基于神經網絡重力壩損傷識別輸入參數的研究

呂瑋

摘 要：在神經網絡識別結構損傷的過程中選取容易得到、識別精度高、損傷敏感性高的參數，損傷識別精度將大大提高。為克服使用單一結構特征物理量作為神經網絡輸入參數而帶來的缺陷，文章以武都水庫非溢流壩段為例，利用徑向基函數神經網絡對重力壩損傷的識別展開研究，提出將結構固有頻率和固定點模態分量組合作為輸入參數，對比選用不同輸入參數的損傷輸出信息。結果表明，使用組合參數作為輸入參數對重力壩進行損傷位置識別、損傷程度預測是實用可行的。

關鍵詞：重力壩；徑向基神經網絡；損傷識別；輸入參數

引言

結構工程在使用較長時間后往往會產生不同程度的損傷，使得結構的安全性和耐久性降低，因此迫切需要尋找到高效準確的損傷識別方法，對損傷結構進行維修加固。結構出現損傷后自身的某些特性也隨之發生變化，許多問題涉及非線性變化，變量之間的關系復雜，難以用確切的數學、力學模型來解決。基于神經網絡的結構損傷診斷方法不需要結構動力特性的先驗知識，在非線性模式識別和分類具備很強的非線性映射能力，因而廣泛運用在結構工程實際問題研究中，如大型空間網架結構，橋梁結構，多層及高層框架結構，地下隧道，海洋平臺等方向。神經網絡方法不但具有處理數據的能力，且具備對知識的學習和記憶的能力，能夠濾出噪聲干擾正確識別結構損傷信息，Wu[1]早在1992年就證明神經網絡是結構動力學系統識別的有效工具。對于獨立構件和簡單模型的損傷檢測現在已有許多研究，但針對大型復雜的實際工程，現有的研究仍然不夠，它們的健康診斷和損傷識別無法從單一結構特征物理量反應的損傷信息中得到推斷，損傷識別的結果受到如何選定神經網絡輸入參數及其表達形式的影響，因而需要獲得結構的多種特征物理量，利用這些數據結合神經網絡方法對結構進行損傷診斷，確定輸入參數時盡量選擇對結構影響大的特征量。

混凝土大壩發生損傷其動力特性也會隨之改變，由于大壩結構的老化、損傷對動態參數的敏感度低于機械故障診斷中動態參數的敏感度，對測試技術和分析水平要求高，已有學者選用基于結構動力特性的神經網絡損傷識別對大壩結構進行損傷診斷。文章通過分析參數的敏感性，針對適用于重力壩損傷識別的高敏感性參數的選取展開研究。

1 神經網絡方法

人工神經網絡（Artificial Neural Network，簡稱神經網絡或ANN）是對人腦或自然神經系統若干基本特征的抽象與模擬，由大量神經元廣泛互連而成，它不但具有處理數值數據的一般計算能力，還具有處理知識的思維、學習、記憶能力，廣泛應用于許多領域[2]。

相比于其他神經網絡方法，徑向基神經網絡有明顯優勢，它具有結構簡單、訓練便捷、迅速收斂、高度非線性映射能力、不易陷入局部最小等優點，能逼近任何非線性函數。它是以函數逼近理論為基礎而構造的一類三層前向網絡，它包含輸入層、隱含層和輸出層。輸入向量x的維數對應輸入層的每一個輸入節點，將單元知識傳遞輸入信息到隱含層，隱含層的每個隱含節點對應一個訓練數據點，隱含節點與輸出層中每個線性單元連接。

2 輸入參數的選擇

在目前對結構進行健康監測和損傷識別的各種方法中，利用動態特性分析法進行損傷檢測最為廣泛應用，針對不同結構選擇合適的模態數據或其導出值，影響著損傷檢測的難易程度和檢測結果的準確性。模態性質（如固有頻率、振型模態和曲率模態）是結構物理參數的函數，結構發生損傷，這些模態性質就會隨之產生相應的變化；在損傷識別中，輸入參數應該能夠敏感地反映結構損傷，因此輸入參數的選擇對控制神經網絡的輸出結果精度尤為重要。

經常選用特征物理量作為神經網絡輸入參數的有：振動響應信號、位移、應變、速度、頻率、頻率變化比、模態、曲率等。采用不同的輸入參數或參數組合，對損傷敏感性的影響不同，大量損傷診斷研究都選用結構頻率作為損傷指標，但有學者研究證明模態頻率對損傷并不敏感[3]，任意兩階模態的頻率變化率，僅僅與損傷位置有關，與損傷程度無關。范進勝[4]采用振型曲率比作為輸入參數，試驗討論得到該種方法可以準確識別出結構的損傷位置，對損傷程度的大小也能做出比較。瞿偉廉[5]采用損傷前后應變模態差作為輸入參數，應變模態對結構局部損傷較為敏感，能直接反映結構的損傷狀態。鞠彥忠[6]采用固有頻率、第一振型模態、振型、作為輸入參數，得出振型對損傷位置的變化比頻率敏感，損傷引起的變化高階頻率比低階頻率更敏感，固有頻率的改變對位于下部桿件的損傷比對上部更敏感。萬小朋[7]以懸臂梁的損傷識別為例，固定端的振型變化受結構損傷的影響更大，不同位置和不同程度的損傷使得結構第一階振型改變率發生明顯變化，驗證了采用第一階振型改變率作為輸入參數可用于識別小損傷，在試驗中獲得結構的第一階振型操作簡單，容易實現，測量誤差較小。張剛剛[8]采用參數頻率、振型模態、曲率模態三種指標作為輸入參數，對斜拉索損傷進行研究，得到振型與曲率為輸入參數對損傷識別獲得良好效果，其中曲率模態對橋梁損傷的敏感度最高。韓西[9]把結構損傷識別問題分為損傷判斷、損傷定位、損傷程度三個階段，定位損傷采用位置的頻率變化平方比作為輸入參數，判別損傷程度的頻率變化比作為輸入參數，證實了該方法具有較好的識別效果。

在已有研究的基礎上，文章利用徑向基函數神經網絡對重力壩損傷識別展開研究，提出將結構固有頻率和固定點模態分量組合作為輸入參數，對比選用不同輸入參數的輸出損傷信息。

3 數值模擬分析

數值模擬分析選取武都大壩19#右岸非溢流壩段為例進行研究，將模型結構進行簡化，假定壩體材料為彈性體，在壩體上游面模擬動水壓力，選用ABAQUS有限元軟件建立二維有限元模型。為簡化計算選取大壩震后易損傷的壩頸段下游面劃分為多個區域，設置水平裂縫模擬大壩結構損傷狀態。選擇訓練樣本時要將損傷情況盡可能包含在內，綜合考慮選擇在距壩頂2/19，2.33/19，2.67/19，3/19，3.33/19，3.67/19，4/19壩高處，用大寫字母A、B、C、D、E、F、G表示七類不同位置的裂縫，每處裂縫分為7種損傷程度，分別為該處壩體截面的寬度的0.1、0.2、0.3、0.4、0.5、0.6倍，共得到43組訓練樣本，獲得大壩結構不同損傷情況下的動力特性（如圖1）。

神經網絡輸入參數分為三個對照組，Ⅰ組選取結構前八階固有頻率，Ⅱ組選取八個指定點的一階模態水平分量，Ⅲ組選取結構前四階固有頻率和四個指定點的一階模態水平分量。神經網絡理想輸出參數為（ya，yb，yc，yd，ye，yf，yg），yx表示結構在x的損傷量，例如（0，0， 0，0.35，0，0，0）表示損傷發生在結構下游面D處，程度為0.35。

將各組選定的特征物理量作為網絡的輸入向量，結構損傷狀態作為輸出參數，建立損傷分類訓練樣本集，將樣本集送入神經網絡進行訓練，得到結構特征物理量變化與損傷狀態之間的映射關系。選取四種樣本用來測試該方法對于損傷的識別精度，對比各對照組的神經網絡輸出結果（如表1）。

對以上三組損傷識別結果，對損傷位置識別效果和損傷程度識別誤差進行分析，得到以下結論：采用頻率變化率作為輸入參數容易獲得，訓練速度快，能準確識別損傷位置，對識別程度識別結果誤差較大。采用固定點第一節模態水平分量作為輸入參數訓練速度較慢，能夠精確識別損傷位置，且損傷程度識別結果較為準確。采用將二者結合的組合參數作為輸入參數訓練神經網絡，相對于其他兩組該方法具有明顯優勢，能準確識別出損傷位置、識別損傷程度，有良好的損傷識別精度。

4結束語

文章通過對理論分析和武都大壩結構的數值模擬分析，對比幾組不同輸入參數的神經網絡損傷識別結果。結構的固有頻率是容易獲得，與測量位置無關且測量精度高，將結構固有頻率作為輸入參數反映了結構整體動態特性，但它對結構特征的局部變化不夠敏感。將結構模態振型作為輸入參數，有很好的識別精度，但該方法不易判斷振型節點附近的損傷，應針對具體情況選擇合理的分析點。

將組合參數的方法用于重力壩損傷識別，結合二者優點，避開單一輸入參數帶來的缺陷，具有良好的識別效果，識別精確度和神經網絡訓練速度明顯優于單一輸入參數，可進一步檢驗該方法用于實際結構的有效性。

參考文獻

[1]朱宏平.結構損傷檢測的智能方法[M].人民交通出版社，2009.

[2]Wu X，Ghaboussi J，Garrett Jr J H. Use of neural networks in detection of structural damage[J].Computers & Structures，1992，42（4）：649-659.

[3]Cawley P，Adams R D.The location of defects in structures from measurements of natural frequencies[J].Journal of Strain Analysis，1979；14：49-57.

[4]范進勝，杜守軍.利用神經網絡進行框架結構損傷識別的研究[C]//第14屆全國結構工程學術會議論文集（第三冊），2005.

[5]瞿偉廉，陳偉.多層及高層框架結構地震損傷診斷的神經網絡方法[J].地震工程與工程振動，2002，22（1）：43-48.

[6]鞠彥忠，閻貴平，陳建斌，等.用小波神經網絡檢測結構損傷[J].工程力學，2003，20（6）：176-181.

[7]萬小朋，李小聰，鮑凱，等.利用振型變化進行結構損傷診斷的研究[J].航空學報，2003，24（5）：422-426.

[8]張剛剛，王春生，徐岳.基于徑向基函數神經網絡的斜拉橋損傷識別[J].長安大學學報：自然科學版，2006，26（1）：49-53.

[9]韓西，張偉，鐘厲.基于神經網絡技術的結構損傷檢測[J].中南公路工程，2007，31（5）：15-18.