土木工程結(jié)構(gòu)損傷檢測中的神經(jīng)網(wǎng)絡(luò)方法

文／萬新民 中國十七冶集團有限公司 安徽馬鞍山 243000

1.卷積神經(jīng)網(wǎng)絡(luò)工作原理和結(jié)構(gòu)組成

1.1 卷積神經(jīng)網(wǎng)絡(luò)工作原理

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，簡稱CNN 網(wǎng)絡(luò)）屬于典型的前饋神經(jīng)網(wǎng)絡(luò)，即先利用卷積和激活函數(shù)從原始信號中提取出包含的土木工程結(jié)構(gòu)損傷信息，再利用池化層將提取出的信息重新壓縮。結(jié)構(gòu)損傷信息經(jīng)卷積和池化后，會排列成向量形式，再通過“部分連接”方式向前不斷運算。隨后，卷積神經(jīng)網(wǎng)絡(luò)將擬研究對象轉(zhuǎn)化成目標函數(shù)，并將真實值和預(yù)測值進行對比，計算出損失值。如損失值可接受，則中止運算。反之，由最后一層向前逐層反饋運算，直至模型收斂。

1.2 卷積神經(jīng)網(wǎng)絡(luò)特點

1.2.1 部分連接

相對于全連接層，卷積神經(jīng)網(wǎng)絡(luò)從A 層到第A+1 層的計算時，A 層中僅部分單元與A+1 層相連接，連接部分可稱之為網(wǎng)絡(luò)權(quán)重。部分連接方式可在盡量保留上一層特征信息的基礎(chǔ)上，將其傳遞給下一層，從而減小神經(jīng)網(wǎng)絡(luò)的計算量。如圖1 所示。

1.2.2 權(quán)值共享

由圖1 可知：卷積神經(jīng)網(wǎng)絡(luò)的第A 層包括5 個神經(jīng)元，黑色箭頭、橙色箭頭、紅色箭頭分別表示不同的網(wǎng)絡(luò)權(quán)值，且相同顏色箭頭的連接權(quán)值相同。通過權(quán)值共享，可大幅提升卷積神經(jīng)網(wǎng)絡(luò)的計算效率。

1.3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)組成

1.3.1 局部感受野

一般情況下，神經(jīng)網(wǎng)絡(luò)并不是直接卷積，而是利用局部感受野（Receptive Field）對局部區(qū)域逐步卷積，通過提取、分析局部信息，以獲得更高層次的信息特征。為了提高神經(jīng)網(wǎng)絡(luò)預(yù)測能力，局部感受野不能局限于矩形，可采用自由形狀。

1.3.2 卷積層

卷積層是神經(jīng)網(wǎng)絡(luò)中最關(guān)鍵的部分，屬線性層，層與層之間不完全連接，同一層的同一個卷積核可以權(quán)值共享，從而大幅減小計算量，避免模型過擬合。卷積實現(xiàn)具體過程如下：先用尺寸固定的卷積核在數(shù)據(jù)矩陣中滑動，在此期間卷積核的權(quán)值與原始數(shù)據(jù)中相應(yīng)子域的數(shù)據(jù)相乘。同時，卷積核以固定的步長移動（先左右，再上下），不斷重復(fù)上述運算過程，直至形成一個全新矩陣。

1.3.3 池化層

在機器學習中，特征值會隨數(shù)據(jù)量的增加而增大，從而提高矩陣求解難度，甚至難以求解，這種現(xiàn)象稱之為“維度災(zāi)難”。此時，可利用池化層（也叫下采樣層）對數(shù)據(jù)進行整合、壓縮，其具體作用如下：一是特征降維。池化層能使矩陣維度約減，能用較少的數(shù)據(jù)表達出較廣泛的信息，從而降低計算量；二是特征不變性。不變形包括了平移、旋轉(zhuǎn)、尺度不變性，池化層能使神經(jīng)網(wǎng)絡(luò)學習到的特征具有更強的泛化能力，從而適應(yīng)復(fù)雜的特征變異。

結(jié)合相關(guān)研究成果，可將神經(jīng)網(wǎng)絡(luò)的池化劃分為有均值池化和最大值池化兩類，其數(shù)學模型可用式（1）表達[1]：

在卷積神經(jīng)網(wǎng)絡(luò)中，池化層可以提高其泛化能力。目前，一般用過擬合和欠擬合來度量神經(jīng)網(wǎng)絡(luò)的泛化能力。在神經(jīng)網(wǎng)絡(luò)訓練時，一旦跨越“最優(yōu)點”，模型的訓練誤差和泛化誤差變化呈相反趨勢，前者繼續(xù)減小，后者開始增加。

1.3.4 激活函數(shù)

激活層由若干個實函數(shù)組成，屬線性層，可將輸入數(shù)據(jù)進行非線性變換，從而提高神經(jīng)網(wǎng)絡(luò)的特征提取能力。結(jié)合相關(guān)研究成果，常用的激活函數(shù)有Sigmod 函數(shù)、ReLU 函數(shù)、Tanh 函數(shù)等，不同激活函數(shù)的表達式和應(yīng)用特點見表1。

表1 神經(jīng)網(wǎng)絡(luò)激活函數(shù)對比

1.3.5 Softmax 層和損失函數(shù)優(yōu)化

Softmax 層的核心功能是利用Softmax 函數(shù)得到神經(jīng)網(wǎng)絡(luò)中各個輸入樣本的概率值，見式（2）

此外，在神經(jīng)網(wǎng)絡(luò)訓練期間，需對損失函數(shù)進行優(yōu)化，以降低損失值。當損失值達到穩(wěn)定狀態(tài)后，可視為神經(jīng)網(wǎng)絡(luò)的訓練完成。目前，常用隨機梯度下降算法來優(yōu)化損失函數(shù)，即沿損失函數(shù)負梯度方向更新神經(jīng)網(wǎng)絡(luò)的權(quán)值、偏差等參數(shù)，使損失函數(shù)減小，見式（3）：

需注意，在每一次迭代過程均選用小子集，當子集覆蓋整個訓練集，即完成損失函數(shù)優(yōu)化。

2.土木工程結(jié)構(gòu)損傷數(shù)據(jù)處理方法

2.1 結(jié)構(gòu)損傷數(shù)據(jù)融合

數(shù)據(jù)的融合可劃分為三個層次：（1）數(shù)據(jù)級融合。將n 個傳感器所采集的原始數(shù)據(jù)融合，作為后續(xù)分析的基礎(chǔ)；（2）特征級融合。從n 個傳感器采集的原始數(shù)據(jù)中提取結(jié)構(gòu)損傷特征信息，將損傷特征信息進行融合；（3）決策級融合。對不同方法所得到的損傷識別結(jié)果進行融合，提煉出結(jié)構(gòu)的損傷特征，并做出最終決策。卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合發(fā)生在Softmax 層，即利用Softmax 函數(shù)對土木工程結(jié)構(gòu)損傷信號賦予不同權(quán)值，以便于實現(xiàn)各個損傷信號間的數(shù)據(jù)融合，并結(jié)合提取的損傷特征輸出結(jié)構(gòu)損傷信息。需注意，在結(jié)構(gòu)損傷數(shù)據(jù)融合前，要對各個信號的權(quán)重進行初始化（初始學習效率取0.00001），將權(quán)值控制在[0，1]區(qū)間內(nèi)。

2.2 結(jié)構(gòu)損傷數(shù)據(jù)增廣

2.2.1 歸一化處理

結(jié)構(gòu)損傷數(shù)據(jù)增廣處理前，要對數(shù)據(jù)進行歸一化處理，即將波動大的數(shù)據(jù)映射到一個固定區(qū)間（[0，1]或[-1，1]），不僅能使異源數(shù)據(jù)具有可比性，還可提高神經(jīng)網(wǎng)絡(luò)模型計算速度和準確性，具體歸一化公式見式（4）[2]：

式中：x、y—分別為歸一化前、后的數(shù)值；b、a—分別為樣本數(shù)據(jù)的最大值和最小值。

2.2.2 數(shù)據(jù)增廣

隨著數(shù)據(jù)增廣技術(shù)的日益成熟，其應(yīng)用范圍從圖像識別領(lǐng)域向工程領(lǐng)域擴展。對于卷積神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)損傷的檢測數(shù)據(jù)越多，損傷特征分析越準確。但由于各種自然因素和人為因素的限制，在實際項目中難以獲取大量的檢測數(shù)據(jù)樣本。為了解決這一問題，需對結(jié)構(gòu)損傷數(shù)據(jù)樣本進行增廣處理。

土木工程結(jié)構(gòu)損傷數(shù)據(jù)增廣可利用固定大小的滑動窗口，將采集信號或模擬信號在窗口內(nèi)按一定的步長進行滑動，每一次滑動所得到的數(shù)據(jù)就是一個樣本。

3.土木工程結(jié)構(gòu)損傷檢測實例分析

3.1 結(jié)構(gòu)模型概況

文章以某橋梁結(jié)構(gòu)數(shù)值模擬模型為研究對象，分析CNN 網(wǎng)絡(luò)的應(yīng)用效果。模型長2.1m、寬0.5m、高0.3m，角鋼使用30mm×30mm×2mm 的L 型鋼，桿件與角鋼間用螺栓連接，兩端支撐假設(shè)為固定端。損傷構(gòu)桿件為腹桿，共20 根（編號1#～20#）。腹桿出現(xiàn)損傷后，其剛度有明顯變化，故本文通過對各個腹桿的彈性模量進行折減來模擬其損傷。假設(shè)腹桿在無損狀態(tài)下的彈性模量為200Gpa，共設(shè)置9 中損傷程度，彈性模量分別折減10.0%（180 Gpa）、20.0%（160 Gpa）、30.0%（140 Gpa）、40.0%（120 Gpa）、50.0%（100 Gpa）、60.0%（80 Gpa）、70.0%（60 Gpa）、80.0%（40 Gpa）、90.0%（20 Gpa）。在采集信號時，分析步時長去4.0s，增量步取0.01。同時，對結(jié)構(gòu)數(shù)值模型施加激振力后，模型的各個單元會產(chǎn)生加速度。本文共設(shè)置8個采集點來獲取加速度信號的采集，每個采集點有300個數(shù)據(jù)，則加速度矩陣為300×8。

3.2 結(jié)構(gòu)損傷診斷步驟

擬采用卷積神經(jīng)網(wǎng)絡(luò)對結(jié)構(gòu)損傷進行診斷，關(guān)鍵步驟如下[3]：利用數(shù)值模擬方法得到結(jié)構(gòu)損傷樣本集，并將其隨機劃分成訓練集、預(yù)測集→建立神經(jīng)網(wǎng)絡(luò)基本框架→神經(jīng)網(wǎng)絡(luò)超參數(shù)確定，選擇適當?shù)木矸e層數(shù)和迭代次數(shù)→將訓練集輸入神經(jīng)網(wǎng)絡(luò)中→利用隨機梯度下降算法來優(yōu)化損失函數(shù)→降噪能力測試→直至識別精確度滿足要求。

3.3 神經(jīng)網(wǎng)絡(luò)基本框架建立

基于上文研究研究成果，搭建了用于分析土木工程結(jié)構(gòu)損傷的神經(jīng)網(wǎng)絡(luò)框架，見圖2：

圖2 神經(jīng)網(wǎng)絡(luò)框架搭建

圖2 中的字母表示卷積神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)，其中n 為卷積核的個數(shù)（20 個），k 為卷積核尺寸（2×2），m 為池化層滑動窗口尺寸，F(xiàn) 為全連接層節(jié)點數(shù)，b1、b2 為卷積層尺寸，c1、c2 為池化層尺寸。此外，神經(jīng)網(wǎng)絡(luò)的激活函數(shù)采用ReLU 函數(shù)[4]。

3.4 超參數(shù)測試

卷積神經(jīng)網(wǎng)絡(luò)模型的訓練結(jié)果與超參數(shù)大小密切相關(guān)。為了確定卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)，本文開展了若干組試驗，分析了卷積層數(shù)和迭代次數(shù)對神經(jīng)網(wǎng)絡(luò)模型識別精度的影響，試驗結(jié)果見圖3：

圖3 不同工況下神經(jīng)網(wǎng)絡(luò)模型的識別精度

由圖3 可知：（1）隨著卷次層數(shù)的增加，神經(jīng)網(wǎng)絡(luò)對結(jié)構(gòu)損傷的識別精度呈先增大后減小的趨勢。當卷積層數(shù)為2～4 層時，神經(jīng)網(wǎng)絡(luò)的識別精度較大，均達到了80%以上。當卷積層數(shù)超過5 次，神經(jīng)網(wǎng)格的識別精度有下降趨勢。（2）隨著迭代次數(shù)的增加，卷積神經(jīng)網(wǎng)絡(luò)對結(jié)構(gòu)損傷的識別精度不斷增加，但增加速率并不固定。當?shù)螖?shù)＜3000 次時，結(jié)構(gòu)損傷識別精度快速提升，識別精度最終穩(wěn)定在了90%左右。當?shù)螖?shù)超過3000 次，結(jié)構(gòu)損傷識別精度變化不明顯，甚至略有減少。

上述現(xiàn)象表明：神經(jīng)網(wǎng)絡(luò)框架在建立時，卷積層數(shù)和迭代次數(shù)的取值不宜過高或過低，取值過高對神經(jīng)網(wǎng)絡(luò)的識別精確度提高幅度不大，反而會大幅降低模型訓練效率，產(chǎn)生模型過擬合問題；取值過小，神經(jīng)網(wǎng)絡(luò)對結(jié)構(gòu)損傷的識別精確度低，不滿足工程需求。綜合考慮卷積神經(jīng)網(wǎng)絡(luò)模型的計算精度和計算效率，建議預(yù)測該橋梁結(jié)構(gòu)模型損傷的卷積神經(jīng)網(wǎng)絡(luò)的卷積層數(shù)取3層，迭代次數(shù)取3000次。

3.5 結(jié)構(gòu)損傷檢測結(jié)果

文章以桿件彈性模量折減10%、30%、40%、60%、70%、80%后的加速度信號作為CNN 網(wǎng)絡(luò)的訓練集，用桿件彈性模量折減20%（輕度損傷）、50%（中度損傷）、90%（重度損傷）的加速度信號作為CNN 網(wǎng)絡(luò)的測試集。假設(shè)每個桿件視作一種損傷工況，則每一種結(jié)構(gòu)損傷程度有20 個工況，訓練集中的6 種損傷程度共有120 中損傷工況。

3.5.1 損傷位置度識別

經(jīng)計算，得到了測試集的結(jié)構(gòu)損傷位置識別準確性，見表2：

表2 結(jié)構(gòu)損傷位置識別準確性

由表2 可知：結(jié)構(gòu)損傷程度越嚴重，CNN 網(wǎng)絡(luò)對損傷位置的識別精確性較好。當結(jié)構(gòu)損傷程度從輕度損傷到中度損傷，損傷位置識別精確性提高了7.6%；從中度損傷到重度損傷，損傷位置識別精確性提高了3.8%。

3.5.2 損傷程度識別

為了定量地評價CNN 網(wǎng)絡(luò)對結(jié)構(gòu)損傷程度的識別精度，定義了絕對誤差C，見式（5）。一般情況下，絕對誤差越小，卷積神經(jīng)網(wǎng)絡(luò)模型對土木工程結(jié)構(gòu)損傷的檢測效果越好。

式中：P—預(yù)測損傷程度，%；A—實際損傷程度，%。

隨后，利用卷積神經(jīng)網(wǎng)絡(luò)預(yù)測了部分桿件的損傷程度，并與實際損傷程度進行對比，如圖4 所示：

圖4 不同桿件的損傷程度識別結(jié)果

由圖3 可知：卷積神經(jīng)網(wǎng)絡(luò)對桿件損傷程度的預(yù)測值可能大于實際值，也可能小于實際值。經(jīng)計算，1#、3#、5#、7#、9#、11#、13#、15#、17#、19#桿件的損傷程度絕對誤差分別為1.8%、1.2%、1.3%、5.6%、1.2%、1.5%、1.3%、2.2%、2.7%，絕對誤差的平均值為1.3%，說明卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測精確度可滿足土木結(jié)構(gòu)損傷分析需求。

結(jié)語：

論文主要研究了CNN 網(wǎng)絡(luò)工作原理、具體結(jié)構(gòu)組成、損傷數(shù)據(jù)處理方式等，并以某橋梁桿件為研究對象，分析了其在結(jié)構(gòu)損傷識別中的具體應(yīng)用，得到了以下4 個結(jié)論：（1）CNN 網(wǎng)絡(luò)屬于前饋神經(jīng)網(wǎng)絡(luò)，具有部分連接、權(quán)值共享兩大特點，主要由局部感受野、卷積層、池化層、Softmax 層、激活函數(shù)、損失函數(shù)等組成。（2）利用CNN 網(wǎng)絡(luò)檢測土木工程結(jié)構(gòu)損傷需基于大量檢測數(shù)據(jù)，且檢測數(shù)據(jù)的精確性直接決定了結(jié)構(gòu)損傷檢測效果，故需對結(jié)構(gòu)損傷數(shù)據(jù)進行融合和增廣。（3）神經(jīng)網(wǎng)絡(luò)檢測結(jié)構(gòu)損傷要建立基本框架，選擇適當?shù)木矸e層數(shù)和迭代次數(shù)等。經(jīng)計算，神經(jīng)網(wǎng)絡(luò)對結(jié)構(gòu)損傷的識別精度會隨卷積層數(shù)的增加先增大后減小，隨迭代次數(shù)的增加不斷增加。（4）為了驗證神經(jīng)網(wǎng)絡(luò)對結(jié)構(gòu)損傷的檢測效果，可從損傷位置和損傷程度兩個方向著手。