基于BIM和神經(jīng)網(wǎng)絡(luò)的大跨度鋼屋蓋監(jiān)測數(shù)據(jù)解析

楊春 李鵬麟 熊帥 薛華 王漢武 許鍇

(1.華南理工大學(xué) 土木與交通學(xué)院，廣東 廣州 510640;2.華南理工大學(xué) 亞熱帶建筑科學(xué)國家重點實驗室，廣東 廣州 510640;3.賽昂斯(深圳)智能科技有限公司，廣東 深圳 518049;4.深圳生富檢測股份公司，廣東 深圳 518067;5.珠海市建設(shè)工程質(zhì)量監(jiān)督檢測站，廣東 珠海 519015)

為保障大跨度空間鋼結(jié)構(gòu)的結(jié)構(gòu)安全和管理維護的需要，須對其進行結(jié)構(gòu)健康監(jiān)測。復(fù)雜、大型的大跨度空間鋼結(jié)構(gòu)的監(jiān)測將產(chǎn)生大量而復(fù)雜的監(jiān)測信息，這給監(jiān)測信息的整合、管理、分析帶來了挑戰(zhàn)。目前，在結(jié)構(gòu)健康監(jiān)測領(lǐng)域，監(jiān)測數(shù)據(jù)的自動化采集已經(jīng)發(fā)展較為成熟，但對監(jiān)測數(shù)據(jù)的解析研究較少，因此，結(jié)構(gòu)的安全狀態(tài)評估缺乏時效性和直觀性。如何在現(xiàn)有技術(shù)條件下，對海量的結(jié)構(gòu)監(jiān)測實測信息進行解析，成為結(jié)構(gòu)健康監(jiān)測系統(tǒng)研究的一個重點。

大跨度空間鋼結(jié)構(gòu)具有高冗余度、結(jié)構(gòu)大面積分布和材料導(dǎo)熱性良好等特點，使得溫度效應(yīng)對總應(yīng)變有明顯影響。另外，溫度變化具有短期內(nèi)以天為單位周期性變化、長期內(nèi)以年為單位季節(jié)性變化的特點，人們可以利用應(yīng)力與溫度的非線性關(guān)系對溫度效應(yīng)進行預(yù)測并從實測的總應(yīng)變中分離。不僅如此，大跨度空間鋼屋蓋具有跨度大、開敞式和結(jié)構(gòu)剛度與質(zhì)量分布不均勻的特點，使得風(fēng)荷載同樣成為影響結(jié)構(gòu)總應(yīng)變的主要因素。由此可知，亟需在大跨度空間鋼結(jié)構(gòu)的健康監(jiān)測平臺上開發(fā)監(jiān)測數(shù)據(jù)解析功能，以實現(xiàn)溫度效應(yīng)預(yù)測和風(fēng)荷載識別。

至今為止，許多學(xué)者在結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)解析方面做了相關(guān)研究。利用在大型結(jié)構(gòu)健康監(jiān)測項目漫長的監(jiān)測周期內(nèi)所產(chǎn)生的大量監(jiān)測數(shù)據(jù)，對多工況和環(huán)境耦合下結(jié)構(gòu)的靜動力學(xué)行為進行解析是目前學(xué)者們研究的重點。孫雅瓊等[1]利用多元線性回歸模型較好地擬合了斜拉橋溫度與應(yīng)變的線性關(guān)系，在此基礎(chǔ)上剝離應(yīng)變實測數(shù)據(jù)的溫度效應(yīng)，實現(xiàn)了斜拉橋動荷載的識別；利用結(jié)構(gòu)溫度效應(yīng)與其他荷載效應(yīng)在時間尺度上不耦合的特點，劉綱等[2]通過自適應(yīng)帶寬法實現(xiàn)了溫度效應(yīng)的精確分離；陳德偉、周峰等[3-4]將神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于溫度效應(yīng)的剝離，分別實現(xiàn)了橋梁結(jié)構(gòu)實測撓度數(shù)據(jù)的解析和大跨度空間鋼結(jié)構(gòu)雪荷載的識別，具有一定的工程實用價值；在剝離出溫度效應(yīng)的基礎(chǔ)上，袁昆[5]利用移動平均法實現(xiàn)了橋梁結(jié)構(gòu)恒荷載應(yīng)力與除溫度荷載應(yīng)變外的其他活荷載應(yīng)力的分離，在監(jiān)測階段對橋梁構(gòu)件承載能力利用率進行了精確計算。李惠等[6]利用壓縮感知理論，實現(xiàn)了橋梁結(jié)構(gòu)健康監(jiān)測中丟失數(shù)據(jù)的恢復(fù)和車輛荷載的識別；祝青鑫等[7]利用小波分解技術(shù)剝離了車輛荷載應(yīng)變，基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理系統(tǒng)建立溫度和應(yīng)變響應(yīng)的非線性關(guān)系，實現(xiàn)了溫度應(yīng)變的預(yù)測；Kromanis等[8]提出了一種基于回歸的熱響應(yīng)預(yù)測方法，實現(xiàn)了依據(jù)分布溫度測量數(shù)據(jù)對結(jié)構(gòu)熱響應(yīng)進行預(yù)測；Bai等[9]采用奇異譜分析與多項式回歸相結(jié)合的方法實現(xiàn)了結(jié)構(gòu)溫度應(yīng)變的再現(xiàn)和預(yù)測；Goulet等[10]利用貝葉斯動態(tài)線性模型將觀測到的結(jié)構(gòu)響應(yīng)分離為子組件，并指出該模型能模擬結(jié)構(gòu)在環(huán)境變化下的響應(yīng)；Hedegaard等[11]提出了一種基于線性回歸的方法來分離監(jiān)測數(shù)據(jù)中的溫度相關(guān)變形與時間相關(guān)變形。在上述研究的基礎(chǔ)上，筆者結(jié)合建筑信息模型(BIM)技術(shù)和反向傳播(BP)神經(jīng)網(wǎng)絡(luò)，進行了基于BIM平臺的大跨度空間鋼結(jié)構(gòu)健康監(jiān)測系統(tǒng)的開發(fā)，以實現(xiàn)大跨度空間鋼結(jié)構(gòu)監(jiān)測數(shù)據(jù)及時準(zhǔn)確的交互、解析及顯示。

本研究以港珠澳大橋珠海公路口岸鋼網(wǎng)架屋蓋結(jié)構(gòu)的實測溫度、應(yīng)變數(shù)據(jù)為工程背景，利用BP神經(jīng)網(wǎng)絡(luò)模擬溫度和應(yīng)變之間的非線性關(guān)系，實現(xiàn)了大跨度空間鋼結(jié)構(gòu)溫度效應(yīng)預(yù)測。整體實現(xiàn)流程如下：利用連續(xù)多天采集到的溫度和應(yīng)變數(shù)據(jù)對BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練和驗證工作；將溫度效應(yīng)和風(fēng)荷載作用下結(jié)構(gòu)的監(jiān)測應(yīng)變分離，實現(xiàn)桿件荷載的主導(dǎo)工況自主判定；開發(fā)基于數(shù)據(jù)庫與Matlab接口的神經(jīng)網(wǎng)絡(luò)程序，以插件的形式嵌入BIM軟件中，并將監(jiān)測數(shù)據(jù)解析后的信息集成于BIM三維模型中，從而指導(dǎo)監(jiān)測人員檢修結(jié)構(gòu)。

1 工程概況

港珠澳大橋珠海公路口岸位于港珠澳大橋珠澳口岸人工島珠海公路口岸管理區(qū)，該建筑由旅檢大樓A區(qū)、旅檢大樓B區(qū)、交通中心和交通走廊4部分組成，效果圖和實景圖分別如圖1、圖2所示。工程采用鋼管混凝土柱與鋼網(wǎng)架屋蓋的結(jié)構(gòu)形式，其中旅檢大樓A區(qū)鋼網(wǎng)架屋面總面積近70 000 m2，橫向跨度約240 m，縱向跨度約330 m，自身質(zhì)量近1.4萬噸。本工程于2017年12月28日竣工，監(jiān)測團隊在建筑運營期介入，監(jiān)測項目的相關(guān)測點布置圖如圖3所示。

圖1 港珠澳大橋珠海公路口岸效果圖Fig.1 Rendering of Zhuhai port of Hong Kong-Zhuhai-Macao bridge

圖2 港珠澳大橋珠海公路口岸實景圖Fig.2 Reality images of Zhuhai port of Hong Kong-Zhuhai-Macao bridge

2 BP神經(jīng)網(wǎng)絡(luò)介紹

人工神經(jīng)網(wǎng)絡(luò)，簡稱“神經(jīng)網(wǎng)絡(luò)”，它是對人類的大腦系統(tǒng)一定特征的抽象描述，作為對人腦最簡單的一種模擬，是一種人工智能數(shù)學(xué)模型[12-13]。神經(jīng)元模型如圖4所示，由輸入信息x得到輸出結(jié)果y，其中權(quán)值和閾值分別為w和b。神經(jīng)網(wǎng)絡(luò)的神經(jīng)元利用權(quán)值、閾值和激活函數(shù)將接收的輸入信號轉(zhuǎn)換為輸出信號，緊接著，轉(zhuǎn)換后的輸出信號將作為下一層神經(jīng)元的輸入信號逐層向前傳播。

圖4 神經(jīng)元模型圖Fig.4 Diagram of neuron model

3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示，同一層神經(jīng)元互不連接，不同層神經(jīng)元相互連接。Φ、φ分別表示隱含層和輸出層的函數(shù)表達式，θ、a分別表示隱含層和輸出層的閾值，o為輸出值。如果把該網(wǎng)絡(luò)算法的訓(xùn)練視作非線性函數(shù)的擬合，各神經(jīng)元在網(wǎng)絡(luò)中的連接權(quán)值視為變化參數(shù)，那求得精確的參數(shù)就是該算法的目的。一旦輸出層不能得到期望的輸出結(jié)果，訓(xùn)練誤差就從輸出層一層層反向傳播至輸入層，逐次調(diào)整網(wǎng)絡(luò)各層的權(quán)值和閾值。前向和反向這兩個過程反復(fù)進行，使得誤差達到精度要求，網(wǎng)絡(luò)訓(xùn)練結(jié)束[14]。

(a)上弦桿相關(guān)測點布置圖

輸入層 隱含層 輸出層圖5 3層BP神經(jīng)網(wǎng)絡(luò)圖Fig.5 Diagram of three-layer BP neural network

3 溫度效應(yīng)的預(yù)測

3.1 溫度荷載特性對結(jié)構(gòu)的作用

溫度應(yīng)變與結(jié)構(gòu)構(gòu)件的邊界約束情況、溫度場分布等因素密切相關(guān)。結(jié)構(gòu)邊界約束越多，溫度場分布越不均勻，則其產(chǎn)生的溫度效應(yīng)越大、非線性越強。李惠等[15]在對國家游泳中心鋼結(jié)構(gòu)運營期間的桿件應(yīng)變監(jiān)測中指出，溫度作用是桿件應(yīng)變變化的主要影響因素，一般桿件表面溫度每變化1 ℃，微應(yīng)變(με)變化約10。一般而言，對于非線性結(jié)構(gòu)，溫度與桿件應(yīng)變的變化關(guān)系具有明顯非線性特征。另外，如果線彈性結(jié)構(gòu)的結(jié)構(gòu)組成和所處環(huán)境較為復(fù)雜時，溫度與桿件應(yīng)變的關(guān)系同樣具有非線性特征。在港珠澳大橋珠海公路口岸鋼網(wǎng)架屋蓋結(jié)構(gòu)中，其邊界約束復(fù)雜、覆蓋空間大且溫度場分布不均勻，溫度與應(yīng)變關(guān)系也具有明顯的非線性特征。

溫度對結(jié)構(gòu)的作用主要通過以下幾個方面體現(xiàn)：①年溫度作用。長期作用于結(jié)構(gòu)，對整體影響大，年溫度變化主要由季節(jié)性的溫度轉(zhuǎn)變所引起，通常較為緩慢，分析較簡單。②驟然降溫作用。短暫作用于結(jié)構(gòu)，對整體影響大，短時間的溫度突變主要是由日夜溫差積累后形成的結(jié)構(gòu)內(nèi)外溫差或強冷空氣的來襲所引起，分析較復(fù)雜。③太陽輻射作用。短暫作用于結(jié)構(gòu)，對局部影響大，分析最復(fù)雜。可以看出，工程結(jié)構(gòu)的溫度效應(yīng)是與時間相關(guān)聯(lián)的函數(shù)序列。由測點監(jiān)測得各桿件的溫度與應(yīng)變變化趨勢如圖6所示。

圖6以S3-9、F3-2和X3-5桿件為例，給出了2018年9月3日至2018年9月15日旅檢大樓A區(qū)鋼結(jié)構(gòu)屋蓋上、下弦桿和斜腹桿應(yīng)變與溫度的變化趨勢，各桿件位于屋蓋的位置見圖3。從圖6中可以看出：

(a)上弦桿S3-9

(1)在日溫變化影響下，鋼結(jié)構(gòu)屋蓋的應(yīng)變變化與溫度變化保持相同的走向，顯示出很強的相關(guān)性；

(2)應(yīng)變變化相對溫度變化存在一定的滯后性，這是因為環(huán)境溫度變化后，鋼材的吸熱及結(jié)構(gòu)內(nèi)力重分布需要時間；

(3)在外界的氣溫變化和輻射影響下，上弦桿直接受到太陽照射，溫度變化幅度大，最大溫差可達近10 ℃，斜腹桿次之，其最大溫差也能達到8 ℃，下弦桿溫度變化最為穩(wěn)定，溫差幅度約為6 ℃；

(4)日溫變化影響下，上弦桿溫度變化幅度最大，微應(yīng)變(με)變化幅度達到22，斜腹桿次之，微應(yīng)變(με)變化幅度達15，下弦桿應(yīng)變變化最穩(wěn)定，微應(yīng)變(με)變化幅度約為12。

3.2 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

本節(jié)將采用3層BP神經(jīng)網(wǎng)絡(luò)進行模型的訓(xùn)練和檢驗工作。數(shù)據(jù)樣本為港珠澳大橋珠海公路口岸健康安全監(jiān)測系統(tǒng)在2018年9月3日到2018年9月15日共13天所采集到的應(yīng)變和溫度數(shù)據(jù)。該網(wǎng)絡(luò)的輸入信號和輸出信號分別為結(jié)構(gòu)的溫度變化和應(yīng)變變化。輸入層為3個神經(jīng)元，分別對應(yīng)屋蓋上、下弦桿和斜腹桿的溫度變化，輸出層為一個神經(jīng)元，對應(yīng)結(jié)構(gòu)中某桿件的應(yīng)變變化，經(jīng)過反復(fù)訓(xùn)練測試，確定隱含層為5個神經(jīng)元，由此建立神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型：

f(x1,x2,x3)=tanh(w15tanh(w53[x1;x2;x3]+b51)+b1)

(1)

其中：tanh為雙曲正切型函數(shù)，w15和b51為一行五列的矩陣，w53為5行3列的矩陣，b1為常數(shù)。前7天監(jiān)測系統(tǒng)所采集的監(jiān)測數(shù)據(jù)為訓(xùn)練樣本，樣本數(shù)量為324；后6天監(jiān)測系統(tǒng)采集的監(jiān)測數(shù)據(jù)為檢驗樣本，樣本數(shù)量為234。通過3層BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完成的溫度與應(yīng)變關(guān)系的擬合效果如圖7所示。

由圖7可得，鋼結(jié)構(gòu)屋蓋桿件溫度與應(yīng)變變化的非線性關(guān)系大致呈現(xiàn)出紡錘形。結(jié)合圖6桿件溫度與應(yīng)變的變化趨勢，紡錘形面積越小就越趨向于一條直線，溫度與應(yīng)變變化的線性關(guān)系越強，反之則非線性關(guān)系越強。利用訓(xùn)練完成的溫度與應(yīng)變之間的BP神經(jīng)網(wǎng)絡(luò)模型便可實現(xiàn)溫度效應(yīng)的推算，從而得到溫度效應(yīng)下溫度應(yīng)變的響應(yīng)值，如圖8所示。

從圖8中可以看出，經(jīng)大量實測溫度、應(yīng)變數(shù)據(jù)訓(xùn)練所得到的神經(jīng)網(wǎng)絡(luò)模型預(yù)測了溫度應(yīng)變，實測值與訓(xùn)練值之間的差值是其他環(huán)境荷載(尤其是風(fēng)荷載)作用下結(jié)構(gòu)產(chǎn)生的應(yīng)變值及模型的訓(xùn)練誤差。隨后，利用多元判定系數(shù)R2來測定神經(jīng)網(wǎng)絡(luò)模型的擬合效果。多元判定系數(shù)R2越接近1，該神經(jīng)網(wǎng)絡(luò)模型擬合效果越好。表1給出了部分測點的多元判定系數(shù)，均接近或達到了0.95以上，表明擬合優(yōu)度高。因此，通過該神經(jīng)網(wǎng)絡(luò)模型可實現(xiàn)溫度荷載效應(yīng)與其他荷載效應(yīng)的剝離，也可以通過溫度變化趨勢來預(yù)測溫度效應(yīng)。

表1 擬合優(yōu)度結(jié)果Table 1 Results of goodness of fit

(a)上弦桿S3-9

(a)上弦桿S3-9

4 風(fēng)荷載作用下的結(jié)構(gòu)監(jiān)測應(yīng)變分離

4.1 總應(yīng)變組成成分分析

由應(yīng)力應(yīng)變傳感器監(jiān)測得到的總應(yīng)變是一段時間序列數(shù)據(jù)，可將桿件總應(yīng)變分解為恒荷載應(yīng)變、溫度效應(yīng)應(yīng)變和其他活荷載應(yīng)變3類，如下式：

ε(t)=εD+εT(t)+εL(t)

(2)

式中，ε(t)為總應(yīng)變，εD為恒荷載應(yīng)變，εT(t)為溫度效應(yīng)應(yīng)變，εL(t)為溫度效應(yīng)以外的活荷載應(yīng)變。因為監(jiān)測項目是在建筑的運營期間介入，應(yīng)變傳感器在采集數(shù)據(jù)前均進行了初始值調(diào)零，所以采集到的應(yīng)變數(shù)據(jù)不包含恒荷載應(yīng)變。溫度效應(yīng)以外的活荷載應(yīng)變具有隨機性，對于沿海大跨度空間鋼結(jié)構(gòu)，溫度效應(yīng)以外的活荷載以風(fēng)荷載為主。以S1-7桿件為例，圖9顯示了其從2018年9月4日到2018年9月20日共17天的實測應(yīng)變及溫度變化圖。9月16日，超強臺風(fēng)“山竹”登陸珠海，導(dǎo)致桿件在當(dāng)日的實測應(yīng)變變化趨勢與溫度變化趨勢不協(xié)同，桿件在14時24分達到最大的應(yīng)變變化值。根據(jù)連續(xù)17天的氣候條件，該桿件顯示了分別以溫度工況為主導(dǎo)和以風(fēng)荷載工況為主導(dǎo)的兩種性質(zhì)不同的總應(yīng)變值。

圖9 桿件S1-7不同時期所監(jiān)測到的溫度及對應(yīng)應(yīng)變Fig.9 Temperature and corresponding strain of member S1-7 measured in different periods

4.2 風(fēng)荷載作用下的結(jié)構(gòu)監(jiān)測應(yīng)變分離

利用上述的BP神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測，提取出溫度荷載作用下的應(yīng)變分量。在此基礎(chǔ)上，風(fēng)荷載應(yīng)變響應(yīng)取為實測應(yīng)變值與預(yù)測溫度應(yīng)變效應(yīng)的差值，由此完成了風(fēng)荷載作用下結(jié)構(gòu)監(jiān)測應(yīng)變的分離。風(fēng)荷載作用下結(jié)構(gòu)的應(yīng)變計算公式如下式所示：

εW(t)=ε(t)-εT(t)

(3)

式中,ε(t)為總應(yīng)變，εW(t)為風(fēng)荷載引起的結(jié)構(gòu)桿件應(yīng)變。S1-7桿件相關(guān)結(jié)果如圖10所示。

圖10 桿件S1-7不同時期所監(jiān)測到的應(yīng)變解析圖Fig.10 Strain analysis of member S1-7 measured in different periods

從圖10可知，臺風(fēng)登陸之前，溫度荷載應(yīng)變是結(jié)構(gòu)主導(dǎo)應(yīng)變，風(fēng)荷載微應(yīng)變(με)在±4范圍內(nèi)波動。9月16日，超強臺風(fēng)“山竹”登陸，桿件的最大風(fēng)荷載微應(yīng)變(με)達到28，此時溫度效應(yīng)僅為2.9，隨后，臺風(fēng)轉(zhuǎn)移，溫度荷載應(yīng)變重新成為主導(dǎo)應(yīng)變。

5 功能開發(fā)

本節(jié)開發(fā)基于數(shù)據(jù)庫與Matlab接口的神經(jīng)網(wǎng)絡(luò)程序，以插件的形式嵌入Revit軟件中，并將監(jiān)測數(shù)據(jù)解析后的信息集成于三維模型，從而指導(dǎo)監(jiān)測人員對結(jié)構(gòu)進行檢修。

5.1 C#.NET與Matlab接口

Matlab集成了矩陣計算、數(shù)值分析以及非線性擬合等功能，內(nèi)置了多種功能強大的神經(jīng)網(wǎng)絡(luò)工具箱。本研究運用C#作為Revit的二次開發(fā)工具，在.NET環(huán)境中實現(xiàn)對Matlab神經(jīng)網(wǎng)絡(luò)工具箱的調(diào)用，將神經(jīng)網(wǎng)絡(luò)工具箱的功能嵌入Revit軟件中，使其成為監(jiān)測平臺的一部分。

文獻[16]指出，只有Matlab引擎技術(shù)支持.NET環(huán)境中調(diào)用Matlab工具箱。Matlab引擎函數(shù)庫是Matlab提供的一系列程序的集合，允許開發(fā)人員在應(yīng)用程序中調(diào)用Matlab函數(shù)，相當(dāng)于在后臺啟動了一個Matlab進程。因此，本研究調(diào)用Matlab引擎函數(shù)來實現(xiàn).NET與Matlab之間的信息交換。

5.2 設(shè)計思路

Revit軟件大跨度空間鋼結(jié)構(gòu)健康監(jiān)測平臺的溫度響應(yīng)預(yù)測和應(yīng)變構(gòu)成分析功能的開發(fā)流程如下：

(1)提取數(shù)據(jù)庫監(jiān)測值和神經(jīng)網(wǎng)絡(luò)參數(shù)生成輸入矩陣。由于Matlab神經(jīng)網(wǎng)絡(luò)工具箱是基于矩陣進行運算的，程序需要將數(shù)據(jù)庫中的監(jiān)測數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)參數(shù)序列轉(zhuǎn)換為樣本矩陣。

(2)Matlab引擎調(diào)用神經(jīng)網(wǎng)絡(luò)工具箱對樣本進行訓(xùn)練。對樣本矩陣進行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，完成訓(xùn)練后自動計算多元判定系數(shù)R2來評價神經(jīng)網(wǎng)絡(luò)模型的擬合程度，如果R2的計算結(jié)果小于0.95，應(yīng)重新訓(xùn)練網(wǎng)絡(luò)。

(3)顯示應(yīng)變監(jiān)測數(shù)據(jù)解析結(jié)果。所開發(fā)程序的神經(jīng)網(wǎng)絡(luò)模型應(yīng)用方式如下：①輸入預(yù)測溫度獲得該溫度效應(yīng)下的結(jié)構(gòu)應(yīng)變；②通過提取數(shù)據(jù)庫歷史時間段溫度數(shù)據(jù)來獲取歷史應(yīng)變解析折線圖；③提取數(shù)據(jù)庫實時溫度數(shù)據(jù)，對桿件荷載進行主導(dǎo)工況判定，并將在Revit三維模型中實時顯示應(yīng)變解析信息。

5.3 編制M文件

在M文件中編寫調(diào)用神經(jīng)網(wǎng)絡(luò)工具箱的函數(shù)，該函數(shù)核心代碼如下：

Function [Result] = Test(matrixIn,matrixOut,TestIn,Par)

net=newff(matrixIn,matrixOut,Par(4),{′tansig′,′tansig′});

net.trainParam.epochs=Par(1);

net.trainParam.lr=Par(2);

net.trainParam.goal=Par(3);

net=train(net,inputn,outputn);

TestOut =sim(net,inputn_test);

將歸一化的訓(xùn)練樣本矩陣進行網(wǎng)絡(luò)訓(xùn)練，最后利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對輸入數(shù)據(jù)進行預(yù)測。

5.4 在.NET環(huán)境中實現(xiàn)溫度效應(yīng)預(yù)測

創(chuàng)建M文件后，仍然需要通過Matlab引擎，在.NET環(huán)境中調(diào)用上述的神經(jīng)網(wǎng)絡(luò)工具箱Test()函數(shù)。即通過PutFullMatrix()方法向Matlab Server添加矩陣，然后通過GetFullMatrix()方法向Matlab Server讀取矩陣，最后通過Execute()方法實現(xiàn)腳本運算。

在此基礎(chǔ)上，利用ADO.NET從監(jiān)測數(shù)據(jù)庫中提取訓(xùn)練樣本數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)模型界面提取神經(jīng)網(wǎng)絡(luò)工具箱中的參數(shù)數(shù)據(jù)。訓(xùn)練樣本和參數(shù)確定后，調(diào)用第5.3節(jié)編寫的Test()函數(shù)完成神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練。最后使用GetFullMatrix()函數(shù)從結(jié)果矩陣中提取預(yù)測溫度效應(yīng)。簡要代碼如下：

MATLAB.PutFullMatrix("dataIn","base",dataIn,dataInIm);//向Matalb中添加樣本矩陣

MATLAB.PutFullMatrix("Par","base",Par,ParIm);//向Matalb中添加參數(shù)矩陣

MATLAB.PutFullMatrix("dataTest","base",dataTest,dataTestIm);//添加測試數(shù)據(jù)

command=@"[Result]=Test(dataIn,dataOut,dataTest,Par)";//調(diào)用m文件中Test函數(shù)

MATLAB.Execute(command);MATLAB.GetFullMatrix("Result","base",ref dataTestOut,ref dataTestOutIm);//提取矩陣

5.5 Revit軟件監(jiān)測數(shù)據(jù)解析功能開發(fā)

運用C#作為Revit的二次開發(fā)工具，把神經(jīng)網(wǎng)絡(luò)程序以插件的形式嵌入Revit中，形成應(yīng)變解析模塊。

開發(fā)的Revit軟件應(yīng)變解析模塊有以下兩種功能：

(1)實時應(yīng)變構(gòu)成分析功能。神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完成后，從數(shù)據(jù)庫獲取實時溫度數(shù)據(jù)進行應(yīng)變監(jiān)測數(shù)據(jù)解析。圖11所示的分析欄中顯示了實時應(yīng)變構(gòu)成分析結(jié)果，其中總應(yīng)變?yōu)槟繕?biāo)桿件實時應(yīng)變監(jiān)測數(shù)據(jù)，溫度應(yīng)變?yōu)閷崟r溫度監(jiān)測數(shù)據(jù)對應(yīng)的神經(jīng)網(wǎng)絡(luò)擬合值，風(fēng)荷載應(yīng)變?yōu)榭倯?yīng)變和溫度應(yīng)變的差值。如果溫度應(yīng)變大于風(fēng)荷載應(yīng)變，則荷載主導(dǎo)工況為溫度荷載，反之則荷載主導(dǎo)工況為風(fēng)荷載。此外，實時應(yīng)變構(gòu)成分析結(jié)果將集成于Revit模型的傳感器屬性表中，見圖12。當(dāng)風(fēng)荷載為主導(dǎo)荷載工況，對應(yīng)傳感器將在三維模型中高亮顯示，如圖13所示?；贐IM的監(jiān)測數(shù)據(jù)解析功能將應(yīng)變構(gòu)成信息集成于三維模型中，有助于監(jiān)測人員在極端大風(fēng)環(huán)境下快速找出以風(fēng)荷載為主要控制荷載的桿件，以指導(dǎo)結(jié)構(gòu)檢修工作。

圖13 “風(fēng)控”傳感器高亮顯示Fig.13 Highlight of wind-load-control sensor

圖12 應(yīng)變傳感器屬性表Fig.12 Attributes of stress sensor

圖11 神經(jīng)網(wǎng)絡(luò)模型參數(shù)輸入及分析界面Fig.11 Interface of parameter-input and analysis of neural network model

(2)歷史應(yīng)變構(gòu)成分析功能。根據(jù)輸入的時間范圍從監(jiān)測數(shù)據(jù)庫中獲取對應(yīng)時刻的溫度序列，對獲取的溫度序列進行應(yīng)變構(gòu)成分析，其原理與實時應(yīng)變構(gòu)成分析相同。最后，將總應(yīng)變序列、溫度應(yīng)變序列和風(fēng)荷載應(yīng)變序列以不同顏色的折線分別顯示于窗體界面的折線圖中，如圖14所示。

圖14 歷史應(yīng)變構(gòu)成分析折線圖Fig.14 Broken line graph of analysis of historical strain composition

6 結(jié)語

本研究基于港珠澳大橋珠海公路口岸鋼網(wǎng)架屋蓋結(jié)構(gòu)的實測溫度與應(yīng)變數(shù)據(jù)構(gòu)造了溫度與桿件應(yīng)變的神經(jīng)網(wǎng)絡(luò)模型；并將結(jié)構(gòu)在溫度荷載及風(fēng)荷載作用下所產(chǎn)生的應(yīng)變分離，判定桿件的主導(dǎo)工況；最后開發(fā)神經(jīng)網(wǎng)絡(luò)程序，以插件的形式嵌入BIM軟件，把監(jiān)測數(shù)據(jù)解析后的信息集成于BIM三維模型中。本研究結(jié)論如下：

(1)大跨度空間鋼結(jié)構(gòu)的溫度與應(yīng)變變化值之間存在明顯的非線性關(guān)系。構(gòu)造神經(jīng)網(wǎng)絡(luò)模型可對溫度與應(yīng)變的非線性關(guān)系實現(xiàn)較好的擬合，可用于結(jié)構(gòu)溫度效應(yīng)的預(yù)測。溫度與應(yīng)變的非線性關(guān)系大致呈現(xiàn)出紡錘形，紡錘形面積越小就越趨向于一條直線，溫度與應(yīng)變變化的線性關(guān)系越強，反之則非線性關(guān)系越強。

(2)對于運營階段介入的大跨度空間鋼結(jié)構(gòu)監(jiān)測項目，實測溫度、應(yīng)變數(shù)據(jù)通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練，可用于溫度效應(yīng)分離與風(fēng)荷載識別。

(3)基于數(shù)據(jù)庫與Matlab接口開發(fā)神經(jīng)網(wǎng)絡(luò)程序，提供自定義神經(jīng)網(wǎng)絡(luò)操作界面，實現(xiàn)了溫度效應(yīng)的預(yù)測與風(fēng)荷載識別。

(4)在BIM三維模型中運用神經(jīng)網(wǎng)絡(luò)程序的實時應(yīng)變構(gòu)成分析功能，監(jiān)測數(shù)據(jù)解析后的信息將自動集成于BIM三維模型中，有助于監(jiān)測人員在極端大風(fēng)環(huán)境下快速找出以風(fēng)荷載為主要控制荷載的桿件，以指導(dǎo)結(jié)構(gòu)檢修工作。