基于模糊神經網絡的拉索耐久性評價模型

2010-03-23 10:16:56劉旭政張春榮陳水生

華東交通大學學報 2010年2期

劉旭政，張春榮，陳水生

(1.華東交通大學鐵路環境振動與噪聲教育部工程研究中心，江西南昌330013;2.江西省交通設計院，江西南昌330002)

我國在役的大跨度橋梁主要橋型有斜拉橋、鋼管混凝土拱橋、懸索橋結構。這些大跨度結構中，拉索構件都起到了將主梁及橋面荷載傳遞到其他受力構件(主塔、主纜、拱圈)的重要作用。然而，拉索構件在使用過程中受環境侵蝕、材料老化、荷載效應及交通量變化等因素耦合作用，不可避免的導致結構損傷累積和承載力下降。這些損傷在某些極端情況下甚至會發生結構突然破壞倒塌的災難性事故，例如2001年四川宜賓南門大橋橋面斷裂坍塌，不僅造成重大人員傷亡和經濟損失，而且產生極壞的社會影響[1]。

各國學者對于拉索構件的耐久性問題開展了一系列的研究。胡熊等人引入模糊理論和神經網絡技術開發了大型斜拉橋安全性與耐久性綜合評價系統[2];劉沐宇，袁衛國把模糊理論與人工神經網絡技術結合起來應用于大跨度鋼管混凝土拱橋的安全性評價，建立了一種基于三層神經元的多用途量化模糊神經網絡評價模型[3];尚鑫，徐岳引用灰色加權關聯分析和灰色變權聚類分析的概念，對斜拉橋某索面索力安全性進行整體評價[4]。目前基于模糊神經網絡的拉索構件耐久性評價的研究幾乎沒有，針對這一現狀，本文引入模糊理論與神經網絡技術，提出了一種基于模糊神經網絡的拉索耐久性評價模型[5，6]。研究結果為科學準確地評價大跨度橋梁整體結構狀態奠定了基礎，從而為保障大跨度橋梁結構體系的安全運營提供了科學依據。

1 模糊神經網絡

根據評價對象的特點確定所有的評價指標。拉索的耐久性評價指標共有4個，分別為拉索索力、錨固系統、拉索保護層、減震裝置。建立拉索耐久性評價的模糊神經網絡模型如圖1。第1層是輸入層，它的每一個節點代表一個輸入變量(評價指標)，共有4個節點;第2層是量化輸入層，作用是將輸入變量模糊化，使其成為BP神經網絡的輸入層，該層共有20個節點;第3層為BP網絡的隱含層，其作用為實現輸入變量模糊值到輸出變量模糊值之間的映射(虛線框內為BP神經網絡)，根據Kolmogorov定理[7]，由于量化輸入層有20個節點，則該層共有41個節點;第4層為量化輸出層，其輸出是模糊化數值;第5層是反模糊化層，依據一定的反模糊化原則，實現輸出的清晰化。由以上5層模糊神經網絡具有很強的學習能力。

4個評價指標分別用X1～X4表示。4個評價指標中有定性描述和定量描述兩種，為了準確的評價PC斜拉橋的安全性，所有評價指標均采用定量描述。拉索索力評價指標X1=100×，其中N為實測拉索索力為理論拉索索力;評價指標X2～X4按滿分100分評分，其得分為該指標的分值。圖1中μij為第i個評價指標的j個模糊化值。

2 網絡訓練

BP算法是目前神經網絡中使用最多的算法，據統計，80%～90%的神經網絡模型采用了BP網絡或者它的變化形式。雖然BP網絡得到了廣泛的應用，但其自身也存在一些缺陷和不足，主要包括幾個方面的問題。首先，由于學習速率是固定的，因此，網絡的收斂速度慢，需要較長的訓練時間。對于一些復雜的問題，BP算法所需的訓練時間可能會非常長。其次，BP算法可以使權值收斂到某個值，但并不能保證其為誤差平面的全局最小值，這是因為采用梯度下降法可能會產生一個局部最小值。

拉索模塊網絡的訓練中采用改進梯度下降動量BP算法，網絡誤差函數E p為

圖1 拉索耐久性模糊神經網絡模型

式中:y為實際輸出;Y為理想輸出;T為訓練樣本個數;M為網絡層數(不包括輸入層)。

輸出層權值的加權調節公式[8]:

式中:ωjk為輸入層至中間層的連接權值;為迭代次數;η為學習速率;α為沖量系數。

3 學習樣本

斜拉索耐久性模塊中，為使樣本較全面的覆蓋各種評價情況，在各評價指標向量范圍內均勻取值，由計算機自動賦值生成40組樣本。將其中35組樣本作為學習樣本輸出網絡進行訓練。學習樣本的評價結果采用專家評分確定，即由多位專家給出各評價指標的權值，然后將各指標折算成百分制分數再與權值相乘，將得出的分數分為優、良、中、差、劣5等，即得出專家的評價結果。樣本輸入、輸出見表1。其中，由多位專家采用專家評分法給出的拉索模塊各評價指標的權值向量為

對輸入的4項評價指標模糊化，隸屬函數采用高斯函數，其定義為

式中:μi是隸屬函數的中心;σi決定隸屬函數的寬度。

μi的確定采用K均值聚類算法確定，即，將所有樣本的各評價指標按照K均值聚類算法分為優、良、中、差、劣5等。該項評價指標分為優等的所有樣本的均值即為該指標優等的μi取值;該指標優等的隸屬函數寬度σi取值

應該注意的是，當該聚類只有一個樣本時，σi=0，為滿足高斯函數參數的數學定義，這時取σ=E-5。拉索評價模塊中各評價指標隸屬度函數見圖2所示。

表1 網絡樣本訓練數據

圖2 各評價指標隸屬函數

4 網絡學習

本文中采用MATLAB編制相應的程序，程序流程圖見3。

將35組學習樣本輸入網絡進行訓練以后，設定網絡誤差E＜0.000 01，經過265次學習，確定了網絡各層參數值，從而完成了拉索模塊耐久性評價的模糊神經網絡。而采用普通的BP算法進行訓練時，經過633次學習才能使得網絡誤差E＜0.000 01;由此可見采用動態BP算法訓練時速度優于普通的BP算法。網絡訓練誤差圖見圖4。圖中橫坐標為訓練次數，縱坐標為網絡誤差值。