长输管道悬索跨越结构损伤的试验模拟与识别

王金国，丁 阳

(天津大学建筑工程学院，天津 300072)

在长输管道工程中，管道通常需要跨越铁路、公路、河流和山谷等障碍物，悬索桥是目前采用较多的跨越形式之一．国外已建成的长输管道悬索桥[1]有美国密苏里河跨越(主跨 824,m)和前苏联第聂伯河跨越(主跨 720,m)等．国内已建成的长输管道悬索桥有：魏荆输油管道汉江跨越(主跨 500,m)、陕京输气管道黄河跨越(主跨 270,m)、马惠宁输油管道折腰沟跨越(主跨 280,m)、东营临邑输油管道徒骇河跨越(主跨 220,m)以及涩宁兰输气管道黄河跨越(主跨310,m)等．悬索桥相对于地面管道而言更易发生损伤，且大多处于荒无人烟的地带，日常的维修、检测如果以人工视察和无损检测为主，不易发现其安全隐患，且费用较高．若在结构的关键部位安装一定数量的传感器，在线监测结构的特征参数，然后利用模式识别技术，判断结构的损伤模式和损伤程度，进而为结构的维修加固提供依据．

实际工程中管道悬索桥最可能发生的损伤破坏是构件连接失效，如在长期荷载作用下钢索因紧固件松动而发生滑移，或因地基变形、基础混凝土移动而造成结构体系受力状态的变化等．为此把管道悬索桥的损伤归结为 3种：塔架地脚螺栓松动、吊架失效和斜拉索失效．

笔者在咸阳至宝鸡天然气输气管道工程的渭惠渠悬索跨越结构的基础上，制作了缩尺比例为 1∶8的悬索桥模型结构．在模型试验中分别采取下面方法模拟3种损伤状态：人为地松动一塔架与基础的锚固螺栓；将模型中的一个硬吊架人为去除；去除一根斜拉索．对悬索桥模型结构进行了完好状态和 3种基本损伤模式状态下的输入白噪声和地震波的振动试验研究，得到了多组长输管道悬索桥模型结构在完好状态和不同损伤状态下的频率参数；且采用目前广泛应用的神经网络 BP网络实现了对长输管道悬索桥完好状态和3种主要损伤模式的识别．

1 模型试验

1.1 模型设计

试验模型的原型取之于咸阳至宝鸡天然气输气管道工程的渭惠渠悬索跨越结构，该结构支承体系由河流两岸的塔架、塔架间架设的两道平行主索、塔架的斜拉索和连接于主索的吊架组成．塔架由Φ219×6的钢管制作，塔高7,m，两塔之间跨越的距离为54,m，塔架与地面锚固，并设置斜拉钢索(37Φ3.5)拉紧．主索(37Φ,3.2)连接9组吊架以支撑管道，两端的吊架为由型钢制作的硬吊架，中间的吊架为软吊架，由钢缆(7Φ,3.0)和型钢横梁组成．输气管道规格为Φ,426×7，架设中形成倒拱．此悬索跨越结构总质量近70,kN．

由于试验条件所限，确定悬索跨越结构试验模型的缩尺比例为 1∶8．模型总长约 9,m，高 1.4,m，每根主索长6.78,m，每根斜拉索长1.25,m，管道跨中起拱矢高为25,mm．试验模型和照片分别如图1和图2所示．

图1 试验模型示意Fig.1 Schematic diagram of test model

图2 试验模型照片Fig.2 Photo of test model

试验模型中，河流两岸地面由与振动台固定连接的混凝土板模拟；管道和塔架分别采用Φ,50×1.2和Φ,25×0.8的不锈钢管制作；主索、斜拉索和软吊架钢索分别采用 1Φ,2.1、1Φ,2.4和 1Φ,1.5钢绞线制作；其余构件均依原型按比例缩小后由钢材制成．管道经弯头折入地面，端部采用环氧树脂砂浆与混凝土板粘接．为调节钢索的索力，主索和斜拉索中分别接入花篮螺丝．试验模型各构件的相关参数列于表1．

表1 试验模型构件一览表Tab.1 Schedule of test model components

试验在中国地震局工程力学研究所完成．

模型中还使用钢索卡具 56个、灌注钢管的铁砂75.9,kg(人工质量)、拉力计2个．

1.2 模型试验

对完好状态和 3种损伤状态下的试验模型分别进行了1次白噪声试验和7次El-Centro地震波输入下的振动台试验，得到管道悬索桥试验模型在不同地 震加速度下自振频率值共32组，试验结果列于表2．

表2 试验结果Tab.2 Consequences of test

从表2中可见，对于同一水平地震动加速度峰值如加速度峰值为 0.17,g时，当结构损伤破坏后，与完好状态相比，水平横向自振频率提高了，但是竖向自振频率却降低了．

2 长输管道悬索跨越结构损伤模式的识别

神经网络方法是一种非常有效的模式识别技术．Amaravadi[2]、Dang[3]、Martin[4]等学者在利用神经网络方法进行健康监测方面做了大量的研究工作．香港汲水门大桥[5]、香港青马大桥[6]等工程的健康监测系统中也应用了神经网络方法．笔者通过使用管道悬索跨越结构模型试验得到的数据，在 MATLAB程序中将BP网络用于结构的损伤模式识别．

2.1 损伤模式的确定和特征参数的选取

运用神经网络进行结构损伤模式识别时，经常选用的神经网络参数为振动响应信号、位移、应变[7]、速度[8]、频率、频率变化比[9]、模态、模态应变能变化比[10]等．根据数理统计分析，对于管道悬索桥的损伤模式识别，在完好状态和3种损伤状态之间水平横向一阶频率 fh1、二阶频率 fh2和竖向一阶频率 fv1、二阶频率fv2中总有一阶或几阶频率存在显著差异．因此，选取 fh1、fh2、fv1、fv2、fh1/fh2、fv1/fv2以及水平输入地震波加速度平均峰值 amax共 7个特征参数作为网络的输入参数．

2.2 网络学习样本扩展与数据前处理

选取表 2前 24组作为网络的学习样本，选用后8组用来验证网络的有效性．

为了减小噪声对网络输出的干扰以及加强网络的学习记忆，需要对学习样本进行扩展．扩展方法是把表2中的每个数据按正态分布进行扩展，正态分布的均值是这个数据本身，方差为 0.005，扩展倍数为表中的两个不同水平．这样在已有的数据基础上形成了多组样本来作为网络输入向量．试运算发现样本扩展倍数为 50时网络的学习更为稳定，共有 1,200个样本．

为了解决输入参数的自相关问题，对学习样本进行了主成分分析，分析发现 fh1、fh2、fh1/fh2具有线性相关性，这 3个参数中有一个被删除；同样 fv1、fv2、fv1/fv2也具有线性相关性，这 3个参数中也有一个被删除，这样网络输入参数只有4个．

2.3 网络学习目标输出向量的构造

以目标向量[1 0 0 0]代表完好状态，[0 1 0 0]代表塔架地脚螺栓松动状态，[0 0 1 0]代表硬吊架失效状态，[0 0 0 1]代表斜拉索失效状态．按照网络输入中每个样本所对应的损伤形式，选用上面4个向量中的每一个向量，作为这个样本的学习目标，从而形成多个输入/目标对来指导网络学习．

2.4 网络训练

利用 MATLAB神经网络工具箱构建 BP网络体，经过160次试运算，确定网络层数为3层，输入层有 5个神经元，传递函数为双曲正切函数 tansig，隐含层有 10个神经元，传递函数为双曲正切函数tansig，输出层有 4个神经元，传递函数为 S形函数logsig，网络训练方法为弹性反向传播函数 trianrp[11]，训练的目标误差为1×10-8．

BP算法默认的性能指数是均方误差，其表达式[11]为

式中：t为目标输出；a为网络实际输出；e代表两者之间的误差；E表示期望．

网络结构确定后，利用输入/目标训练网络．经过226次迭代，网络训练完成，其均方误差为7.45×10-8，收敛曲线如图3所示比较平滑，没有明显的平台和振荡现象．

图3 均方误差的收敛曲线Fig.3 Convergence curve of mean square error

2.5 网络的有效性

网络训练好后，并不能知道网络的有效性如何，需要用不同于输入样本且已知实际损伤模式的新输入来验证网络的有效性，以及考察网络的推广能力．选用表2中的后8组来验证网络的有效性．网络对于这8组数据的反应见表3．

表3 网络的验证结果Tab.3 Verified consequences of network

从网络输出中可以看出，经过训练后的网络可以根据未学习过的频率和水平地震峰值非常准确地识别出所对应的结构状态．说明所建立的BP网络能够在使用少量的学习数据情况下，就能很准确地识别管道悬索桥的损伤模式．

3 结 论

(1)BP网络能够很好地识别结构的地脚螺栓松动、吊架失效、斜拉索失效3种不同的损伤模式，说明利用管道悬索桥在不同地震动输入下的低阶频率能够进行结构的健康诊断．

(2)目前尚没有有效的理论来指导 BP网络参数的选取，只能通过大量的运算比较，确定结构参数，从而构建了一个利用模型试验数据进行损伤模式识别的具有优越性能的BP网络结构．对以后类似网络的建立具有很好的参考价值．

(3)在使用 BP网络处理损伤模式识别问题时，采用弹性反向传播函数作为快速训练函数会有良好的表现．

［1］李德寅．悬索管道桥梁：兼论第聂伯河上 720 m管道桥[J]．国外桥梁，1995(4)：241-255.

Li Deyin. Cable-suspension bridge of pipelines with 720 m in Dnieper[J].Foreign Bridges，1995(4)：241-255 (in Chinese).

［2］Amaravadi V K，Mitchell K，Rao V S，et al.Structural integrity monitoring of composite patch repairs using wavelet analysis and neural network[C]// Smart Structures and Materials2002:Smart Structures and Integrated Systems.San Diego，USA, 2002，4701：156-166.

［3］Dang N H，Rao V. Embedded Systems for the Assessment of Structural Damages[R]. San Diego：NDE for Health Monitoring and Diagnostics，2002.

［4］Martin W N，Ghoshal A Jr，Sundaresan M J，et al.Artificial nerve system for structural monitoring[C]//Smart Nondestructive Evaluation for Health Monitoring of Structural and Biological Systems.San Diego，USA，2002：49-62.

［5］高赞明，孙宗光，倪一清. 基于振动方法的汲水门大桥损伤检测研究[J]. 地震工程与工程震动，2001，21(4)：117-123.

Ko J M，Sun Z G，Ni Y Q. Simulation of damage identification using vibration-based method for Kap Shui Mun Bridge[J].Earthquake Engineering and Engineering Vibration，2001，21(4)：117-123(in Chinese).

［6］Flint A R，Mcfadyen A N，Lau C K，et al. Wind and structure health monitoring system (WASHMS)for Lantau fixed crossing，part 2 performance requirements for the bridge instrumentation system[C]//Bridge into 21st Century. Hong Kong，1995：225-232.

［7］Guemes J A，Frovel M，Rodriguez-Lence F，et al.Embedded fiber brag grating as local damage sensors for composite materials[C]//Smart Structure and Materials: Smart Sensor Technology and Measurement Systems.San Diego，USA，2002：118-128.

［8］Adams R D，Cawley P，Pye C J，et al. A vibration technique for non-destructively assessing the integrity of structure[J].Journal of Mechanics Engineering Science，1978，20(2)：93-100.

［9］Abé Masato. Structural monitoring of civil structures using vibration measurement current practice and future[G]// LNCI：Artificial Intelligence in Structural Engineering. Heidelberg: Springer Berlin，1998，1454：1-18.

［10］Amizic B，Amaravadi V，Rao V S，et al. Two dimensional wavelet mapping techniques for damage detection in structural systems[C]//Smart Structures and Material：Modeling，Signal Processing，and Controls.San Diego，USA，2002：267-278.

［11］Riedmiller M，Braun H. A direct adaptive method for faster back propagation learning: The RPROP algorithm[C]//Proceedings of the IEEE International Conference on Neural Networks.San Francisco,USA，1993：586-591.