基于靜力應變數據的BP神經網絡損傷識別算法

崔寶影，程權成

(1.遼東學院 工程技術學院，遼寧 丹東 118009；2.遼寧機電職業技術學院 華孚儀表學院，遼寧 丹東 118009)

隨著現代交通的不斷發展，橋梁成為城市交通不可或缺的重要建筑。隨著運行期間環境因素及超載超重等因素對橋梁造成的損傷，長期積累就會引起橋梁的坍塌，帶來巨大的經濟損失，更甚者會引發人員傷亡。因此，基于橋梁的監控狀況進行損傷識別達到有效預警，從而避免損失和人員傷亡是非常必要的。

秦偉亮等人針對青島某大橋建立多尺度模型，基于該模型模擬損傷獲得應變響應數據，然后利用BP神經網絡進行損傷位置和損傷程度識別[1]。黎波對基于人工智能算法的結構損傷方法進行了綜述，探討了RBF神經網絡、BP神經網絡和遺傳算法的優缺點[2]。邢哲等人針對網架結構利用有限元模型分析獲得模態參數和位移振型組合參數作為RBF神經網絡的樣本庫，采用先確定可疑損傷位置，后精確損傷位置和損傷程度的方法進行結構損傷識別[3]。許如鋒等人針對連續橋梁有限元模型獲得偽比能變化率作為樣本空間，采用改進粒子群算法優化BP神經網絡的算法(PSO-BP算法)識別橋梁的損傷位置和損傷程度[4]。李雪松等人針對簡支梁模型，通過試驗的方法獲得傳感器數據作為卷積神經網絡的樣本空間，將加入噪聲后的測試數據進行損傷識別，結果表明該方法能夠精確的識別損傷位置[5]。韓西等人針對簡支工字梁有限元模型獲取頻率差作為BP神經網絡的樣本空間，通過構造不同的隱含層節點數和傳遞函數建立神經網絡模型，從中選取識別效果最好的數據構造神經網絡模型[6]。劉波等人針對兩跨連續梁有限元模型獲取振型差值曲率作為BP神經網絡的樣本空間，結果表明，該方法能夠很好的識別損傷位置和損傷程度[7]。譚冬梅等人針對隨機車載下大跨斜拉橋模型獲取振動測試信號并利用小波包分解獲得BP-AdaBoost模型的樣本空間，結果表明，該方法在噪聲情況下依然能夠有效識別損傷[8]。

本文以橋梁損傷預警為出發點，以橋梁有限元模型為研究對象，通過有限元分析獲取靜力應變數據作為BP神經網絡的樣本數據來訓練并測試神經網絡，并基于該神經網絡測試某實際橋梁的健康狀況。

1 建立有限元模型

本文圍繞秦皇島某橋梁展開研究，該橋由3聯12跨構成，每跨20 m長。每一跨橋梁的結構相同，由六片單箱單室箱梁構成，采用梯形箱型截面，每個截面的尺寸各有不同，在此不一一贅述。根據圖紙中橋梁的尺寸利用ANSYS建立有限元模型的截面和橋墩并劃分網格。然后選用單元模型BEAM188模擬主梁、BEAM44模擬連接主梁的濕接縫。同時，根據工程所用材料和工程經驗，選取彈性模量Ec=3.4×104MPa，泊松比μ=0.22，密度ρ=2.6×103來定義單元類型。最終構造有限元模型并通過有限元分析和敏感度分析，定義4處損傷位置(認為橋梁左端為坐標原點0)：0.6 m、5 m、10 m、15 m。

通過降低單一損傷位置的彈性模量獲得對應的靜力應變數據，將其代入公式(1)得到損傷識別因子(即神經網絡的樣本數據)。應變數據共選取2號梁0.6 m、5 m、10 m、15 m，3號梁0.6 m、10 m、15 m，4號梁0.6 m、5 m、10 m，5號梁0 m、0.6 m、10 m和15 m共14處，其位置選取的依據是橋梁實際傳感器的安裝位置(實際安裝位置通過敏感分析結合工程經驗獲得)。

(1)

其中，i=1,2,3,4表示位置i發生損傷，j=1,2…14表示第j個位置的傳感器數據，Suj和Sdj分別代表未發生損傷和存在損傷時傳感器j的靜力應變數據，表示發生損傷i時傳感器j的靜力應變變化率。

2 基于BP神經網絡的算法研究

本文搭建的BP神經網絡 (以下簡稱BPNN)的模型包括輸入層神經元個數14個，對應靜力應變變化率，隱含層一層，設置神經元的個數5個，輸出層神經元個數4個，對應不同的損傷位置。其模型如圖1所示。

本文選取訓練樣本為損傷程度設置為10%、20%、30%、40%情況下得到的靜力應變變化率，測試樣本為損傷程度設置為35%、50%得到靜力應變變化率。利用以上結構及數據首先進行損傷位置識別，輸出結果在相應損傷處位置顯示1，否則顯示0，基于該模型訓練神經網絡，然后利用測試樣本進行測試，其輸出結果如表1所示。

表1 神經網絡損傷位置測試結果輸出

將表中大于0.8的數據看作1，小于0.2的數據看作0，則可以看出實際結果與期望結果相吻合。表明此BPNN可以準確地識別損傷位置。

當明確橋梁有損傷后，可以進一步識別其損傷程度，BPNN的結構不變，只輸出結果對應損傷程度。依然用16組數據訓練BPNN，用余下8組進行測試，得到的神經網絡的測試結果如表2所示，其測量數據識別誤差如圖2所示。

表2 神經網絡損傷程度測試結果輸出

測試誤差分析得到：

a)識別樣本損傷程度的誤差低于3.5%。

b)識別損傷樣本35%的誤差要低于損傷樣本50%的誤差。證明BPNN具有較好的內插能力。

最后，利用該網絡進行實測。首先將橋梁某時間段每隔半小時采集的7組靜力應變數據用于神經網絡，測試其損傷位置，測得結果如表3所示。

表3 實測數據對應的神經網絡輸出結果

依然利用大于0.8的數據看作1，小于0.2的數據看作0的原則觀察數據，發現其輸出結果都為0，因此判斷橋梁無損傷位置。

3 結論

本文研究了一種以靜力應變數據作為損傷識別因子的結構損傷識別方法。該方法以一座實際橋梁為研究對象，首先利用ANSYS軟件建立其有限元模型，并通過降低彈性模量的方法得到不同損傷狀況下的靜力應變參數構成樣本空間。將樣本空間區分為訓練樣本和測試樣本，然后訓練和測試BPNN。實驗結果可以看出，訓練后的神經網絡可以精確地判斷出損傷位置和損傷程度。最后，基于本文提出的方法利用一組實測數據進行測試，從輸出可以判斷橋梁的健康狀況。這也進一步說明了該方法能夠實現對橋梁的健康監測和損傷預警。

下一步的研究將著重于兩方面：一方面將繼續監測該橋梁的健康狀況，獲取更多的實測數據測試并改善橋梁結構損傷識別方法，另一方面將研究優化算法，以解決神經網絡容易陷入局部最優問題，使得結構損傷識別算法具有更高的穩定性。