索橋是目前采用較多的跨越形式之一．國外已建成的長輸管道懸索橋[1]有美國密蘇里河跨越(主跨 824,m)和前蘇聯第聶伯河跨越(主跨 720,m)等．國內已建成的長輸管道懸索橋有：魏荊輸油管道漢江跨越(主跨 500,m)、陜京輸氣管道黃河跨越(主跨 270,m)、馬惠寧輸油管道折腰溝跨越(主跨 280,m)、東營臨邑輸油管道徒駭河跨越(主跨 220,m)以及澀寧蘭輸氣管道黃河跨越(主跨310,m)等．懸索橋相對于地面管道而言更易發(fā)生損傷，且大多處于荒無人煙的地帶，日常的維修、檢測如果以人工視察和無損檢測為主，不易發(fā)現其安全隱患，且費用較高．若在結構的關鍵部位安裝一定數量的傳感器，在線監(jiān)測結構的特征參數，然后利用模式識別技術，判斷結構的損傷模式和損傷程度，進而為結構的維修加固提供依據．

實際工程中管道懸索橋最可能發(fā)生的損傷破壞是構件連接失效，如在長期荷載作用下鋼索因緊固件松動而發(fā)生滑移，或因地基變形、基礎混凝土移動而造成結構體系受力狀態(tài)的變化等．為此把管道懸索橋的損傷歸結為 3種：塔架地腳螺栓松動、吊架失效和斜拉索失效．

筆者在咸陽至寶雞天然氣輸氣管道工程的渭惠渠懸索跨越結構的基礎上，制作了縮尺比例為 1∶8的懸索橋模型結構．在模型試驗中分別采取下面方法模擬3種損傷狀態(tài)：人為地松動一塔架與基礎的錨固螺栓；將模型中的一個硬吊架人為去除；去除一根斜拉索．對懸索橋模型結構進行了完好狀態(tài)和 3種基本損傷模式狀態(tài)下的輸入白噪聲和地震波的振動試驗研究，得到了多組長輸管道懸索橋模型結構在完好狀態(tài)和不同損傷狀態(tài)下的頻率參數；且采用目前廣泛應用的神經網絡 BP網絡實現了對長輸管道懸索橋完好狀態(tài)和3種主要損傷模式的識別．

1 模型試驗

1.1 模型設計

試驗模型的原型取之于咸陽至寶雞天然氣輸氣管道工程的渭惠渠懸索跨越結構，該結構支承體系由河流兩岸的塔架、塔架間架設的兩道平行主索、塔架的斜拉索和連接于主索的吊架組成．塔架由Φ219×6的鋼管制作，塔高7,m，兩塔之間跨越的距離為54,m，塔架與地面錨固，并設置斜拉鋼索(37Φ3.5)拉緊．主索(37Φ,3.2)連接9組吊架以支撐管道，兩端的吊架為由型鋼制作的硬吊架，中間的吊架為軟吊架，由鋼纜(7Φ,3.0)和型鋼橫梁組成．輸氣管道規(guī)格為Φ,426×7，架設中形成倒拱．此懸索跨越結構總質量近70,kN．

由于試驗條件所限，確定懸索跨越結構試驗模型的縮尺比例為 1∶8．模型總長約 9,m，高 1.4,m，每根主索長6.78,m，每根斜拉索長1.25,m，管道跨中起拱矢高為25,mm．試驗模型和照片分別如圖1和圖2所示．

圖1 試驗模型示意Fig.1 Schematic diagram of test model

圖2 試驗模型照片Fig.2 Photo of test model

試驗模型中，河流兩岸地面由與振動臺固定連接的混凝土板模擬；管道和塔架分別采用Φ,50×1.2和Φ,25×0.8的不銹鋼管制作；主索、斜拉索和軟吊架鋼索分別采用 1Φ,2.1、1Φ,2.4和 1Φ,1.5鋼絞線制作；其余構件均依原型按比例縮小后由鋼材制成．管道經彎頭折入地面，端部采用環(huán)氧樹脂砂漿與混凝土板粘接．為調節(jié)鋼索的索力，主索和斜拉索中分別接入花籃螺絲．試驗模型各構件的相關參數列于表1．

表1 試驗模型構件一覽表Tab.1 Schedule of test model components

試驗在中國地震局工程力學研究所完成．

模型中還使用鋼索卡具 56個、灌注鋼管的鐵砂75.9,kg(人工質量)、拉力計2個．

1.2 模型試驗

對完好狀態(tài)和 3種損傷狀態(tài)下的試驗模型分別進行了1次白噪聲試驗和7次El-Centro地震波輸入下的振動臺試驗，得到管道懸索橋試驗模型在不同地 震加速度下自振頻率值共32組，試驗結果列于表2．

表2 試驗結果Tab.2 Consequences of test

從表2中可見，對于同一水平地震動加速度峰值如加速度峰值為 0.17,g時，當結構損傷破壞后，與完好狀態(tài)相比，水平橫向自振頻率提高了，但是豎向自振頻率卻降低了．

2 長輸管道懸索跨越結構損傷模式的識別

神經網絡方法是一種非常有效的模式識別技術．Amaravadi[2]、Dang[3]、Martin[4]等學者在利用神經網絡方法進行健康監(jiān)測方面做了大量的研究工作．香港汲水門大橋[5]、香港青馬大橋[6]等工程的健康監(jiān)測系統(tǒng)中也應用了神經網絡方法．筆者通過使用管道懸索跨越結構模型試驗得到的數據，在 MATLAB程序中將BP網絡用于結構的損傷模式識別．

2.1 損傷模式的確定和特征參數的選取

運用神經網絡進行結構損傷模式識別時，經常選用的神經網絡參數為振動響應信號、位移、應變[7]、速度[8]、頻率、頻率變化比[9]、模態(tài)、模態(tài)應變能變化比[10]等．根據數理統(tǒng)計分析，對于管道懸索橋的損傷模式識別，在完好狀態(tài)和3種損傷狀態(tài)之間水平橫向一階頻率 fh1、二階頻率 fh2和豎向一階頻率 fv1、二階頻率fv2中總有一階或幾階頻率存在顯著差異．因此，選取 fh1、fh2、fv1、fv2、fh1/fh2、fv1/fv2以及水平輸入地震波加速度平均峰值 amax共 7個特征參數作為網絡的輸入參數．

2.2 網絡學習樣本擴展與數據前處理

選取表 2前 24組作為網絡的學習樣本，選用后8組用來驗證網絡的有效性．

為了減小噪聲對網絡輸出的干擾以及加強網絡的學習記憶，需要對學習樣本進行擴展．擴展方法是把表2中的每個數據按正態(tài)分布進行擴展，正態(tài)分布的均值是這個數據本身，方差為 0.005，擴展倍數為表中的兩個不同水平．這樣在已有的數據基礎上形成了多組樣本來作為網絡輸入向量．試運算發(fā)現樣本擴展倍數為 50時網絡的學習更為穩(wěn)定，共有 1,200個樣本．

為了解決輸入參數的自相關問題，對學習樣本進行了主成分分析，分析發(fā)現 fh1、fh2、fh1/fh2具有線性相關性，這 3個參數中有一個被刪除；同樣 fv1、fv2、fv1/fv2也具有線性相關性，這 3個參數中也有一個被刪除，這樣網絡輸入參數只有4個．

2.3 網絡學習目標輸出向量的構造

以目標向量[1 0 0 0]代表完好狀態(tài)，[0 1 0 0]代表塔架地腳螺栓松動狀態(tài)，[0 0 1 0]代表硬吊架失效狀態(tài)，[0 0 0 1]代表斜拉索失效狀態(tài)．按照網絡輸入中每個樣本所對應的損傷形式，選用上面4個向量中的每一個向量，作為這個樣本的學習目標，從而形成多個輸入/目標對來指導網絡學習．

2.4 網絡訓練

利用 MATLAB神經網絡工具箱構建 BP網絡體，經過160次試運算，確定網絡層數為3層，輸入層有 5個神經元，傳遞函數為雙曲正切函數 tansig，隱含層有 10個神經元，傳遞函數為雙曲正切函數tansig，輸出層有 4個神經元，傳遞函數為 S形函數logsig，網絡訓練方法為彈性反向傳播函數 trianrp[11]，訓練的目標誤差為1×10-8．

BP算法默認的性能指數是均方誤差，其表達式[11]為

式中：t為目標輸出；a為網絡實際輸出；e代表兩者之間的誤差；E表示期望．

網絡結構確定后，利用輸入/目標訓練網絡．經過226次迭代，網絡訓練完成，其均方誤差為7.45×10-8，收斂曲線如圖3所示比較平滑，沒有明顯的平臺和振蕩現象．

圖3 均方誤差的收斂曲線Fig.3 Convergence curve of mean square error

2.5 網絡的有效性

網絡訓練好后，并不能知道網絡的有效性如何，需要用不同于輸入樣本且已知實際損傷模式的新輸入來驗證網絡的有效性，以及考察網絡的推廣能力．選用表2中的后8組來驗證網絡的有效性．網絡對于這8組數據的反應見表3．

表3 網絡的驗證結果Tab.3 Verified consequences of network

從網絡輸出中可以看出，經過訓練后的網絡可以根據未學習過的頻率和水平地震峰值非常準確地識別出所對應的結構狀態(tài)．說明所建立的BP網絡能夠在使用少量的學習數據情況下，就能很準確地識別管道懸索橋的損傷模式．

3 結 論

(1)BP網絡能夠很好地識別結構的地腳螺栓松動、吊架失效、斜拉索失效3種不同的損傷模式，說明利用管道懸索橋在不同地震動輸入下的低階頻率能夠進行結構的健康診斷．

(2)目前尚沒有有效的理論來指導 BP網絡參數的選取，只能通過大量的運算比較，確定結構參數，從而構建了一個利用模型試驗數據進行損傷模式識別的具有優(yōu)越性能的BP網絡結構．對以后類似網絡的建立具有很好的參考價值．

(3)在使用 BP網絡處理損傷模式識別問題時，采用彈性反向傳播函數作為快速訓練函數會有良好的表現．

［1］李德寅．懸索管道橋梁：兼論第聶伯河上 720 m管道橋[J]．國外橋梁，1995(4)：241-255.

Li Deyin. Cable-suspension bridge of pipelines with 720 m in Dnieper[J].Foreign Bridges，1995(4)：241-255 (in Chinese).

［2］Amaravadi V K，Mitchell K，Rao V S，et al.Structural integrity monitoring of composite patch repairs using wavelet analysis and neural network[C]// Smart Structures and Materials2002:Smart Structures and Integrated Systems.San Diego，USA, 2002，4701：156-166.

［3］Dang N H，Rao V. Embedded Systems for the Assessment of Structural Damages[R]. San Diego：NDE for Health Monitoring and Diagnostics，2002.

［4］Martin W N，Ghoshal A Jr，Sundaresan M J，et al.Artificial nerve system for structural monitoring[C]//Smart Nondestructive Evaluation for Health Monitoring of Structural and Biological Systems.San Diego，USA，2002：49-62.

［5］高贊明，孫宗光，倪一清. 基于振動方法的汲水門大橋損傷檢測研究[J]. 地震工程與工程震動，2001，21(4)：117-123.

Ko J M，Sun Z G，Ni Y Q. Simulation of damage identification using vibration-based method for Kap Shui Mun Bridge[J].Earthquake Engineering and Engineering Vibration，2001，21(4)：117-123(in Chinese).

［6］Flint A R，Mcfadyen A N，Lau C K，et al. Wind and structure health monitoring system (WASHMS)for Lantau fixed crossing，part 2 performance requirements for the bridge instrumentation system[C]//Bridge into 21st Century. Hong Kong，1995：225-232.

［7］Guemes J A，Frovel M，Rodriguez-Lence F，et al.Embedded fiber brag grating as local damage sensors for composite materials[C]//Smart Structure and Materials: Smart Sensor Technology and Measurement Systems.San Diego，USA，2002：118-128.

［8］Adams R D，Cawley P，Pye C J，et al. A vibration technique for non-destructively assessing the integrity of structure[J].Journal of Mechanics Engineering Science，1978，20(2)：93-100.

［9］Abé Masato. Structural monitoring of civil structures using vibration measurement current practice and future[G]// LNCI：Artificial Intelligence in Structural Engineering. Heidelberg: Springer Berlin，1998，1454：1-18.

［10］Amizic B，Amaravadi V，Rao V S，et al. Two dimensional wavelet mapping techniques for damage detection in structural systems[C]//Smart Structures and Material：Modeling，Signal Processing，and Controls.San Diego，USA，2002：267-278.

［11］Riedmiller M，Braun H. A direct adaptive method for faster back propagation learning: The RPROP algorithm[C]//Proceedings of the IEEE International Conference on Neural Networks.San Francisco,USA，1993：586-591.