BP神經網絡在疊合梁斜拉橋施工控制中的應用

劉人銘

(貴州省交通規劃勘察設計研究院股份有限公司　貴陽　550081)

BP神經網絡在疊合梁斜拉橋施工控制中的應用

劉人銘

(貴州省交通規劃勘察設計研究院股份有限公司貴陽550081)

摘要影響疊合梁斜拉橋施工中的線形和內力的參數較多，且由于這些參數的理論值與真實值之間存在誤差，使得結構往往不能達到理論上的線形和內力狀態。另一方面參數的真實值與施工期間的結構內力和線形的映射關系無法用顯式表達。因此提出采用BP神經網絡來進行關鍵參數識別的方法，并以長江上某疊合梁斜拉橋為例，說明BP神經網絡在疊合梁斜拉橋施工控制中的應用過程及方法。

關鍵詞參數識別神經網絡施工控制

在橋梁的施工過程中，可以根據設計成橋線形推算出橋梁在施工中各個不同工況下的線形狀態和內力狀態。但是，由于在設計階段采用的結構計算的各項參數值為理論上的標準值，而在實際施工中這些參數值往往與理論值有較大的偏差。在施工監控的過程中，由于結構參數誤差的存在，使得結構不能達到理論上的線形和內力狀態。因此，就必須對實際施工中結構的各項關鍵參數進行識別，通過確定參數的真實值，將其帶入計算模型，使得計算模型能夠反映結構的真實狀態[1-2]。

在疊合梁斜拉橋的施工監控中，有的結構關鍵參數不能通過直接測量的方式得到，同時由于疊合梁斜拉橋屬于高次超靜定結構，影響結構的內力和線型的因素較多，所以也不能通過理論方法建立內力、線型與結構關鍵參數之間的顯性函數表達式，因此在施工監控中多采用人工神經網絡的方法確定結構的關鍵參數值。

1BP神經網絡

BP網絡由輸入層、輸出層和中間層(隱藏層)組成，中間層為一層或多層。不同層的不同神經元節點之間通過權值連接，神經網絡的訓練過程就是各神經元之間的連接權值改變并不斷優化的過程。

BP神經網絡的基本算法的計算流程如下[3]。

(1) 設定網絡的各神經元之間連接權值的初始值ωij(0)。

據統計，目前80%～90%的神經網絡模型都是采用的BP網絡模型或者其變化的形式，BP算法的流程見圖1。

圖1BP算法流程圖

2BP神經網絡在施工監控參數識別中的應用

2.1　實際橋梁工程概況

現有長江上某座疊合梁斜拉橋，橋跨布置為35.5 m+186 m+436 m+186 m+35.5 m。主梁采用鋼混凝土疊合梁，其截面形式為高度2.8 m的雙工字鋼梁+混凝土橋面板組成的疊合梁，主橋橋面板為預制存放6個月后的C60鋼筋混凝土板，縱向半漂浮體系。索、塔形式為雙塔雙索面，其中主塔為菱形橋塔，斜拉索為空間索，共計8個索面，136根索。

全橋標準梁段的施工順序為：匹配安裝鋼主梁→第一次張拉斜拉索→吊裝橋面板→第二次張拉斜拉索→澆注橋面板間濕接縫→濕接縫達到強度后第三次張拉斜拉索→下一標準梁段。全橋有限元模型采用平面桿系單元，共計856個單元，其中索塔和墩單元共172個，梁單元共293個，橋面剛臂單元共293個，索單元68個，桁架單元4 個，其余為施工臨時結構單元，采用切線位移法一次安裝梁單元，從主塔施工開始到最后成橋，分為800個施工階段。有限元結構離散圖見圖2。

圖2　有限元結構離散圖

2.2　待識別參數的確定

對斜拉橋而言，施工監控中主要是對全橋線型、內力及塔頂偏位的監控。疊合梁斜拉橋作為一種高次超靜定結構，影響其線型和內力的參數較多，不同參數對橋梁線型和內力的影響權值也不盡相同，因此參數識別之前需要知道哪些參數對于橋梁線型和內力的影響較大，哪些參數的影響較小(即進行結構的參數敏感性分析)。對結構力學行為狀態影響較大的參數進行識別，將其真實值帶入結構計算中，才能得到與現場實際相符

的全橋線型和內力狀態。

通過對結構進行參數敏感性分析，得出對結構的力學行為狀態影響較大的參數是鋼主梁重量、橋面板重量和斜拉索索力[4]，將上述3個參數作為待識別參數，即本文主要解決的是識別出上述3個參數的實際值，并將結果用于結構計算當中。

2.3　參數識別神經網絡輸入輸出變量的確定

下面的計算示例中，以本大橋西岸最大單懸臂施工梁段即江側17號梁段主梁重量、橋面板重量和17號斜拉索3張索力為待識別的參數，也即是輸出變量。而輸入變量必須選擇那些受到輸出參數的變化而變化較大的而且能夠檢測或提取的變量，此外，還要求各輸入變量之間互不相關或相關性很小，這是輸入變量選擇的2項基本原則。從輸入變量的容易測量及數據的準確性方面考慮，本文選取西岸江側11～17號梁段的主梁高程作為輸入向量。

2.4　神經網絡訓練樣本集的建立

本文根據上一節所確定的輸入-輸出向量，分別將斜拉索索力、主梁重量和橋面板重量按照在原設計值的基礎上變化0%，±2%,±5%的量級進行不同的組合，并將改變后的參數值帶入到有限元計算模型中進行計算，得到本橋在不同參數下的線形，以此建立了參數識別的訓練樣本集[5]。下面的60個訓練樣本中各個待識別參數的變化范圍見表1(表中的0,±2, ±5均表示在原設計值基礎上變化0%,±2%,±5%)。訓練樣本集的輸入輸出變量的具體值見表2。

表1　訓練樣本集參數變化范圍　%

表2　訓練樣本具體數據

2.5　訓練樣本集的歸一化處理

網絡的輸入、輸出節點的物理量的意義各不相同，使得輸入-輸出向量中的各個分量的量綱各不相同，這些量綱不同的量的數值相差甚遠，所以必須對訓練樣本中的數據進行歸一化處理，將有量綱的量變為無量綱的純量，以防止小數值信息被大數值信息所淹沒，從而歸納統一樣本的統計分布特性，并且具有保證收斂速度加快的功能。本文采用線性函數轉換的方法來對訓練樣本的數據進行歸一化處理。

2.6　BP神經網絡用于參數識別

網絡的輸入變量為西岸江側11～17號梁段的主梁高程,即網絡的輸入層神經元數目為7，將待識別的參數(主梁重量、橋面板重量、斜拉索索力)作為輸出變量，即網絡的輸出層神經元數目為3，建立了參數識別的訓練樣本集，并對訓練樣本數據進行了預處理，再設定BP網絡的隱藏層數目為1層，隱藏層中的神經元數目為15個，即已經完全確定了用于參數識別的BP神經網絡的全部拓撲結構。運用matlab軟件中的BP神經網絡工具箱建立網絡[6]，進行參數識別并將參數識別的結果進行反歸一化處理后，參數識別的結果見表3。

表3　BP網絡參數識別結果

3結論

(1) 從上表可知，索力、主梁重和橋面板重的參數識別的相對誤差的最大值分別為2.04%，3.26%，3.78%，可見將BP神經網絡用于施工監控參數識別具有較高的精度。

(2) 因為人工神經網絡法具有不需要得到輸入-輸出之間映射關系的顯式表達式、可以實現多參數輸出、計算速度快，容錯能力強，可以實現非線性變換等優點，因此人工神經網絡適合運用于大跨度疊合梁斜拉橋的施工控制中。

參考文獻

[1]官萬軼,韓大建.大跨度斜拉橋施工控制方法研究進展[J].華南理工大學學報,1999,27(11):14-18.

[2]葛耀軍.分段施工橋梁分析與控制[M].北京：人民交通出版社，2003.

[3]胡伍生.神經網絡理論及其工程應用[M].北京：測繪出版社,2006.

[4]劉人銘.觀音巖大橋參數敏感性分析報告[R].成都：西南交通大學，2008.

[5]李傳習,劉 揚,張建仁.基于人工神經網絡的混凝土大跨度橋梁主梁參數實時估計[J].中國公路學報，2001,14(3):62-65.

[6]飛思科技產品研發中心.神經網絡理論與MATLAB7實現[M].北京：電子工業出版社，2006.

Using the BP Neural Network on the Composite Beam

Cable-stayde Bridge While Construction Control

LiuRenming

(Guizhou transportation planning survey & design academe Co.,Ltd., Guiyang 550081, China)

Abstract：There are many parameters which influence the alignment and the internal force of a composite beam cable-stayde bridge., Because the theoretical value of such parameters and the real value exist the deviation, the structure can not achieve the theoretical states of alignment and internal force usually. On the other hand, we can not express the mapping relationship between the structural internal force and alignment and the real value of such parameters in an explicit way. So this paper proposed a method of using the BP neural-network in parameter identification. Based on a composite beam cable-stayde bridge over the Yangtze River, we illustrated the method and process of using the BP neural-network on the construction control of the composite beam cable-stayde bridges.

Key words:parameter identification； neural network； construction control

收稿日期：2015-06-25

DOI10.3963/j.issn.1671-7570.2015.05.020