周 瀟

(武漢市城市路橋收費管理中心，湖北武漢 430050)

[定稿日期]2017-06-28

預(yù)應(yīng)力混凝土箱梁橋在運營期持續(xù)下?lián)?，一直是橋梁工作者重點研究的問題。人工神經(jīng)網(wǎng)絡(luò)是基于數(shù)據(jù)統(tǒng)計類型的學(xué)習(xí)方法，不需要知道數(shù)據(jù)之間的因果關(guān)系，非常適合于針對影響因素眾多、因果關(guān)系難明的結(jié)構(gòu)長期下?lián)线@類復(fù)雜問題進行研究。結(jié)合一座預(yù)應(yīng)力混凝土連續(xù)梁橋的健康監(jiān)測系統(tǒng)監(jiān)測數(shù)據(jù)，采用神經(jīng)網(wǎng)絡(luò)方法對此類橋梁運營狀態(tài)進行預(yù)警。

1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(簡稱ANN)是模擬生物大腦神經(jīng)突觸連接結(jié)構(gòu)進行信息處理的一種數(shù)學(xué)模型。它由大量神經(jīng)元相互連接而成，每個神經(jīng)元代表一種激勵函數(shù)，神經(jīng)元之間的連接對通過該連接的信號賦予權(quán)值，神經(jīng)元的輸出則由輸入、權(quán)值和激勵函數(shù)共同決定。因此，神經(jīng)網(wǎng)絡(luò)可以理解為對某種算法、函數(shù)的逼近擬合或者是對一類邏輯關(guān)系的表達。BP神經(jīng)網(wǎng)絡(luò)由于其結(jié)構(gòu)簡單、可調(diào)參數(shù)較多、訓(xùn)練算法較多、可操作性好而廣泛應(yīng)用(圖1、圖2)。

圖1 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖2 神經(jīng)元結(jié)構(gòu)模型

用ANN進行橋梁運行狀態(tài)預(yù)警的基本原理如下：將撓度傳感器監(jiān)測的撓度數(shù)據(jù)作為ANN的輸入量，它的輸出量為橋梁運行狀態(tài)(以0表示報警，以1表示正常)。首先，神經(jīng)網(wǎng)絡(luò)要經(jīng)過訓(xùn)練學(xué)習(xí)，用以往監(jiān)測數(shù)據(jù)作為測試樣本對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，這樣就將樣本庫的知識以網(wǎng)絡(luò)的形式存儲在神經(jīng)網(wǎng)絡(luò)的連接權(quán)中，當結(jié)構(gòu)承載能力發(fā)生變化導(dǎo)致結(jié)構(gòu)撓度測試結(jié)果出現(xiàn)異常狀態(tài)時，將此模式輸入到已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，通過分析，得出診斷結(jié)果。

2 工程概況

某橋為跨徑布置(65+126+65) m的預(yù)應(yīng)力混凝土連續(xù)箱梁，為研究結(jié)構(gòu)下?lián)蠙C理，該橋安裝了基于連通管法的結(jié)構(gòu)撓度長期監(jiān)測系統(tǒng)，分別提取中跨、邊跨L/2測點撓度時程曲線數(shù)據(jù)作為樣本空間。

3 人工神經(jīng)網(wǎng)絡(luò)方法預(yù)警實例

按照融合的監(jiān)測數(shù)據(jù)(樣本空間)的不同，預(yù)警模式分為一級預(yù)警和二級預(yù)警兩級。待融合關(guān)鍵測點設(shè)置見表1。

表1 待融合關(guān)鍵測點

3.1 一級預(yù)警

一級預(yù)警即日常預(yù)警，以前三天每天凌晨固定時刻的數(shù)據(jù)進行融合，生成神經(jīng)網(wǎng)絡(luò)樣本空間，訓(xùn)練測試神經(jīng)網(wǎng)絡(luò)，對當天測試值進行預(yù)警，預(yù)警頻率為每天一次。

將融合測點監(jiān)測撓度作為神經(jīng)網(wǎng)絡(luò)輸入，將結(jié)構(gòu)狀態(tài)作為輸出。采用S形函數(shù) (Logistic function) 作為激活函數(shù)，該函數(shù)值域為[0,1]，能夠以0，1表示結(jié)構(gòu)運行狀態(tài)。網(wǎng)絡(luò)參數(shù)設(shè)置為：訓(xùn)練次數(shù)1 000次，訓(xùn)練目標1e-6，學(xué)習(xí)效率為0.1。神經(jīng)網(wǎng)絡(luò)輸出結(jié)構(gòu)狀態(tài)位置，當輸出為1時，結(jié)構(gòu)運行狀態(tài)良好；當輸出為0時，結(jié)構(gòu)異常報警。

樣本空間為P0[360×16]；訓(xùn)練樣本中，正常值樣本為P1[270×16]，報警值樣本為P2[30×16]；測試樣本中，正常值樣本為P_1test[50×16]，報警值樣本為P_2test[10×16]。訓(xùn)練樣本空間部分數(shù)據(jù)如表2所示。

表2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本空間部分數(shù)據(jù) mm

3.2 二級預(yù)警

二級預(yù)警即實時預(yù)警，以過去一年的數(shù)據(jù)進行融合，生成神經(jīng)網(wǎng)絡(luò)樣本空間，訓(xùn)練測試神經(jīng)網(wǎng)絡(luò)，對實時測試值進行預(yù)警，預(yù)警頻率為每分鐘一次。

在生成神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本時，需要有正常值與報警值，正常值選擇過去一年中部分實測撓度值作為樣本，報警值則按照前文提出的實時監(jiān)測閾值(各融合測點年度最大撓度)的隨機倍數(shù)(1～2)來生成。其中，樣本空間為P0[415×16]；訓(xùn)練樣本中，正常值樣本為P1[270×16]，報警值樣本為P2[30×16]；測試樣本中，正常值樣本為P_1test[50×16]，報警值樣本為P_2test[10×16]。訓(xùn)練樣本與測試樣本均從樣本空間選取，訓(xùn)練樣本與測試樣本不重復(fù)選取。

生成樣本空間，待神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，得到兩級預(yù)警報警結(jié)果(圖3、圖4)。

圖3 一級預(yù)警報警測試結(jié)果

圖4 二級預(yù)警報警測試結(jié)果

生成樣本空間，待神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成以后，進行兩級預(yù)警，一級預(yù)警選用前3 d的實測數(shù)據(jù)，來對后一天數(shù)據(jù)進行預(yù)警，當后一天實測數(shù)據(jù)明顯突變時，預(yù)警機制能夠發(fā)現(xiàn)并給出預(yù)警結(jié)果。由于短時間內(nèi)實測數(shù)據(jù)不會有很大差別，因此，一級預(yù)警具有較高精度，二級預(yù)警預(yù)測模型具有更好的穩(wěn)定性。一級預(yù)警預(yù)測結(jié)果穩(wěn)定性略差，但是也能夠?qū)崿F(xiàn)異常值報警。

4 結(jié)論

(1) 用人工神經(jīng)網(wǎng)絡(luò)方法進行結(jié)構(gòu)下?lián)线M行兩級預(yù)警，能夠?qū)崿F(xiàn)日常預(yù)警與年度預(yù)警；

(2) 為保證預(yù)警的準確性，宜融合多個關(guān)鍵點的監(jiān)測數(shù)據(jù)，增強樣本空間的多樣性；

(3) 后續(xù)可考慮融合結(jié)構(gòu)應(yīng)力、支座位移等參數(shù)，進一步完善結(jié)構(gòu)運營狀態(tài)報警體系。

[1] 周雨. 大跨徑PC梁橋長期下?lián)霞捌鋵Σ叻治鯷D]. 重慶: 重慶交通大學(xué), 2013.

[2] 賀拴海, 李源, 任偉, 等. 大跨連續(xù)剛構(gòu)橋長期撓度實測分析及預(yù)測[J]. 武漢理工大學(xué)學(xué)報, 2014, 36(4):35 -38.

[3] 胡俊亮. 鋼管混凝土拱-連續(xù)梁組合體系橋梁損傷識別研究[D].廣州: 華南理工大學(xué), 2014.