ＧＡ－ＢＰ算法在混凝土結構故障診斷中的應用研究

摘 要：混凝土結構故障診斷問題包含極其豐富的內容，實際工程中又不斷地提出各種新的要求，致使其利用傳統的方法難以解決。應用神經網絡(NN)與遺傳算法(GA)來解決混凝土研究中的難點問題，已經成為當前混凝土結構故障診斷研究領域的一個熱門課題。GA－BP網絡診斷模型為解決大規模、復雜、并行的系統問題提供了廣闊的前景。

關鍵詞：遺傳算法；BP網絡；混凝土結構；故障診斷

中圖分類號：TP183；TD313文獻標志碼：A

文章編號：1001-3695(2007)06-0227-03

0 引言

混凝土是土木、水利工程中應用很廣的建筑材料之一。其結構在工作中常常出現各種各樣的裂縫。當裂縫發展到一定程度，就會影響安全使用及耐久性。混凝土結構通常是帶裂縫工作的，即在一定的損傷程度下使用，所以定量地描述混凝土的損傷演化規律，是進行混凝土結構設計與計算的理論基礎，是一個迫切需要解決的技術難題。隨著已有建(構)筑物的不斷增多和老化，用于檢測、維修和改造的費用也在逐年增加。只有應用先進的監測診斷技術才能提供科學、可靠的數據，為修補、加固措施提供依據，以減少維修費用。而重要工程在竣工后更需要長期的監測和日常管理。加強對混凝土結構的監測診斷已成為今天土木工程技術中的重要課題。隨著人們對混凝土建筑結構監測重要性認識的深入，以及國家有關建筑法規的實施，結構監測診斷已成為繼勘察、設計、施工、監理后的又一個產業［1］。

混凝土是由粗骨料及水泥石形成的多相體，混凝土結構故障診斷是個復雜的系統工程，且是動態的、非線性的和不可逆的。自20世紀80年代以來，人們注意到了信息時代的新的思維方式應用于混凝土結構裂縫診斷模擬中的優越性，很多混凝土結構問題的研究已經從不同角度、不同側面應用了計算智能的理論與方法。其中尤以神經網絡(NN)與遺傳算法(GA)的應用研究居多。

BP網絡是應用得較為廣泛的一種神經網絡，尤其在建模、模式識別和優化等方面廣為應用。它是一個高度非線性的超大規模連續時間動力系統，也是一個超大規模非線性連續時間自適應信息處理系統；同時它具有大規模分布處理及高度的魯棒性和學習聯想能力。網絡的信息處理由神經元之間的相互作用來實現，知識與信息的存儲表現為網絡元件互連間分布的物理關系，網絡的學習與識別決定于各神經元連接權系數的動態演化過程。但BP網絡也有其自身的缺點，它在權值和閾值優化時本身采用的是基于梯度的算法， 因而易于陷入局部最優點［2］。

GA算法是一種模擬自然進化過程搜索最優解的方法。它借鑒了生物界自然選擇和自然遺傳機制，即基于達爾文適者生存，優勝劣汰的進化原則，對包含可行解的群體反復使用遺傳學的基本操作，不斷生成新的群體，使種群不斷進化。同時，以全局并行搜索技術來搜索優化群體的最優個體，以求得滿足要求的最優解。GA算法的最大的優點是即使對多態的或非連續的函數，它也能獲得全局最優解［3］。

由于GA算法具有很強的宏觀搜索能力，并且具有簡單通用、魯棒性強、適于并行處理等特點，用它來完成前期的搜索能較好地克服BP算法的缺點。將兩者結合起來，形成一種混合訓練算法，達到優化網絡的目的。本文在設計GA—超線性BP網絡混凝土結構裂縫診斷模型結構時，應用遺傳算法可以自主地辨識最小的包含最優解的搜索空間。訓練時先由遺傳算法進行尋優；將搜索范圍縮小后，再利用BP網絡來訓練；最后利用網絡的泛化能力對未輸入的混凝土樣本進行預測［4］。

1 BP網絡的基本原理和方法

BP網絡由輸入層、隱層和輸出層組成。對于N個樣本集合：

2 超線性BP學習算法

傳統的BP算法對于規模較小的故障診斷問題具有很好的實用性，但對于較大規模混凝土結構故障診斷，存在學習速度慢和易陷入局部極小等問題。而采用超線性BP學習算法，可提高網絡的學習速度和穩定性。該梯度下降法形式如下：

3 GA－超線性BP算法

改變BP算法依賴梯度信息的指導來調整網絡權值。利用GA算法全局性搜索的特點，尋找最為合適的網絡連接權和網絡結構。BP神經網絡由輸入層、輸出層和隱層組成，而輸入層、輸出層節點的個數由建模樣本決定，故而在優化BP網絡結構時，主要是優化其隱節點的個數。

3.1 GA－超線性BP網絡數學描述

3.2 GA－超線性BP算法步驟

4 GA－超線性BP網絡診斷模型

4.1 BP網絡應用于故障診斷的優勢

BP網絡之所以適合于故障診斷，有三個主要原因：

(1)訓練過的BP網絡能存儲有關過程的知識，能直接從定量的歷史故障信息中學習。可根據對象的正常歷史數據訓練網絡，將此信息與當前測量數據進行比較，以確定故障。

(2)BP網絡具有濾除噪聲及在有噪聲情況下得出正確結論的能力。可以訓練BP網絡來識別故障信息，使其能在噪聲環境中有效地工作。這種濾除噪聲的能力使得BP網絡適合在線故障檢測和診斷。

(3)BP網絡具有分辨原因及確定故障類型的能力。

4.2 GA－超線性BP網絡混凝土結構裂縫診斷模型

對混凝土結構，由已有經驗知識，考慮到實際工程測量的方便，一般對高于八階的頻率不計入。加上結構尺寸的輸入，取輸入節點數為10，輸出節點數為2。

對隱層節點數的確定，由于系統所考慮的是連續值問題，且工程實際又要求學習的誤差小于0.000 1，取單一隱層有可能誤差下降，很難符合要求。本文的GA－超線性BP網絡診斷模型取兩層隱節點。雖然要犧牲一些時機，但相對成功率高一些。結合學習樣本實際，對一般混凝土結構，將每個頻率值的變化范圍界定為20檔已足夠，取第一層隱節點數為20個，第二層隱節點數為6個。混凝土結構裂縫診斷神經網絡知識庫結構如圖1所示。

5 仿真試驗及數據分析

本仿真試驗取四種類型的試件：①粗集料為卵石的素混凝土；②由強度等級為C30的混凝土經人工搗碎而成的素再生混凝土；③在卵石素混凝土的基礎上加入鋼纖維而成的鋼纖維卵石混凝土；④在素再生混凝土基礎上加入鋼纖維而成的鋼纖維再生混凝土。試件均為150 mm×150 mm×550 mm的棱柱體。

6 結束語

試驗結果表明，采用GA－BP網絡診斷模型無須試湊就可得到較好的網絡結構和參數。本文所設計的這種將GA算法和BP網絡結合使用的混凝土結構故障診斷模型與常規單獨使用BP神經網絡進行診斷相比，具有很大的優越性，不僅能夠有效地避免BP網絡的缺陷，而且，在同等計算分析速度的條件下，精度大大提高，模擬計算的結果較之傳統設計方法與實際結果更為接近。

本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。