神经网络在结构损伤识别中的应用研究

常 虹 张 冰

(1:吉林建筑大学测绘与勘查工程学院,长春 130118; 2:吉林建筑大学城建学院,长春 130111)

0 引言

目前,建筑物都朝着高层化、复杂化的方向发展,而这些建筑物在其服役的期限内,势必要受到来自周围环境及自然灾害所带来的各种损伤,如地震、风灾、水灾及材料的自然腐蚀老化等,导致其结构构件受到不同程度的损伤.及时发现损伤及确定损伤的程度对于国民经济和人们的生活安全具有重要的意义.目前,结构的损伤检测有多种方法,但多数都是基于试验研究方法,通过测定结构物的位移或者加速度等指标进行判断,甚至有些时候会对结构物造成一定程度的损伤.人工神经网络是20世纪90年代发展起来的一门新兴交叉学科,它是模拟人的大脑而建立起来的一种非线性的动力学网络结构,是由若干个简单的神经元按照一定的方式连接而成的复杂网络系统,其工作原理类似于黑匣子.该系统能自动根据所输入的样本空间的特点,经过多次的迭代运算,自动找到输入和输出之间对应的非线性规律,并建立一个能够准确反映输入和输出数据之间内在规律的数学模型,从而准确对所预测的目标进行判断和评估.目前,人工神经网络在工程上被广泛应用于结构的损伤检测领域[1-5].

人工神经网络系统有很多种,其中,BP神经网络(Back-Propagation Network,简称BP网络)是一种应用最广泛的一种神经网络,它不仅是前馈型网络的核心,同时也是其他类型神经网络发展的基础,该算法采用非线性规划中的最速下降法,按照误差函数的负梯度方向修改权值,一次容易出现收敛速度慢甚至出现局部极小等弊病.为了改进该算法,本文采用阻尼最小乘法,即L-M算法,该算法是在高斯牛顿法和最速下降法之间进行调整.典型的BP网络是一个三层的网络,包括输入层、隐含层和输出层,同层的各单元之间无连接,但各层的单元之间实行全连接.

1 Benchmark结构模型

本文针对美国土木工程师协会结构健康监测任务组建立的Benchmark模型的损伤程度进行研究,该模型是一个四层钢框架结构,纵横各两跨,每跨1.25 m,层高0.9 m(见图1).该模型单元数共116个,单元编号见图2.

图1 Benchmark结构实验模型

图2 Benchmark结构有限元单元编号

2 BP神经网络的建立

2.1 特征参数的选取

在建立样本之前,必须确定模式特征参数.网络特征参数的选取正确与否不仅影响网络的训练时间,同时也将影响到网络的泛化、推理和判断能力,因此要根据实际情况选择合理的网络特征参数.当结构受到损伤后,结构的固有频率就会发生变化,所以特征参数的选取应围绕固有频率展开,经过对比分析,结构的损伤其固有频率的变化不明显,因此本文选取固有频率平方变化比作为网络的特征参数[6].

X=[NFSR1,NFSR2,…,NFSRm]T

其中:

(1)

式中,fui,fdi分别为结构发生损伤前、后的第i阶固有频率.

2.2 训练样本空间的建立

该模型的加载采用模拟环境风荷载激励,样本空间采用单一杆件发生不同程度的损伤,损伤程度以单一杆件刚度的损伤程度评价,本例选取损伤分别发生在单元2 324,52,53,81,82,110,111,损伤的程度分别为15 %,35 %,48 %,59 %,75 %,88 %,100 %,建立共计56个学习样本,并全部参与样本空间的训练,输出层即为结构刚度的损伤程度(%).

2.3 各层节点数的确定

根据所建立56个训练样本,进一步确定各层所需要的节点数.由于所建立的是一个三层的BP网络,因此需要逐一确定输入等、隐含层及输出层的节点数.通常输入层的节点数与结构的自由度相关,本例采用12个自由度,因此输入层的节点数(即神经元的数量)确定为12;隐含层的数量确定需要考虑,因为隐含层的数量多少直接影响模型的运行速度及对结果的判断能力等.通常隐含层节点数越多,模型的收敛速度会更快,但当隐含层的节点数达到一定程度时,收敛速度基本保持稳定,不再随隐含层节点数的增多而加快,因此合理确定隐含层节点数对于网络的运行能力至关重要.HechtNielsen于1987年提出隐含层神经元数量为输入层节点数的两倍加一,因此本例的隐含层节点数结合试算方法,以误差最小为标准,确定取25;输出层即为单一杆件的损伤程度(%),输出层的神经元数取1,因此本文所建立的BP网络结构为12×25×1.

图3 BP网络损伤程度识别训练过程误差

2.4 模型训练误差及网络参数的确定

根据所建立的12×25×1BP神经网络模型,采用L-M优化算法,误差函数采用均方误差按照BP网络的算法对已建立的模型进行训练,目标误差函数采用均方误差函数MSE, 训练目标误差取0.000 4,最大训练步数选5 000步,隐含层节点作用函数选择对称型S型的对数函数logsig,输出层节点选择purelin传递函数.对所建立的BP神经网络进行训练,直至误差满足要求,网络mse精度达到了0.000 396(见图3).

3 损伤程度的预测

通过对已经建立的BP神经网络模型进行训练和仿真(见表1),可以得出利用所建立的BP神经网络预测结构的损伤程度是可行的,而且精度比较高.

表1 BP神经网络预测结构损伤程度结果 (%)

4 结语

BP神经网络因其自身具有存储损伤信息的能力,同时该网络又具有较强的抗噪能力和分辨能力,选择与结构损伤相关的参数作为特征参数,建立网络训练样本空间并进行训练,可以对结构的损伤程度做出正确的预测和判断.

参 考 文 献

[1] 姜绍飞,钟善桐.神经网络在结构工程中的应用[J].哈尔滨建筑大学学报,1998(6):129-133.

[2] 戴兴华.基于小波神经网络的振动结构损伤诊断[D].福建:福州大学,2006.

[3] 阙金声.三峡工程涪陵区水库塌岸非线性预测研究[D].长春:吉林大学,2007.

[4] 闵志华.基于小波分析和神经网络的结构损伤识别研究[D].武汉:武汉理工大学,2006.

[5] 刁延松.基于神经网络和小波分析的海洋平台结构损伤检测研究[D].青岛:中国海洋大学,2006.

[6] 罗跃纲,彭永恒,文邦椿.工程结构损伤的集成神经网络识别研究[J].振动与冲击,2006,25(1):15-17.