基于靜力應(yīng)變數(shù)據(jù)的BP神經(jīng)網(wǎng)絡(luò)損傷識(shí)別算法

崔寶影，程權(quán)成

(1.遼東學(xué)院 工程技術(shù)學(xué)院，遼寧 丹東 118009；2.遼寧機(jī)電職業(yè)技術(shù)學(xué)院 華孚儀表學(xué)院，遼寧 丹東 118009)

隨著現(xiàn)代交通的不斷發(fā)展，橋梁成為城市交通不可或缺的重要建筑。隨著運(yùn)行期間環(huán)境因素及超載超重等因素對(duì)橋梁造成的損傷，長(zhǎng)期積累就會(huì)引起橋梁的坍塌，帶來巨大的經(jīng)濟(jì)損失，更甚者會(huì)引發(fā)人員傷亡。因此，基于橋梁的監(jiān)控狀況進(jìn)行損傷識(shí)別達(dá)到有效預(yù)警，從而避免損失和人員傷亡是非常必要的。

秦偉亮等人針對(duì)青島某大橋建立多尺度模型，基于該模型模擬損傷獲得應(yīng)變響應(yīng)數(shù)據(jù)，然后利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行損傷位置和損傷程度識(shí)別[1]。黎波對(duì)基于人工智能算法的結(jié)構(gòu)損傷方法進(jìn)行了綜述，探討了RBF神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的優(yōu)缺點(diǎn)[2]。邢哲等人針對(duì)網(wǎng)架結(jié)構(gòu)利用有限元模型分析獲得模態(tài)參數(shù)和位移振型組合參數(shù)作為RBF神經(jīng)網(wǎng)絡(luò)的樣本庫(kù)，采用先確定可疑損傷位置，后精確損傷位置和損傷程度的方法進(jìn)行結(jié)構(gòu)損傷識(shí)別[3]。許如鋒等人針對(duì)連續(xù)橋梁有限元模型獲得偽比能變化率作為樣本空間，采用改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的算法(PSO-BP算法)識(shí)別橋梁的損傷位置和損傷程度[4]。李雪松等人針對(duì)簡(jiǎn)支梁模型，通過試驗(yàn)的方法獲得傳感器數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)的樣本空間，將加入噪聲后的測(cè)試數(shù)據(jù)進(jìn)行損傷識(shí)別，結(jié)果表明該方法能夠精確的識(shí)別損傷位置[5]。韓西等人針對(duì)簡(jiǎn)支工字梁有限元模型獲取頻率差作為BP神經(jīng)網(wǎng)絡(luò)的樣本空間，通過構(gòu)造不同的隱含層節(jié)點(diǎn)數(shù)和傳遞函數(shù)建立神經(jīng)網(wǎng)絡(luò)模型，從中選取識(shí)別效果最好的數(shù)據(jù)構(gòu)造神經(jīng)網(wǎng)絡(luò)模型[6]。劉波等人針對(duì)兩跨連續(xù)梁有限元模型獲取振型差值曲率作為BP神經(jīng)網(wǎng)絡(luò)的樣本空間，結(jié)果表明，該方法能夠很好的識(shí)別損傷位置和損傷程度[7]。譚冬梅等人針對(duì)隨機(jī)車載下大跨斜拉橋模型獲取振動(dòng)測(cè)試信號(hào)并利用小波包分解獲得BP-AdaBoost模型的樣本空間，結(jié)果表明，該方法在噪聲情況下依然能夠有效識(shí)別損傷[8]。

本文以橋梁損傷預(yù)警為出發(fā)點(diǎn)，以橋梁有限元模型為研究對(duì)象，通過有限元分析獲取靜力應(yīng)變數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù)來訓(xùn)練并測(cè)試神經(jīng)網(wǎng)絡(luò)，并基于該神經(jīng)網(wǎng)絡(luò)測(cè)試某實(shí)際橋梁的健康狀況。

1 建立有限元模型

本文圍繞秦皇島某橋梁展開研究，該橋由3聯(lián)12跨構(gòu)成，每跨20 m長(zhǎng)。每一跨橋梁的結(jié)構(gòu)相同，由六片單箱單室箱梁構(gòu)成，采用梯形箱型截面，每個(gè)截面的尺寸各有不同，在此不一一贅述。根據(jù)圖紙中橋梁的尺寸利用ANSYS建立有限元模型的截面和橋墩并劃分網(wǎng)格。然后選用單元模型BEAM188模擬主梁、BEAM44模擬連接主梁的濕接縫。同時(shí)，根據(jù)工程所用材料和工程經(jīng)驗(yàn)，選取彈性模量Ec=3.4×104MPa，泊松比μ=0.22，密度ρ=2.6×103來定義單元類型。最終構(gòu)造有限元模型并通過有限元分析和敏感度分析，定義4處損傷位置(認(rèn)為橋梁左端為坐標(biāo)原點(diǎn)0)：0.6 m、5 m、10 m、15 m。

通過降低單一損傷位置的彈性模量獲得對(duì)應(yīng)的靜力應(yīng)變數(shù)據(jù)，將其代入公式(1)得到損傷識(shí)別因子(即神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù))。應(yīng)變數(shù)據(jù)共選取2號(hào)梁0.6 m、5 m、10 m、15 m，3號(hào)梁0.6 m、10 m、15 m，4號(hào)梁0.6 m、5 m、10 m，5號(hào)梁0 m、0.6 m、10 m和15 m共14處，其位置選取的依據(jù)是橋梁實(shí)際傳感器的安裝位置(實(shí)際安裝位置通過敏感分析結(jié)合工程經(jīng)驗(yàn)獲得)。

(1)

其中，i=1,2,3,4表示位置i發(fā)生損傷，j=1,2…14表示第j個(gè)位置的傳感器數(shù)據(jù)，Suj和Sdj分別代表未發(fā)生損傷和存在損傷時(shí)傳感器j的靜力應(yīng)變數(shù)據(jù)，表示發(fā)生損傷i時(shí)傳感器j的靜力應(yīng)變變化率。

2 基于BP神經(jīng)網(wǎng)絡(luò)的算法研究

本文搭建的BP神經(jīng)網(wǎng)絡(luò) (以下簡(jiǎn)稱BPNN)的模型包括輸入層神經(jīng)元個(gè)數(shù)14個(gè)，對(duì)應(yīng)靜力應(yīng)變變化率，隱含層一層，設(shè)置神經(jīng)元的個(gè)數(shù)5個(gè)，輸出層神經(jīng)元個(gè)數(shù)4個(gè)，對(duì)應(yīng)不同的損傷位置。其模型如圖1所示。

本文選取訓(xùn)練樣本為損傷程度設(shè)置為10%、20%、30%、40%情況下得到的靜力應(yīng)變變化率，測(cè)試樣本為損傷程度設(shè)置為35%、50%得到靜力應(yīng)變變化率。利用以上結(jié)構(gòu)及數(shù)據(jù)首先進(jìn)行損傷位置識(shí)別，輸出結(jié)果在相應(yīng)損傷處位置顯示1，否則顯示0，基于該模型訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后利用測(cè)試樣本進(jìn)行測(cè)試，其輸出結(jié)果如表1所示。

表1 神經(jīng)網(wǎng)絡(luò)損傷位置測(cè)試結(jié)果輸出

將表中大于0.8的數(shù)據(jù)看作1，小于0.2的數(shù)據(jù)看作0，則可以看出實(shí)際結(jié)果與期望結(jié)果相吻合。表明此BPNN可以準(zhǔn)確地識(shí)別損傷位置。

當(dāng)明確橋梁有損傷后，可以進(jìn)一步識(shí)別其損傷程度，BPNN的結(jié)構(gòu)不變，只輸出結(jié)果對(duì)應(yīng)損傷程度。依然用16組數(shù)據(jù)訓(xùn)練BPNN，用余下8組進(jìn)行測(cè)試，得到的神經(jīng)網(wǎng)絡(luò)的測(cè)試結(jié)果如表2所示，其測(cè)量數(shù)據(jù)識(shí)別誤差如圖2所示。

表2 神經(jīng)網(wǎng)絡(luò)損傷程度測(cè)試結(jié)果輸出

測(cè)試誤差分析得到：

a)識(shí)別樣本損傷程度的誤差低于3.5%。

b)識(shí)別損傷樣本35%的誤差要低于損傷樣本50%的誤差。證明BPNN具有較好的內(nèi)插能力。

最后，利用該網(wǎng)絡(luò)進(jìn)行實(shí)測(cè)。首先將橋梁某時(shí)間段每隔半小時(shí)采集的7組靜力應(yīng)變數(shù)據(jù)用于神經(jīng)網(wǎng)絡(luò)，測(cè)試其損傷位置，測(cè)得結(jié)果如表3所示。

表3 實(shí)測(cè)數(shù)據(jù)對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)輸出結(jié)果

依然利用大于0.8的數(shù)據(jù)看作1，小于0.2的數(shù)據(jù)看作0的原則觀察數(shù)據(jù)，發(fā)現(xiàn)其輸出結(jié)果都為0，因此判斷橋梁無損傷位置。

3 結(jié)論

本文研究了一種以靜力應(yīng)變數(shù)據(jù)作為損傷識(shí)別因子的結(jié)構(gòu)損傷識(shí)別方法。該方法以一座實(shí)際橋梁為研究對(duì)象，首先利用ANSYS軟件建立其有限元模型，并通過降低彈性模量的方法得到不同損傷狀況下的靜力應(yīng)變參數(shù)構(gòu)成樣本空間。將樣本空間區(qū)分為訓(xùn)練樣本和測(cè)試樣本，然后訓(xùn)練和測(cè)試BPNN。實(shí)驗(yàn)結(jié)果可以看出，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)可以精確地判斷出損傷位置和損傷程度。最后，基于本文提出的方法利用一組實(shí)測(cè)數(shù)據(jù)進(jìn)行測(cè)試，從輸出可以判斷橋梁的健康狀況。這也進(jìn)一步說明了該方法能夠?qū)崿F(xiàn)對(duì)橋梁的健康監(jiān)測(cè)和損傷預(yù)警。

下一步的研究將著重于兩方面：一方面將繼續(xù)監(jiān)測(cè)該橋梁的健康狀況，獲取更多的實(shí)測(cè)數(shù)據(jù)測(cè)試并改善橋梁結(jié)構(gòu)損傷識(shí)別方法，另一方面將研究?jī)?yōu)化算法，以解決神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)問題，使得結(jié)構(gòu)損傷識(shí)別算法具有更高的穩(wěn)定性。