應 明，鄭一峰，王德軍

(1.吉林大學建設工程學院，130026長春，whlhitb@163.com;2.哈爾濱工業(yè)大學交通科學與工程學院，150090哈爾濱)

拱橋由于線形美觀和跨越能力強等優(yōu)勢已躋身于大跨徑橋梁的行列.拱橋主要受力構件是拱圈，系統(tǒng)溫度場和局部溫度的變化都可能引起結構的變化，從而引起溫度應力，會使結構處于一種不利工作狀態(tài)，影響施工階段安全生產(chǎn)或竣工后的使用階段，甚至導致橋梁整體或者局部破壞.影響溫度場的主要因素是太陽輻射、氣溫變化、風速等外界因素，結構物對這些不確定因素的變化在時間上還有明顯的滯后性，它們之間是一種復雜的高度非線性映射關系，傳統(tǒng)算法很難得到令人滿意的結果，所以借助日趨成熟的人工神經(jīng)網(wǎng)絡理論，用多組影響因素數(shù)據(jù)和溫度值訓練出能夠描述溫度場的網(wǎng)絡，直接建立起二者之間的映射關系，簡化了原本復雜的求解過程［1］.本文采用理論上較為成熟的BP神經(jīng)網(wǎng)絡模型試算了橋梁中的溫度場，并以葫蘆山灣跨海大橋拱肋溫度場實測數(shù)據(jù)為背景建立了溫度場網(wǎng)絡.

1 人工神經(jīng)網(wǎng)絡原理

1.1 BP算法(反向傳播算法)

BP算法是多層映射網(wǎng)絡，采用最小均方差學習方法，適用于輸入值與輸出值任意非線性映射.感知器神經(jīng)網(wǎng)絡只對線性可分的向量集合進行分類，能解決簡單的模式分類問題［2］.徑向基函數(shù)網(wǎng)絡與BP法相比較，適用于函數(shù)局部逼近，雖然收斂速度快，但是并不適合施工控制中的實際應用.BP算法學習過程，由正向傳播和反向傳播組成.正向傳播過程中，輸入信息從輸入層經(jīng)過隱單元層處理，并傳向輸出層，每一層神經(jīng)元的狀態(tài)影響下一層神經(jīng)元狀態(tài).當輸出層得不到期望的輸出，則轉入反向傳播，原路返回，通過修改各層神經(jīng)元權值，使誤差信號最小.如果節(jié)點數(shù)較少，可以不必做過多的改進，如果輸入信息不準確或者過多，會導致訓練速度下降，甚至誤導訓練.整個過程可以簡化理解為輸入值從輸出層一對多地映射到隱含層里，經(jīng)過訓練，再映射到輸出層.

1.2 BP網(wǎng)絡模型建立［3－4］

設有n個節(jié)點的任意網(wǎng)絡，節(jié)點傳遞函數(shù)通常選取S型函數(shù):

結合本文求解溫度，設網(wǎng)絡只有一個輸出y，任一節(jié)點i的輸出為Oi，并設有N個樣本(xk，yk)， k=1，2，…，N，對某一輸出xk，網(wǎng)絡輸出為yk，ωij為前一層第i個神經(jīng)元輸入到后一層第j個神經(jīng)元的權重，節(jié)點i的輸出為Oik，節(jié)點j的輸入:

使用平方型誤差函數(shù):

當j為輸出節(jié)點時，

當j不是輸出節(jié)點時，則

修正權值:

2 工程實例

2.1 工程概況

葫蘆山灣跨海大橋位于遼寧省大連市西南部，為長興島疏港高速公路跨越葫蘆山海灣的一座大型橋梁，主橋布置見圖1.主橋采用30 m+ 100 m+30 m飛鳥式中承式拱橋，引橋采用30 m先簡支后連續(xù)T梁，下部結構采用柱式墩及實體墩，鉆孔樁基礎.橋面以上拱肋采用鋼箱結構，斷面形式采用帶倒角的單箱3室箱形截面，截面高度1.5 m，橫向寬度為3.5 m;鋼箱中的所有構件均使用Q345q-E制作.鋼箱拱肋在與箱梁相交處做鋼筋混凝土連接段.此段鋼拱肋長767 cm，其中263 cm鋼拱肋伸入箱梁，593 cm長的鋼拱肋內澆筑小石子混凝土，通過開孔加勁肋和焊釘使鋼箱拱肋與混凝土箱梁連接在一起.

圖1 主橋布置圖(m)

2.2 網(wǎng)絡訓練

輸入層節(jié)點數(shù)取決于影響溫度場因素的數(shù)量，對橋梁結構而言，可分為內部因素和外部因素，溫度場主要由外部因素決定.通過對各種影響因素的分析并綜合考慮神經(jīng)網(wǎng)絡對訓練范例集的要求，將以下4種主要影響因素作為輸入:日照時間、大氣溫度值、鋼箱導熱系數(shù)、風速.這樣輸入層為4個節(jié)點.輸出層節(jié)點必須能夠反映溫度場實質，因此，取相應時刻計算點的溫度值作為輸出，節(jié)點數(shù)為1.隱層節(jié)點數(shù)的確定也十分重要，節(jié)點數(shù)太少，網(wǎng)絡逼近效果差不容易收斂，有時還會出現(xiàn)振蕩;增加節(jié)點數(shù)能改善對已有離散點集的逼近效果，提高網(wǎng)絡的預測能力，但節(jié)點數(shù)的增加必然導致訓練速度減慢，網(wǎng)絡的容錯能力和敏感性均會下降.輸入層節(jié)點數(shù)對隱層的影響更不容忽視［5-8］，所以，重點應該先確定輸入層節(jié)點個數(shù).求隱層節(jié)點個數(shù)可以使用一些經(jīng)驗公式試算，例如:;或者根據(jù)Kolmogorov定理式:m=2n+1，m為隱層節(jié)點數(shù)，n為輸入節(jié)點個數(shù)，1為輸出節(jié)點個數(shù)，a為1～10的常數(shù)，經(jīng)過綜合權衡并考慮精度、速度等網(wǎng)絡本身的性能要求，從訓練和擬合結果確定隱層節(jié)點數(shù)取9時，逼近效果最佳，滿足一定的映射能力.

2.3 訓練樣本和訓練結果

根據(jù)施工情況，取2009年12月，2010年2、4月份某天(全天晴，保證日照時間)中午12時的實測值與計算值對比.再取拱肋同一截面的4個監(jiān)控點，如圖2，總計12套實際輸入樣本數(shù)據(jù).在每月隨機選取3個點，3個月共計9套數(shù)據(jù)作為培訓樣本參加培訓，另3套作為檢驗樣本.訓練時首先對這些待定參數(shù)賦初始值，一般為較小的隨機數(shù)，以［-1，1］之間為佳.然后將這些處理后的輸入輸出的值，即N個樣本(xk，yk)(k=1，2，…，N)代入網(wǎng)絡中進行訓練，求出隱層、輸出層各單元輸出，得到目標值和實際輸出的偏差，求出誤差梯度，重新確定權值，再重復計算過程，反復過程之后，誤差在容許范圍內，求得的輸出值接近真實值.

最初的設計采用sinitff進行初始化，求得神經(jīng)元的單層神經(jīng)網(wǎng)絡的權值和閾值.Learnlm(levenberg-marquardt)作為學習規(guī)則進行訓練，因為這種算法訓練速度比梯度下降法快.Simuff函數(shù)作為前向網(wǎng)絡仿真［3］.這種設計過程比較過時，但實用性強，設計、初始化、訓練和仿真過程的函數(shù)組合很多，需要試算次數(shù)較多.多種函數(shù)在可行情況下組合后，得到最優(yōu)組合，便于驗證和預測.

如果使用MATLAB7.0，可直接使用神經(jīng)網(wǎng)絡工具箱，對于BP網(wǎng)絡的實現(xiàn)，可以通過已有的基本函數(shù)來完成.本文參考已有文獻利用 newff、init、trainlm和sim 4個基本函數(shù)來完成.在可視界面下進行調整，方便快捷.同時高版本MATLAB已經(jīng)在后臺進行優(yōu)化處理，在解決工程實際問題中表現(xiàn)出更強的適用性.

拱肋截面監(jiān)測點布置如圖2，右上角為1#傳感器，左上角為2#傳感器，右下角為3#傳感器，左下角為4#傳感器.右側偏向東南方，日照時間長.

圖2 拱肋各應變監(jiān)測斷面?zhèn)鞲衅鞑贾脠D

檢驗過程是在一個成熟的網(wǎng)絡里進行的，運算過程一樣.最佳檢驗應該采取隨機性.這次控制中計算值和實測值的對比結果見表1.

表1 神經(jīng)網(wǎng)絡計算值與實測值對比結果

2.4 BP法在算例中的改進

根據(jù)以往經(jīng)驗，通過改進激活函數(shù)、調整網(wǎng)絡拓撲結構、修改參數(shù)、尋找合理的權值和閾值等方法來減少迭代次數(shù)，提高計算精度和運算速度［9-12］.

但在實際工程中，可以通過調整輸入值的個數(shù)和參與訓練的有效節(jié)點個數(shù)，作為提高運算速度最有效的方法.如前例所述，輸入節(jié)點中，取消導熱系數(shù)、膨脹系數(shù)等常數(shù)輸入，由原來的4個輸入節(jié)點變?yōu)?個輸入節(jié)點，根據(jù)經(jīng)驗公式隱層節(jié)點數(shù)變?yōu)?個進行試算.同時，文中的輸入因素改為太陽輻射I(t)、蔭蔽溫度和風速，重新帶入輸入值，其余步驟同上，取隱層節(jié)點數(shù)為7，進行逼近.誤差精度取相同值，試算次數(shù)減少，迭代次數(shù)也會大幅度減少.太陽輻射強度計算公式［13］如下:

式中:S為日太陽輻射總量，7 950 W/m2;T為太陽日照時長.

如果訓練參數(shù)采用相同的默認值，進行同一組訓練會有接近的結果，如表2所示.

表2 神經(jīng)網(wǎng)絡第一、二次計算值與對比結果 ℃

3 結論

1)通過輸入與輸出復雜的函數(shù)映射，得到的預測結果可以作為溫度場的計算依據(jù).

2)建立的人工神經(jīng)網(wǎng)絡BP模型在MATLAB中直接調用已有函數(shù)，減少了編程及程序修改時間，提高了工作效率.

3)利用已有測試數(shù)據(jù)的擬合去預測和檢驗其余數(shù)據(jù)的準確性，有助于施工監(jiān)控的校準和預測，保證結構安全.

［1］劉耀東，陳祥寶.采用人工神經(jīng)網(wǎng)絡求解箱梁溫度場算法研究［J］.中國公路學報，2000，13(1):23-35.

［2］樓順天，施洋.基于MATLAB的系統(tǒng)分析與設計:神經(jīng)網(wǎng)絡［M］.西安:西安電子科技大學出版社，1999:36-77.

［3］焦李成.神經(jīng)網(wǎng)絡系統(tǒng)理論［M］.西安:西安電子科技大學出版社，1990:34-35.

［4］CHOI S U，CHEONG S.Predietion local scour around bridge piers using artificial neural networks［J］.Journal of the Arnerican Water Resources Association (JAWRA)，2006，42(2):457-494.

［5］胡星.改進自適應遺傳算法的BP神經(jīng)網(wǎng)絡在橋梁施工控制中的應用［D］.武漢:武漢理工大學交通學院，2009.

［6］HUGAR L H，POWELL B A，KAMENS S N.Adaptive networks for fault diagnosis and process control［J］. Computer Chem Eng，1990，24(4/5):561-572.

［7］雷敏.BP神經(jīng)網(wǎng)絡在大型鋼箱梁斜拉橋施工控制中的應用研究［D］.四川:西南交通大學土木工程學院，2008.

［8］YAMAMOTO V V，VAIDYANATHAN R.Proeess fault detection and diagnosis using neural networks:I，steady -state process［J］.Computer Chem Eng，1990，14 (7):699-712.

［9］CYBERKL G.Continuous value neural networks with two hidden layers are suffieient［J］.Math Contr Signal and Sys，1989，2:303-314.

［10］ZHANG S H，LYONS L P R.A thin-walled box beam finite element for curved bridge analysis［J］. Computers＆Structures，1984，18(6):1035-1 046.

［11］NAKAI H，C YOO H.Analysis and design of curved steel bridges［M］.［S.l.］:Mc Graw Hill Book Company，1988:143-168.

［12］李傳習，劉 揚，張建仁.基于人工神經(jīng)網(wǎng)絡的混凝土大跨度橋梁主梁參數(shù)實時估計［J］.中國公路學報，2001，14(3):74-80.

［13］盛洪飛.橋梁結構溫度影響評價［M］.哈爾濱:哈爾濱工業(yè)大學交通科學與工程學院，2004:38-48.