橋梁結構損傷的智能識別方法的應用

馬文劃

廣東交科檢測有限公司 廣東 廣州 510550

現如今科學技術的快速發展，使得橋梁結構損傷識別工作得到了快速的發展，隨之產生了大量理論分析研究與應用成果。因橋梁復雜程度明顯提升，橋梁結構損傷智能識別的地位也在不斷提高，借助先進識別技術與方法，不僅可以掌握橋梁結構實際損傷情況，同時也可以發現損傷出現的根本原因，進而提出有效的解決方法，提升橋梁安全性，滿足后期安全使用等要求。

1 橋梁結構損傷的智能識別方法應用現狀

現如今，我國橋梁建設速度不斷提升，新型橋梁不斷涌現，為我國交通運輸行業發展產生了促進作用。但是隨著橋梁數量的不斷在呢個價，受到多種因素的影響，使得橋梁結構損傷問題逐漸顯現。所以從業人員需要掌握智能識別技術與方法，及時掌握橋梁實際健康情況，進而根據存在的問題采取有效的處理措施，確保橋梁結構質量安全。隨著計算機技術、人工智能技術等的不斷發展，使得橋梁智能檢測也進入到了全新的發展階段。借助先進的智能識別方法，不僅可以在線針對結構情況進行準確評估，同時也可以延伸檢測內容，保障結構安全性。在使用智能識別方法時，應發揮技術優勢，完成自動化檢測工作，為后續評估工作開展提供支持。運用先進技術針對橋梁結構損傷情況進行識別，能夠對工程結構信息處理的并行性等產生較好的優勢，同時也具備了較強的非線性映射能力。橋梁結構損傷識別屬于一項多目標非線性優化問題，所以需要利用好人工智能技術，轉變傳統結構損傷識別方法的不足，簡化損傷識別過程，提升識別結果精準性[1]。

2 橋梁結構損傷的智能識別

在研究中發現橋梁結構損傷出現的原因較多，但是不論哪種原因，必然會造成橋梁結構出現安全問題。一是隨著使用時間的不斷延長，逐漸出現損傷現象。部分橋梁因長期受到車輛荷載、環境變化等的影響出現在損傷現象，如果沒有及時采取有效的措施，必然會對結構安全性產生不利影響，出現橋梁安全性降低等現象。如簡支梁橋中因車輛通行量較大，季節溫度變化幅度較大，使得內部混凝土受到影響，逐漸產生裂縫等，進而出現應力重分布等現象，使得其本身安全性不斷下降。二是因偶然性的因素對橋梁結構產生影響，出現損傷。如自然環境、人為因素等使得橋梁結構出現損傷。如在人為因素中涉及到車輛撞擊等，而在自然災害中則因風荷載等因素的影響，使得橋梁結構發生了相應的變化[2]。

3 橋梁結構損傷的智能識別方法運用

3.1 神經網絡下的損傷識別

對于神經網絡來講，主要以模擬人大腦在信息處理方面的過程為主，在結構損傷識別過程中，主要以結構動力參數為主要輸入量，針對網絡輸出量進行研究，將其轉變成為識別結果。一是針對所測量的數據進行整理，及時完成網絡訓練，實現對網絡參數的深入化分析。二是完成數據輸入工作，及時獲取相應的結果。當系統特性無特殊變化時，在輸出方面是一致的。如果存在損傷問題，在輸出方面會顯示出相應的差異。因此在結構損傷識別中需要利用好神經網絡優勢，提升識別準確性。

第一，在RBF神經網絡識別中學習算法包含隱含層單元、輸出層單元學習與優化兩種。在使用中需要完成有限元模型建立工作，提升計算精準性，選擇出適合的樣本，并利用技術優勢完成訓練、測試等。

第二，在BP神經網絡識別中，因其中所涉及到的內容相對較多，所以在使用中需要確定出具體的網絡結構，提升參數選擇合理性，確定出具體的學習樣本規格，完成初始權值選擇等工作，為后續結構損傷檢測工作開展提供支持。

第三，在小波神經網絡識別中，需要主動將小波理論與其他方法融合在一起，做好具體分類工作，如圖1所示：通過對網絡形式等進行研究，找準小波分析與其他方法之間的融合點，針對神經網絡參變量等進行研究，結合現實情況選擇最為適合的參數。在使用階段中還需要掌握先驗知識等，做好神經網絡模型、參數等研究。在研究中發現結構損傷識別工作質量的高低容易受到多種因素的影響，即便在識別過程中使用相同的方法，但是受到不同人員專業能力不同等的影響，在結果方面也是存在差異的。另外在結構損傷識別階段中問題非線性程度不同，所以需要結合現實情況選擇適合的模型，實現對誤差的有效控制。另外小波變換的時頻局部特性、變焦特性等特點，所以將小波變換與神經網絡結合，能夠確保優勢的最大化，并構建出完善的小波神經網絡。在選擇小波基時，需要從原有的選擇范圍出發，在完成網絡學習的同時找出適合的小波基函數。但是也應當要明確的是，雖然與BP網絡結構非線性優化問題等方面具有相似性的特點，然而在學習等過程中可以充分展現小波分析理論優勢，提升網絡設計的精準性。

第四，灰色聚類神經網絡下的損傷識別。一是聚類分析。使用聚類分類時，需要從客觀事物的實際情況出發，提升分類的科學性。因其是數理多元分析中的一部分，涉及到分級與動態聚類兩種。在分級聚類中需要將不同樣本整合在一起，確定出類之間的距離，同時將距離最近的兩類組合在一起，并針對新類與其他類的距離進行計算，將其轉變成為新類，最后利用所提供的分類臨界值完成分類。在動態聚類中需要完成樣本粗略分類工作，隨后根據修改原則完成分類，確保分類的合理性。二是展現灰色聚類神經網絡優勢，滿足算法集成要求。在神經網絡集中中需要發揮有限神經網絡優勢，提升問題分析深入性，同時完成輸出工作。為強化其集成泛化能力，需要不斷提升損傷識別中的預測精度。三是針對桁架進行損傷識別。如果假定桁架結構中有限元模型是準確的，則可以針對實際結構的動力特性進行模擬。四是斜拉橋損傷識別。隨著時間的不斷延長，斜拉橋中關鍵承力構件的斜拉索受到腐蝕等因素的影響，使得橋梁結構安全性不斷降低。如圖2所示：受到荷載等因素的影響，使得在結構損傷程度也在不斷增加，表現為縮短拉索使用壽命、降低結構整體安全性等。只有明確結構出現損傷的根本原因，才能找出影響因素，進而利用智能技術進行模擬，幫助工作人員掌握拉索實際損傷情況，簡化后期計算過程[3]。

圖2 斜拉橋

通過研究可以發現使用小波神經網絡與神經網絡集成技術能夠針對大型橋梁結構損傷情況進行識別，但是對已知樣本數量的要求較多。所以在橋梁結構損傷檢測中，如果橋梁結構較為簡單，即可使用支持向量機等方法進行識別，實現節約成本目標。由于神經網絡集成中所涉及到的神經網絡相對較多，在運用效果方面較為理想，所以在損傷檢測過程中，需要根據實際情況，合理運用智能技術。但是在技術運用中還需要正確認識其優勢與不足，確保運用的針對性，便于工作人員掌握結構實際情況。

3.2 粒子群算法下的損傷識別

現如今橋梁結構構件可靠性研究已經引起了廣泛的關注，在設計中不僅需要提升其可靠性與穩健性，同時也要最大限度節約材料，實現對造價的有效控制。在橋梁結構使用階段中，如果不能準確識別損傷，容易引發安全事故。隨著智能技術的不斷發展，粒子群算法逐漸被運用到結構損傷識別中，并取得了較好的成效。一是算法引入。粒子群算法具有性能好等優勢，但是卻難以直接運用到多目標問題求解等環節中。二是灰色粒子群算法。在結構檢測中引入灰色關聯分析可以有效解決存在的問題，便于工作人員了解空間具體情況。在技術運用中還需要確定出具體的個體與全局極值，進而解決高位多目標等問題。第一，求出多目標優化問題中目標函數最優值。第二，選擇全局極值，將全部例子代入到目標函數中，形成相應的矢量。第三，完成個體極值選取工作，并將單個粒子帶入到目標函數中。與傳統識別方法相比，使用灰色粒子群算法能夠實現對成本的有效控制，達到提升可靠性等要求。因灰色粒子群算法主要是將計算、灰色理論思想等結合，借助灰色關聯度等進行全面分析，進而獲取滿意的解。另外因灰色關聯度可以針對非劣解與理想解的接近程度進行深入分析，可以掌握空間全貌情況，提升實施便捷性，獲取最優結果[4]。

3.3 支持向量機和粒子群算法的損傷識別

在工作中想要提升智能損傷識別效率，可以將支持向量機、粒子群算法等結合，形成完善的損傷識別系統，提升損傷識別精準性。在技術運用中需要針對損傷裂縫指標等進行研究，展現支持向量機優勢，構建出對應的函數表達式，并將所獲取的表達式不同結構階段中的實測頻率差異進行整合，進而形成適合的優化目標，提升損傷識別效率。想要保障識別工作高效開展，還需要完成目標轉移，形成多目標優化問題，發揮技術優勢完成求解。

一是支持向量機的非線性函數擬合。借助非線性關系，在正式使用以前需要針對小樣本學習能力等進行深入研究。通過分析可以發現，支持向量機的數學理論基礎較強，所以在函數擬合過程中并不存在局部極值，與BP神經網絡進行對比可以發現，其抗噪聲能力相對較強，且對于樣本數量的依賴性也是相對較弱的，而所形成的模型在泛化能力方面較強。在BP神經網絡模型中，對數據數量、質量等的依賴性較強，因樣本數量的變化還會產生新的問題。因此在識別過程中需要正確面前潛在影響因素，如成本等。由于輸入樣本量不足，且其中又次存在噪音等問題，因此在識別過程中需要利用好支持向量機，展現其優勢，提升使用效果[5]。

二是建立多目優化模型。橋梁結構損傷識別屬于反分析過程，使用待反演桉樹能夠對不同階段頻率與振型同實測不同階段頻率、振型之間不斷逼近過程，展現出結構的實際情況。所以需要完成誤差分析，獲取反演結果。對于反分析方法來講，根據計算方法能夠將其劃分為解析法、數值法兩種。由于結果損傷識別的復雜性較高，同時也是非線性不斷優化的過程，容易在分析階段中出現問題。如需要面臨大量計算工作，所形成的解在穩定性等煩那個面存在不足等。所以在目標函數優化求解階段中，需要針對所得闡述進行整理，完成有限元計算等，只有形成合理化的函數關系，才能在計算效率方面能夠有效提升。智能優化算法具有簡單、穩健等特點，可以運用到結構模型修正、損傷識別等環節中，具有較好的運用效果。所以在使用知識向量機時，需要建立胡相應的函數表達式，將所產生的差異轉變成為目標，同時將其看作是多目標優化問題進行處理。

三是在識別過程中還需要加強支持向量機、灰色粒子群算法之間的聯系，形成完善的識別過程。第一，針對橋梁結構具體情況進行研究，使用先進技術完成損傷位置模擬工作，獲取具體的指標取值范圍，同時還需要借助正交試驗等方法，確保計算方案內容的完整性。第二，發揮有限元方法優勢，獲取不同階段中的頻率變化情況，完成樣本劃分，做好轉變工作。第三，積極開展樣本學習、測試等工作，保障結果的精準性。第四，針對所收集的信息進行整理，形成對應的多目標優化模型。第五，完成求解工作。

四是深入到結構中，掌握簡支梁損傷情況，提升識別工作的針對性。如對簡支鋼筋混凝土梁進行損傷識別時，需要利用好通用計算機軟件，完成數據信息處理。通過對損傷識別結果進行分析可以發現，在高維目標函數優化問題求解中灰色粒子群算法的使用能夠有效獲取多目標函數最優解。第一，確定出單目標，針對所獲取的結果進行計算，同時應當保障計算過程的科學性，進而獲取準確的結算結果。因約束隨機方向法中的初始點各不相同，所以需要借助人工等方式進行精準分析，但是在分析中所涉及到的環節相對較多，使得其復雜程度較高。第二，完成等價單目標函數模糊線性規劃，但是在規劃過程中，還需要正確面對其中的影響，如容易對函數本身特性產生不利影響，出現解精確度不高等問題。

4 結語

綜上所述，在橋梁結構損傷智能識別中需要主動引入先進技術，展現人工智能算法功能優勢，實現對橋梁結構損傷的精準化識別，構建出完善的識別系統，確保結構損傷識別工作高效開展。在智能識別過程中，還需要根據不同情況選擇不同的識別方法，保障識別結果的準確性，為后續處理工作開展提供支持。