基于遺傳神經網絡對FRP布加固混凝土柱承載力的預測研究

詹界東，李 陽，張云峰，吳亞軍 (東北石油大學土木建筑工程學院，黑龍江 大慶 163318)

基于遺傳神經網絡對FRP布加固混凝土柱承載力的預測研究

詹界東，李 陽，張云峰，吳亞軍 (東北石油大學土木建筑工程學院，黑龍江 大慶 163318)

為了比較準確的預測應用FRP布加固混凝土柱的承載力，應用遺傳神經網絡來對加固后的混凝土柱承載力進行研究。該方法充分利用了神經網絡與遺傳算法的優點。預測結果表明，應用遺傳神經網絡方法對FRP布加固混凝土柱的承載力進行研究是可行的。

FRP布；混凝土柱；遺傳算法；神經網絡

將FRP布粘貼在混凝土柱的表面，FRP布就可以與混凝土柱共同作用，一起來承擔梁板傳來的荷載，從而加強混凝土柱的承載力，因此，利用FRP布加固混凝土柱已被廣泛應用在土木工程中。但是，由于FRP布加固混凝土柱所獲得的效果受到很多因素的影響，具有很大的非線性，因此，加固后柱的承載力是很難確定的。下面，筆者利用遺傳神經網絡方法對RBF布加固后的混凝土柱承載力進行預測。該方法具有傳統神經網絡的信息分布存儲、并行處理、自我學習以及特有的非線性信息處理能力，并且擁有遺傳算法的全局搜索能力的優點。

1 遺傳神經網絡

雖然BP神經網絡具有強大的自適應和自學習能力，可以進行大規模數據處理以及具有極強的非線性逼近和容錯能力等優點，但是傳統的BP神經網絡應用的BP算法是基于誤差函數梯度信息進行搜索，其局部搜索能力強，全局搜索能力差，經常會使BP神經網絡陷入局部無窮小，從而影響神經網絡的泛化能力。遺傳算法(GA)是一種高效、并行、全局搜索的方法，能在搜索過程中自動獲取和積累有關搜索空間的知識，并自適應地控制搜索過程以求得最優解。因此，將遺傳算法和神經網絡有機結合以提高收斂速度、避免陷入局部最優來解決復雜問題已經越來越受到人們的重視[1]。遺傳神經網絡的算法基本步驟[2]如下：

步1 編碼。將網絡的權值分別用實數表示并設定參數：輸入種群規模、交叉概率、變異概率、網絡層數(不包括輸入層)、每層神經元數。

步2 初始化種群。隨機產生n個權值矩陣構成初始種群，每個矩陣代表一個待訓練神經網絡。

步3 評價。對每個神經網絡以前向方式運行，計算評價函數值，并保留最優個體。

步4 遺傳操作。依次進行選擇、交換、變異、BP訓練，保留最優個體，并計算評價函數值。若誤差達到指定的精度，則轉步5,否則，轉步4。

步5 結束。

2 樣本數據的采集

FRP布加固柱承載力的主要影響因素[3]有截面面積Ac、混凝土立方體抗壓強度fc、 縱筋承載力Asfy(其中,As為縱筋面積;fy為縱筋的屈服強度)、截面形狀系數ξ(其中圓形截面取ξ=1.0，方形截面取ξ=0.8，矩形截面取ξ=0.7)、 含纖特征值λ=μfFRP/fc(其中，μ為FRP布與約束混凝土的體積比，fFRP為FRP布的抗拉強度)、 軸壓比β和粘貼層數n。筆者從相關文獻[4-8]共收集36個試驗樣本，其中將23個樣本作為神經網絡的訓練樣本來訓練神經網絡(見表1)，剩下的13個樣本作為預測樣本，來校核神經網絡，如表2所示。

表1 神經網絡學習樣本

表2 神經網絡預測樣本

注:Ft,Fb分別為承載力的試驗值和模型預測值。

3 神經網絡建立與訓練

由于影響FRP布加固混凝土柱的承載力的影響因素有7個，所以網絡的輸出層的神經元為7個，經過試算隱含層的神經元個數為30個，輸出結果為加固后的承載力，所以輸出層神經元的個數為1個，即遺傳神經網絡結構是7-30-1，隱含層和輸出層神經元的變換函數采用tan2sigmoid 型函數tansig；訓練函數采用traingdm函數。遺傳算法中令種群數為80，交叉概率Pc=0.6，變異率Pm=0.05，最大迭代次數為30，終止條件設為網絡訓練誤差小于10-3。由于數據間差異較大，為了使網絡具有良好的泛化能力，應用Matlab自帶的歸一化函數premnmx()進行數據歸一化，使所有數據在-1與1之間。訓練曲線分別見圖1和圖2，預測結果見表2。

圖1 GA-BP適應度曲線圖 圖2 GA-BP算法學習過程誤差曲線

從圖1～2中可以看出，遺傳算法具有快速尋優的特性，經過5代左右遺傳迭代，網絡的誤差平方和曲線大幅下降，適應度函數曲線也在急劇的上升。說明遺傳算法的運用收到了既定的效果，能夠幫助BP網絡快速地尋找到全局最優點附近，在經過50代遺傳迭代后，遺傳搜索停止，而轉入BP算法，進行局部空間的尋優。從訓練曲線可知網絡訓練892步已達標，從預測結果中可知13個樣本中預測結果最大誤差為12.5%，說明網絡的泛化能力很好，可以用來對加固后的混凝土柱的承載力進行預測。

4 結 語

利用遺傳神經網絡的自學與非線性擬合能力來對FRP布加固混凝土柱的承載力進行預測，經過預測研究表明，應用遺傳神經網絡對FRP布加固混凝土柱的承載力的預測是可行的。由于試驗數據有限，難以滿足網絡訓練的要求，所以導致預測結果誤差較大，如果增加訓練樣本的數量，將會達到更加理想的效果。研究中筆者只考慮了承載力的預測，全面的分析有待于進一步的研究。

[1]劉洪,馬力寧,黃楨.集成化人工智能技術及其在石油工程中的應用[M].北京：石油工業出版社，2008.

[2]郝華寧,劉陽.基于遺傳神經網絡的個股價格短期預測[J].西安石油大學學報，2010,25(2):88-90.

[3]潘奕,楊成,林擁軍.基于BP神經網絡的FRP加固混凝土柱承載力預測[J].2008，43(6):736-739.

[4]Kshirsagars Lopezara Guptark.Environmental aging of fibre-reinforced polymer-wrapped concrete cylin-ders[J].ACI Material Journal,2000，97(6):703-712.

[5]Rochettep Labossierep.Axial testing of rectangular column models confined with composites[J].Journal of Composites for Construction,2000,4(3):129-136.

[6]Zhang S,Ye L,Mai Y W.A study on polymer composites strengthening systems for concrete columns[J].Application of Composites Material,2000,7(3):125-138.

[7]敬登虎.GFRP組合RC柱軸心受壓的試驗研究與分析[D].重慶:重慶大學,2003.

[8]潘毅.短期和長期負載下FRP約束混凝土應力-應變模型的理論分析與試驗研究[D].南京:東南大學,2008.

10.3969/j.issn.1673-1409(N).2012.08.048

TU375.3

A

1673-1409(2012)08-N147-03

2012-05-12

詹界東(1970-)，男，1993年大學畢業，博士，國家一級注冊結構工程師，副教授，現主要從事結構工程方面的教學與研究工作。

李陽(1986-)，男，2009年大學畢業，碩士生，現主要從事結構工程方面的研究工作;E-mail:liy95519@163.com。

[編輯] 洪云飛