基于進化神經網絡的受火鋼筋混凝土柱損傷預測

張耿

福建省平潭縣公安消防大隊

Damage prediction of reinforced concrete columns by fire basing on evolutionary neural network

基于進化神經網絡的受火鋼筋混凝土柱損傷預測

張耿

福建省平潭縣公安消防大隊

Damage prediction of reinforced concrete columns by fire basing on evolutionary neural network

鋼筋混凝土柱在火災中的損傷情況是建筑消防界的研究熱點和難點。考慮鋼筋混凝土柱尺寸、混凝土強度、受火時間等影響因素，基于用遺傳算法進行優化權值后的神經網絡，建立受火鋼筋混凝土柱極限承載力的預測模型，進而確定柱子的損傷等級。研究表明該方法的預測結果與實測結果吻合較好，對評價鋼筋混凝土柱在火災中的損傷情況具有重要意義。

火災；鋼筋混凝土柱；損傷；預測

引言

在在火災的作用下，鋼筋混凝土柱內部升溫，易形成不均勻溫度場，導致柱子出現不同程度的損傷。如何確定鋼筋混凝土柱在火災中的破壞程度對災后的結構進行安全可靠性評估及經濟有效的修復加固具有重要意義[1-3]。很多學者基于相關理論知識推導受火后鋼筋混凝土柱承載力計算簡式，并結合實驗結果進行數值模擬，深入研究鋼筋混凝土柱的抗火性能[4-7]。而采用智能分析方法研究鋼筋混凝土柱的抗火性能的成果較少。徐媛媛等(2007)采用灰色系統理論研究受火鋼筋混凝土柱受壓承載力[8]。張可樂等(2009)基于神經網絡預測火鋼筋混凝土柱的力學性能[9]。由于影響受火鋼筋混凝土柱的承載力因素很多，且神經網絡有一定局限性，很難達得全局的最優。遺傳算法有搜索全局最優解的優點，且將遺傳算法引入人工神經網絡形成的進化神經網絡方法已在其他領域獲得應用，并被證明該法能克服單純神經網絡的缺陷[10]。本文在現有研究成果的基礎上，考慮鋼筋混凝土柱材料、尺寸等性質及受火時間等影響因素，采用進化神經網絡建立受火鋼筋混凝土柱極限承載力的預測模型，進而確定柱子的損傷等級。工程實例證明該法在預測受火柱子的損傷等級方面是可行的。

1 進化神經網絡

BP神經網絡能模擬人類部分形象思維，它采用類似于“黑匣子”的方法,通過學習和記憶,找出輸入與輸出之間的特征關系,特別適用于參數變量和目標函數之間無數學表達式的復雜工程問題中。三層前饋神經網絡中一個神經元的輸出可以由下式確定

根據實踐,隱含層激活函數選用了非對稱Sigmoid函數。

輸出層激活函數選用對稱型Sigmoid函數

式中：yi(p)是第p層第i個神經元的輸出；wij是從(p-1)層第j個神經元到p層第i個神經元的連接權重；np-1是p-1層神經元數目；a(p)是第p層神經元的偏置(或閥值的負值)。

遺傳算法模擬了自然界生物進化過程中的“優勝劣汰,適者生存”的法則,將復制、雜交、變異等概念引入到算法中,通過構造一組初始可行解群體并對其操作,使其逐漸移向最優解，是一種全局最優化方法。將遺傳算法的全局尋優能力與BP算法的局部尋優能力相結合，搜索神經網絡結構優化網絡的權值,并用最佳推廣預測學習算法訓練網絡結構，形成進化神經網絡[10-11]。

2 預測模型

2.1 受火鋼筋混凝土柱損傷影響因素

影響受火鋼筋混凝土柱損傷程度的因素很多，除了受火時間外，還有鋼筋混凝土柱尺寸、混凝土強度等。結合鋼筋混凝土柱在火作用下的破壞機理[4-7]，選取混凝土截面尺寸、保護層厚度、配筋率、混凝土強度、偏心距、鋼筋屈服強度、受火時間這七個主要影響因素作為鋼筋混凝土柱損傷程度評判因子。

2.2 預測步驟

利用神經網絡建立受火鋼筋混凝土柱損傷程度的影響因素與極限承載力級之間的映射關系，實現對于任一組給定的受火鋼筋混凝土柱損傷程度的影響因素值，均可以通過該網絡的推廣預測能力求出其相應的極限承載力，進而確定其損傷等級。然后應用遺傳算法具有搜索全局最優解和隱含并行性的優點，對房屋破壞等級進行搜索尋優，確定最終的破壞等級。其主要步驟如下：

2.2.1 根據測試樣本，確定網絡結構和權值的初始信息

2.2.2 隨機產生初始群體，確定進化代數，評價初始群體中各個個體的適應度

2.2.3 進行雜交、變異操作，等到操作后的群體并評價各個個體的適應度

2.2.4 進行個體選擇、復制操作，結合終止條件，判斷是否終止條件。若不滿足轉(3)，繼續進化過程；若滿足則輸出當前最優個體。

2.2.5 建立預測模型

3 運用實例

在現有鋼筋混凝土柱抗火性能研究的基礎上，分析受火鋼筋混凝土柱損傷程度的影響因素。基于文獻中的試驗數據，采用上述方法建立相應的預測模型，進而確定受火鋼筋混凝土柱的損傷程度。

3.1 建立訓練樣本

Hass等采用ISO-834標準升溫曲線加熱進行鋼筋混凝土柱的高溫承載力試驗[12,13]。基于試驗數據，以受火鋼筋混凝土柱損傷程度的七個評判因子為輸入，承載力為輸出建立學習樣本。學習樣本詳見表1。

表1 學習樣本

圖1 最佳適應值變化

圖2 訓練過程誤差變化

3.2 預測結果及損傷程度

采用表1中的訓練樣本對進化的神經網絡進行訓練。經過試算確定2層神經網絡，進化到第六代時最佳適應值為0.017953(詳見圖1)，經過7900次訓練，訓練誤差到達0.001(詳見圖2)。用訓練好的模型預測承載力，其預測結果詳見表2。由表2可知預測結果滿足工程精度要求在評定構件損傷等級時，參照承載力劃分界限如表3所示[3]。基于表3結合上述預測結果，便可確定受火鋼筋混凝土柱的損傷程度。

表2 預測結果

表3 構件損傷等級劃分

4 結語

通過分析現有鋼筋混凝土柱抗火性能的研究成果，確定受火鋼筋混凝土柱損傷程度的七個主要因素。將遺傳算法的全局尋優能力與BP算法的局部尋優能力相結合形成的進化神經網絡，基于試驗數據建立預測模型。模型實例預測證明,該模型簡單實用、準確可靠，對準確評價受火鋼筋混凝土柱損傷程度具有重要意義。

[1]杜禮全.火災后鋼筋混凝土受壓構件抗火性能及修復[J].消防科學與技術,2003,10(增刊):7-9.

[2]李國強,吳波,韓林海.結構抗火研究進展與趨勢[J].建筑鋼結構進展,2006,8(1):1-8.

[3]王希賓，潘加，胡海濤.結構的抗火分析和損傷等級評定初探[J].山西建筑，2009,35(21): 5-7.

[4]宋曉勇.鋼筋混凝土柱抗火性能分析與研究[D].長沙：湖南大學,2006.

[5]蘇娟，王振清，白麗麗，韓玉來.四面鋼筋混凝土柱抗火性能分析[J].哈爾濱工程大學學報,2007,28(12):1326-1331.

[6]蘇娟.鋼筋混凝土柱的抗火性能研究[D].哈爾濱：哈爾濱工程大學,2006.

[7]李耀莊，李昀暉.火災下四面受火鋼筋混凝土柱極限承載力的簡化計算[J].防災減災工程學報,2007,27(3):323-328.

[8]徐媛媛，賈玉琴，張玉明.四面受火鋼筋混凝土偏壓柱承載力的灰色預測[J]徐州建筑職業技術學院學報,2007,7(4):9-13.

[9]張可樂,趙思遠,董亞男.基于神經網絡的三面受火鋼筋混凝土柱的力學性能預測[J]河南城建學院學報,2009,18(5):9-11.

[10]馮夏庭,張治強,楊成祥等.位移反分析的進化神經網絡方法研究[J].巖石力學與工程學報.1999(5):529-533.

[11]郭曉婷，朱巖.基于遺傳算法的進化神經網絡[J].清華大學學報(自然科學版)2000,40(10): 31-33.

[12]Dotreppe,JC.et a1.Calculation method for design of reinforced concrete columns under fire conditions [J].ACI Structural Journal,1999,96(1):9-18.

[13]K.H.Tan,et a1.Fire Resistance of fou卜face heated reinforced concrete olumns[J].Journal of Structural Engineering.ASCE，2003：1220一1229.

10.3969/j.issn.1001-8972.2012.19.013

AbstractDamage degree of reinforced concrete columns by fire is a frequent issue and nut of discussion in the field of architectural fire-protection.Factors, like the size of reinforced concrete columns, the intensity of reinforced concrete and the firing time were taken into consideration; Basing on Neural Network whose weight was optimized by GA, a model to predict the limited bearing capacity of reinforced concrete columns by fire was formed, therefore, the damage hierarchy of reinforced concrete columns can be confirmed.Research findings reflected that the prediction result of this model can be well coincident with the actual data, which shows geat significance in confirming the damage degree of reinforced concrete columns by fire.

Keywordsfire；reinforced concrete columns；damage hierarchy；prediction