BP神經(jīng)網(wǎng)絡(luò)在疊合梁斜拉橋施工控制中的應(yīng)用

劉人銘

(貴州省交通規(guī)劃勘察設(shè)計研究院股份有限公司　貴陽　550081)

BP神經(jīng)網(wǎng)絡(luò)在疊合梁斜拉橋施工控制中的應(yīng)用

劉人銘

(貴州省交通規(guī)劃勘察設(shè)計研究院股份有限公司貴陽550081)

摘要影響疊合梁斜拉橋施工中的線形和內(nèi)力的參數(shù)較多，且由于這些參數(shù)的理論值與真實值之間存在誤差，使得結(jié)構(gòu)往往不能達(dá)到理論上的線形和內(nèi)力狀態(tài)。另一方面參數(shù)的真實值與施工期間的結(jié)構(gòu)內(nèi)力和線形的映射關(guān)系無法用顯式表達(dá)。因此提出采用BP神經(jīng)網(wǎng)絡(luò)來進(jìn)行關(guān)鍵參數(shù)識別的方法，并以長江上某疊合梁斜拉橋為例，說明BP神經(jīng)網(wǎng)絡(luò)在疊合梁斜拉橋施工控制中的應(yīng)用過程及方法。

關(guān)鍵詞參數(shù)識別神經(jīng)網(wǎng)絡(luò)施工控制

在橋梁的施工過程中，可以根據(jù)設(shè)計成橋線形推算出橋梁在施工中各個不同工況下的線形狀態(tài)和內(nèi)力狀態(tài)。但是，由于在設(shè)計階段采用的結(jié)構(gòu)計算的各項參數(shù)值為理論上的標(biāo)準(zhǔn)值，而在實際施工中這些參數(shù)值往往與理論值有較大的偏差。在施工監(jiān)控的過程中，由于結(jié)構(gòu)參數(shù)誤差的存在，使得結(jié)構(gòu)不能達(dá)到理論上的線形和內(nèi)力狀態(tài)。因此，就必須對實際施工中結(jié)構(gòu)的各項關(guān)鍵參數(shù)進(jìn)行識別，通過確定參數(shù)的真實值，將其帶入計算模型，使得計算模型能夠反映結(jié)構(gòu)的真實狀態(tài)[1-2]。

在疊合梁斜拉橋的施工監(jiān)控中，有的結(jié)構(gòu)關(guān)鍵參數(shù)不能通過直接測量的方式得到，同時由于疊合梁斜拉橋?qū)儆诟叽纬o定結(jié)構(gòu)，影響結(jié)構(gòu)的內(nèi)力和線型的因素較多，所以也不能通過理論方法建立內(nèi)力、線型與結(jié)構(gòu)關(guān)鍵參數(shù)之間的顯性函數(shù)表達(dá)式，因此在施工監(jiān)控中多采用人工神經(jīng)網(wǎng)絡(luò)的方法確定結(jié)構(gòu)的關(guān)鍵參數(shù)值。

1BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)由輸入層、輸出層和中間層(隱藏層)組成，中間層為一層或多層。不同層的不同神經(jīng)元節(jié)點之間通過權(quán)值連接，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程就是各神經(jīng)元之間的連接權(quán)值改變并不斷優(yōu)化的過程。

BP神經(jīng)網(wǎng)絡(luò)的基本算法的計算流程如下[3]。

(1) 設(shè)定網(wǎng)絡(luò)的各神經(jīng)元之間連接權(quán)值的初始值ωij(0)。

據(jù)統(tǒng)計，目前80%～90%的神經(jīng)網(wǎng)絡(luò)模型都是采用的BP網(wǎng)絡(luò)模型或者其變化的形式，BP算法的流程見圖1。

圖1BP算法流程圖

2BP神經(jīng)網(wǎng)絡(luò)在施工監(jiān)控參數(shù)識別中的應(yīng)用

2.1　實際橋梁工程概況

現(xiàn)有長江上某座疊合梁斜拉橋，橋跨布置為35.5 m+186 m+436 m+186 m+35.5 m。主梁采用鋼混凝土疊合梁，其截面形式為高度2.8 m的雙工字鋼梁+混凝土橋面板組成的疊合梁，主橋橋面板為預(yù)制存放6個月后的C60鋼筋混凝土板，縱向半漂浮體系。索、塔形式為雙塔雙索面，其中主塔為菱形橋塔，斜拉索為空間索，共計8個索面，136根索。

全橋標(biāo)準(zhǔn)梁段的施工順序為：匹配安裝鋼主梁→第一次張拉斜拉索→吊裝橋面板→第二次張拉斜拉索→澆注橋面板間濕接縫→濕接縫達(dá)到強(qiáng)度后第三次張拉斜拉索→下一標(biāo)準(zhǔn)梁段。全橋有限元模型采用平面桿系單元，共計856個單元，其中索塔和墩單元共172個，梁單元共293個，橋面剛臂單元共293個，索單元68個，桁架單元4 個，其余為施工臨時結(jié)構(gòu)單元，采用切線位移法一次安裝梁單元，從主塔施工開始到最后成橋，分為800個施工階段。有限元結(jié)構(gòu)離散圖見圖2。

圖2　有限元結(jié)構(gòu)離散圖

2.2　待識別參數(shù)的確定

對斜拉橋而言，施工監(jiān)控中主要是對全橋線型、內(nèi)力及塔頂偏位的監(jiān)控。疊合梁斜拉橋作為一種高次超靜定結(jié)構(gòu)，影響其線型和內(nèi)力的參數(shù)較多，不同參數(shù)對橋梁線型和內(nèi)力的影響權(quán)值也不盡相同，因此參數(shù)識別之前需要知道哪些參數(shù)對于橋梁線型和內(nèi)力的影響較大，哪些參數(shù)的影響較小(即進(jìn)行結(jié)構(gòu)的參數(shù)敏感性分析)。對結(jié)構(gòu)力學(xué)行為狀態(tài)影響較大的參數(shù)進(jìn)行識別，將其真實值帶入結(jié)構(gòu)計算中，才能得到與現(xiàn)場實際相符

的全橋線型和內(nèi)力狀態(tài)。

通過對結(jié)構(gòu)進(jìn)行參數(shù)敏感性分析，得出對結(jié)構(gòu)的力學(xué)行為狀態(tài)影響較大的參數(shù)是鋼主梁重量、橋面板重量和斜拉索索力[4]，將上述3個參數(shù)作為待識別參數(shù)，即本文主要解決的是識別出上述3個參數(shù)的實際值，并將結(jié)果用于結(jié)構(gòu)計算當(dāng)中。

2.3　參數(shù)識別神經(jīng)網(wǎng)絡(luò)輸入輸出變量的確定

下面的計算示例中，以本大橋西岸最大單懸臂施工梁段即江側(cè)17號梁段主梁重量、橋面板重量和17號斜拉索3張索力為待識別的參數(shù)，也即是輸出變量。而輸入變量必須選擇那些受到輸出參數(shù)的變化而變化較大的而且能夠檢測或提取的變量，此外，還要求各輸入變量之間互不相關(guān)或相關(guān)性很小，這是輸入變量選擇的2項基本原則。從輸入變量的容易測量及數(shù)據(jù)的準(zhǔn)確性方面考慮，本文選取西岸江側(cè)11～17號梁段的主梁高程作為輸入向量。

2.4　神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本集的建立

本文根據(jù)上一節(jié)所確定的輸入-輸出向量，分別將斜拉索索力、主梁重量和橋面板重量按照在原設(shè)計值的基礎(chǔ)上變化0%，±2%,±5%的量級進(jìn)行不同的組合，并將改變后的參數(shù)值帶入到有限元計算模型中進(jìn)行計算，得到本橋在不同參數(shù)下的線形，以此建立了參數(shù)識別的訓(xùn)練樣本集[5]。下面的60個訓(xùn)練樣本中各個待識別參數(shù)的變化范圍見表1(表中的0,±2, ±5均表示在原設(shè)計值基礎(chǔ)上變化0%,±2%,±5%)。訓(xùn)練樣本集的輸入輸出變量的具體值見表2。

表1　訓(xùn)練樣本集參數(shù)變化范圍　%

表2　訓(xùn)練樣本具體數(shù)據(jù)

2.5　訓(xùn)練樣本集的歸一化處理

網(wǎng)絡(luò)的輸入、輸出節(jié)點的物理量的意義各不相同，使得輸入-輸出向量中的各個分量的量綱各不相同，這些量綱不同的量的數(shù)值相差甚遠(yuǎn)，所以必須對訓(xùn)練樣本中的數(shù)據(jù)進(jìn)行歸一化處理，將有量綱的量變?yōu)闊o量綱的純量，以防止小數(shù)值信息被大數(shù)值信息所淹沒，從而歸納統(tǒng)一樣本的統(tǒng)計分布特性，并且具有保證收斂速度加快的功能。本文采用線性函數(shù)轉(zhuǎn)換的方法來對訓(xùn)練樣本的數(shù)據(jù)進(jìn)行歸一化處理。

2.6　BP神經(jīng)網(wǎng)絡(luò)用于參數(shù)識別

網(wǎng)絡(luò)的輸入變量為西岸江側(cè)11～17號梁段的主梁高程,即網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)目為7，將待識別的參數(shù)(主梁重量、橋面板重量、斜拉索索力)作為輸出變量，即網(wǎng)絡(luò)的輸出層神經(jīng)元數(shù)目為3，建立了參數(shù)識別的訓(xùn)練樣本集，并對訓(xùn)練樣本數(shù)據(jù)進(jìn)行了預(yù)處理，再設(shè)定BP網(wǎng)絡(luò)的隱藏層數(shù)目為1層，隱藏層中的神經(jīng)元數(shù)目為15個，即已經(jīng)完全確定了用于參數(shù)識別的BP神經(jīng)網(wǎng)絡(luò)的全部拓?fù)浣Y(jié)構(gòu)。運(yùn)用matlab軟件中的BP神經(jīng)網(wǎng)絡(luò)工具箱建立網(wǎng)絡(luò)[6]，進(jìn)行參數(shù)識別并將參數(shù)識別的結(jié)果進(jìn)行反歸一化處理后，參數(shù)識別的結(jié)果見表3。

表3　BP網(wǎng)絡(luò)參數(shù)識別結(jié)果

3結(jié)論

(1) 從上表可知，索力、主梁重和橋面板重的參數(shù)識別的相對誤差的最大值分別為2.04%，3.26%，3.78%，可見將BP神經(jīng)網(wǎng)絡(luò)用于施工監(jiān)控參數(shù)識別具有較高的精度。

(2) 因為人工神經(jīng)網(wǎng)絡(luò)法具有不需要得到輸入-輸出之間映射關(guān)系的顯式表達(dá)式、可以實現(xiàn)多參數(shù)輸出、計算速度快，容錯能力強(qiáng)，可以實現(xiàn)非線性變換等優(yōu)點，因此人工神經(jīng)網(wǎng)絡(luò)適合運(yùn)用于大跨度疊合梁斜拉橋的施工控制中。

參考文獻(xiàn)

[1]官萬軼,韓大建.大跨度斜拉橋施工控制方法研究進(jìn)展[J].華南理工大學(xué)學(xué)報,1999,27(11):14-18.

[2]葛耀軍.分段施工橋梁分析與控制[M].北京：人民交通出版社，2003.

[3]胡伍生.神經(jīng)網(wǎng)絡(luò)理論及其工程應(yīng)用[M].北京：測繪出版社,2006.

[4]劉人銘.觀音巖大橋參數(shù)敏感性分析報告[R].成都：西南交通大學(xué)，2008.

[5]李傳習(xí),劉 揚(yáng),張建仁.基于人工神經(jīng)網(wǎng)絡(luò)的混凝土大跨度橋梁主梁參數(shù)實時估計[J].中國公路學(xué)報，2001,14(3):62-65.

[6]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實現(xiàn)[M].北京：電子工業(yè)出版社，2006.

Using the BP Neural Network on the Composite Beam

Cable-stayde Bridge While Construction Control

LiuRenming

(Guizhou transportation planning survey & design academe Co.,Ltd., Guiyang 550081, China)

Abstract：There are many parameters which influence the alignment and the internal force of a composite beam cable-stayde bridge., Because the theoretical value of such parameters and the real value exist the deviation, the structure can not achieve the theoretical states of alignment and internal force usually. On the other hand, we can not express the mapping relationship between the structural internal force and alignment and the real value of such parameters in an explicit way. So this paper proposed a method of using the BP neural-network in parameter identification. Based on a composite beam cable-stayde bridge over the Yangtze River, we illustrated the method and process of using the BP neural-network on the construction control of the composite beam cable-stayde bridges.

Key words:parameter identification； neural network； construction control

收稿日期：2015-06-25

DOI10.3963/j.issn.1671-7570.2015.05.020