基于神經網絡橋梁損傷識別研究

王 宇

(雞西大學 理工系，黑龍江 雞西 158100)

基于神經網絡橋梁損傷識別研究

王 宇

(雞西大學 理工系，黑龍江 雞西 158100)

對橋梁結構進行健康診斷，可以有效避免事故的發(fā)生，保證橋梁的安全。試根據人工神經網絡的基本理論，提出將BP神經網絡用于橋梁損傷識別研究。

橋梁損傷；BP神經網絡；簡支梁

對橋梁結構進行正確及時的損傷識別，可以避免由于結構損傷而誘發(fā)大橋坍塌造成橋毀人亡的災難性事故，但由于以往的檢測、識別手段和方法較為落后，應用上一直處于理論研究階段，實際應用較少。隨著橋梁結構在抵抗自然災害領域的研究成果及新材料、新工藝的開發(fā)和應用，在設計和施工等方面，及時發(fā)現損傷，并診斷出局部損傷的位置以及損傷程度并進行必要的修復，可以很好地保證橋梁安全。

近年來，對橋梁工程結構進行健康診斷的結構識別方法研究有很多，如模型修正法、指紋分析法等。通過頻率、振型、位移和應變等響應數據，利用各種力學橋梁的模型結構檢驗橋梁結構固有頻率對損傷程度、損傷位置的敏感性以及基于模態(tài)分析基本原理與方法，應用應變模態(tài)的表達式及應變傳遞函數矩陣等問題。本文采用模態(tài)分析原理識別損傷結構參數的變化，同時利用神經網絡方法進行優(yōu)化。

1人工神經元模型

人工神經網絡的基本單元是神經元，它是一個多輸入單輸出的信息處理單元，而且，它對信息的處理是非線性的，可以抽象為數學模型，如圖1所示。

圖1 神經元數學模型

圖中，xi(i=1,2…n)定義為神經元i的輸入，wi是與上級神經元的連接權值，θ為神經元i閥值或偏差，f 為神經元，i為傳遞函數，y為神經元的輸出。

輸入信號處理：

(1)

令w0=-θ，x0=1上式改寫為：

(2)

對凈輸入s進行邏輯函數運算，即

y=f(s)

(3)

f (s)通常被稱為變換函數(或特征函數，傳遞函數)。在BP網絡中一般用線性和S型函數作為變換函數。

(1)purelin函數 f (x)=kx

(2)Sigmoid函數 f (x)=1/[1+exp(-x)]

2 BP網絡及算法

BP神經網絡按拓撲結構，采用的是反向傳播的學習方法，是可以對非線性可微分函數進行權值訓練的多層網絡。

標準BP學習算法采用梯度下降法調整網絡的權值，其中η為學習速率，取[0,1]之間的常數，定義對應樣本p時第1層第j個節(jié)點的delta函數，則對第k輪訓練，第l層與第l+1層之間的網絡權值滿足關系：

w(l)ij(k)=w(l)ij(k-1)+ Δw(l)ij(k)

(4)

(5)

Δw(l)ij(k)=-αδ(l)jp·O(l-1)ip

(6)

3簡支梁橋損傷識別的BP神經網絡建模

在進行橋梁結構損傷識別時，不但需要處理大量的實驗數據，而且其過程中的一些參數難以控制和測定，故實物模擬試驗很難達到對實際橋梁結構進行研究的要求。故此，提出在橋梁結構的工程模型上進行研究，現在已然成為土木工程專業(yè)領域對待結構損傷識別的有效做法。

3.1損傷識別指標。

建立簡支梁橋結構模型，梁長L=5mL，截面為600mm×600mm 矩形，材料為混凝土，彈性模量E=3.0×1010N/m2，密度ρ=2400 kg/m3，泊松比0.12，建模時全梁劃分為12個節(jié)點，13個梁單元。應用ANSYS對梁進行數值模擬，取其固有頻率取前5階，位移模態(tài)取跨中單元端點處的位移量，如圖2所示。

圖2 簡支梁模型

3.2神經網絡建立和訓練。

假設兩種損傷的工作狀況：①單元2分別損傷10%、30%、50%；②單元8分別損傷10%、30%、50%。在選取訓練樣本時，構造訓練樣本共8個。

(1)利用構造的不同的損傷樣本，檢測出的不同的損傷工況，選擇2、8單元兩端節(jié)點(即節(jié)點1、3、7、9)的曲率變化率作為輸入向量，以其損傷程度作為輸出向量，如表1、2所示。

(2)神經網絡的輸入層有6個神經元，分別代表6個節(jié)點的曲率變化率，隱層有13個神經元，輸出層有三個神經元，代表各個單元的損傷程度。

表1 測試樣本集

表2 測試樣本輸出

現將測試樣本集與實際輸出量進行對比，只有一個實際輸出的誤差超過了1%，其它均控制在1%以內，說明網絡訓練效果良好。

4結論

通過神經網絡模擬并優(yōu)化工程實例，得出橋梁模型與橋梁實際結構之間的任意復雜的非線性映射關系，并且能預測出最大誤差。

[1]張治國.基于模態(tài)分析理論和神經網絡的橋梁損傷識別方法研究[D].武漢理工大學碩士論文,2005.

[2]魏錦輝.基于神經網絡的橋梁損傷識別[D].西南交通大學碩士論文,2004.

[3]邊肇祺，張學工,等.模式識別[M].清華大學出版社,2000.

[4]聶堯.基于BP神經網絡的橋梁損傷識別方法研究[D].山東科技大學碩士論文,2009.

ClassNo.:U441+.4DocumentMark：A

(責任編輯：宋瑞斌)

DamageIdentificationforBridgeBasedonArtificialNeuralNetwork

Wang Yu

Through analyzing the research findings of structural damage identification based on artificial neural networks and comparing the capabilities of BP networks，this thesis proposed that bridge damage technique can be researched based on BP neural networks.

artificial neural networks；damage identification；simply supported beam

王宇，碩士，講師，雞西大學理工系。

1672-6758(2012)12-0038-1

U441+.4

A