基于RBF神经网络的变电站混凝土立柱抗压强度评定

熊 亮，赵俊锴

（1.国网湖南省电力公司电力科学研究院，长沙 410007；2.中南大学 材料科学与工程学院，长沙 410075）

通常情况下，对混凝土架构的抗压强度（简称混凝土强度）的测试评估常用的检测方法有回弹法、超声法以及超声回弹综合法等［1－3］，其中超声回弹综合法较为普遍。但由于对于混凝土的架构测试，无论是超声法还是回弹法均存在一定的误差，另外诸如外观情况、碳化程度等对测试结果也有明显影响。所以，测试数据处理一般采用经验公式加回归分析的方法。但外观情况、碳化程度等自变量法在公式中无法描述，给强度的综合评定带来影响。而神经网络具有自学习、联想、记忆及模式匹配的能力，能较好地解决输入参数难以定量描述的问题［4－5］。

笔者提出了一种用超声回弹综合法进行测试，并考虑不同外观、碳化深度情况的变电站混凝土立柱抗压强度的评定方法。同时，利用基于RBF神经网络（RBF－NN）方法对超声回弹法的计算结果进行修正和校核。

1 现场检测试验

对某变电站的混凝土立柱进行了外观检查、碳化深度检测和混凝土超声回弹法综合检测。选10个测区进行回弹检测、超声检测，根据规范公式计算出平均回弹值和平均声时值。

1.1 外观检测和碳化情况

由于混凝土立柱服役时间近30a，各混凝土立柱均有不同程度碳化，碳化平均深度在2.7～3.0mm，个别箍筋处碳化深度在10 mm 以上。箍筋混凝土保护层存在脱落现象，且不少钢筋锈蚀严重，截面积减小。个别横梁下翼缘受拉区混凝土剥离脱落严重，已影响正常使用。各测区外观情况分别为：2，7，9，10测区出现浅裂纹，5测区出现深裂纹，其他测区未见裂纹。1～10 测区碳化深度分别为：2.3，4.0，3.0，2.5，2.5，3.0，2.5，3.5，3.2，3.1mm。

1.2 回弹法检测数据

回弹法每个测区测量16个测点，16 个数据去掉3个最大值、3个最小值后，对余下的10个数据进行平均得到平均回弹值。

1.3 超声法检测数据

考虑到超声波对混凝土内部结构几乎没有影响，先对试样进行回弹试验，再对同样的试样进行超声试验。在试样的一对非浇注面各布置3个测点，且发射和接收换能器的轴线在同一轴线上。耦合剂为医用凡士林，测试后清理表面。根据测得的平均声时值计算测区声速v，1～10 测区的声速分别为3 990，3 640，4 290，4 150，3 880，4 030，3 930，4 060，3 720，3 900m·s－1。v按下式计算：

式中：v为测区声速值，m·s－1；L为超声测距，为150mm；tm为测区的平均声时值，μs；t1、t2、t3分别为3个测点的声时值，计算时距离和时间分别转换成m 和s来进行。

2 基于RBF－NN的评估模型

2.1 RBF－NN 基本原理

径向基函数（Radial Basis Function）神经网络（RBF－NN）结构如图1所示，在此只考虑一个输出变量，它很容易扩展到多输出节点的情形。RBF－NN 包括一个输入层、一个隐含层和一个输出层的最简模式［6］。隐含层由一组径向基函数构成，与每个隐含层节点相关的参数向量为ci（即中心）和σi（即宽度）。径向基函数有多种形式，一般取高斯函数。

式中：m为隐含层节点数；为欧几里德范数；X，ci∈Rn；ωi为第i个基函数与输出结点的连接权值（i＝1，2，…，nc）；ω0为调整输出的偏移量。

图1 RBF－NN 结构示意

2.2 RBF－NN 评估模型实现

2.2.1 模型算法

RBF神经网络是一种性能良好的前向网络，具有最佳逼近性能，在结构上具有输出—权值线性关系，训练方法快速易行，不存在局部最优问题。该网络的算法有很多种，笔者将带遗忘因子的梯度下降法进行隐层——输出层连接权值矩阵、隐层中心值矩阵及隐层标准偏差矩阵等参数的调整。

2.2.2 网络规模关键参数

2.1 中n、m为网络规模关键参数。取n＝4，即有X1（外观）、X2（碳化深度）、X3（超声声速）及X4（回弹值）4个输入，其中，X1取离散值（0，1，2）分别表征无裂纹、浅裂纹及深裂纹，X2～X4连续取值。隐含层节点数m＝8。

3 试验结果

取外观、碳化深度、超声声速及回弹值取作为RBF的输入，混凝土的抗压强度作为输出，分别用2中所提出的方法对其网络结构和参数进行优化。在Matlab环境下［7－8］，通过编写程序，完成网络的训练及评估。按式（3）计算的RBF神经网络评估值（Rg）如表1所示。

表1 RBF神经网络评估值评定结果

利用GB／T 50081－2002《普通混凝土力学性能试验方法标准》计算的抗压强度试验值为Re，利用CECS：02 2005《超声回弹综合法检测混凝土强度技术规程》中的回归公式得到的抗压强度计算值为Rz，RBF神经网络评估值Rg、试验值Re及回归公式计算值Rz之间的关系如表2所示。

表2 RBF神经网络评估值、试验值及回归公式计算值结果比较

可见，基于RBF神经网络评估法比超声回弹综合法的回归公式计算得到的结果精度要高，其中Rg／Re的平均值为0.995，标准方差为0.142；Rz／Re的平均值为1.026，标准方差为0.224。

4 结语

在考虑不同外观、碳化深度情况下，建立了基于RBF神经网络的变电站混凝土立柱抗压强度评估模型，分析了基于带遗忘因子的梯度下降法应用于RBF－NN 参数优化的算法，并将其应用于超声回弹综合法评定变电站混凝土立柱抗压强度。将变电站混凝土立柱抗压强度RBF－NN 模型评估结果与传统的回归计算方法进行比较分析，结果表明所提出的RBF－NN 模型评估方法比回归计算结果具有更高的精度。

［1］朱玛.火灾高温后混凝土力学性能研究［D］.长沙：长沙铁道学院，2000.

［2］李昀.基于混凝土构件火灾损伤特性的智能超声测试系统研究［D］.长沙：中南大学，2004.

［3］CHENG C C，YU C P.An investigation of the transfer function of the impact－echo response and its application［C］∥Proc of 15th WCNDT.Roma：［s.n］，2000：517－525.

［4］PAN Zheng－jun，KANG Li－shan，CHEN Ping.Evolutionary Computation［M］.Beijing：Tsinghua University Press，2001.

［5］HE Yu－bing，LI Xin－zhong.Neural Network Control，Technology and Its Application［M］.Beijing：Science Press，2001：28－29.

［6］YIN Guo－fu，LIU Dong，SHEN Xin－wei.Research on control method of bittern density based on fuzzy neural network in salt solution mining［J］.Acta Automatica Sinica，2000，26（4）：519－522.

［7］丛爽.面向MATLAB 工具箱的神经网络理论与应用［M］.安徽：中国科学技术大学出版社，2003.

［8］雷英杰，张善文，李续武.MATLAB遗传算法工具箱及应用［M］.西安：西安电子科技大学出版社，2005.