基于BP神经网络的斜拉桥主梁标高预测研究

刘 胜 重

(华南理工大学,广东 广州 510640)



基于BP神经网络的斜拉桥主梁标高预测研究

刘 胜 重

(华南理工大学,广东 广州 510640)

通过建立某斜拉桥仿真模型，分析了主梁线型变化趋势及影响其数值的因素，并利用BP神经网络，建立了一个非线性映射关系，预测了后续节段的前端标高，将预测值与仿真值作了比较，验证了BP神经网络预测大跨度斜拉桥主梁线形的可行性。

BP神经网络，大跨度斜拉桥，标高预测，仿真模型

0 引言

人工神经网络(Artificial Neural Network,即ANN)最早出现于20世纪80年代，它是通过模拟生物神经元工作原理，利用数学方法建立模型，反复的“拟合—反馈—修正—拟合”把输入和输出建立一个非线性的映射关系。我们可以利用这种关系解决很多领域的问题。随着计算机的普及我们可以在计算机中完成这个复杂的运算过程，所以近几年来人工神经网络在模式识别、智能机器人、预测估计、生物、医学、经济等领域广泛运用，解决了许多其他方法难以解决的问题。本文拟通过惠东范和港大桥实例预测其主梁线型变化趋势。

90年代，我国和国外许多学者进一步丰富和发展了神经网络领域。尤其是利用它的非线性系统的控制问题。1975年Albus提出了小脑模型关节控制器(CMAC)，Miller等人以此作为基础，进一步研究非线性动态系统控制问题。1993年Bulsari提出了以乘积Sigmoid函数作为激发函数，得出了神经网络非线性逼近的构造描述。1997年罗忠等人对CMAC的收敛性和hash编码对它的影响作了矩阵分析并且证明。人工神经网络在实际工程领域的运用发展快速。例如华南理工大学韩大建、陈太聪、苏成利用BP神经网络对斜拉桥施工过程中的混凝土的弹性模量识别；同济大学陈德伟、荆国强、黄铮用神经网络的方法评估桥梁在温度作用下的挠度行为等等。

本文以惠东范和港跨海大桥为例，按照设计要求建立Midas/civil模型。通过温度荷载仿真出成桥状态下中跨1号～23号节段的前端标高，由1号～17号节段建立人工神经网络模型，18号～23号作为预测数据。

1 BP神经网络原理

1.1 BP网络模型

BP(Back Propagation)神经网络，1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，由输入层、隐含层和输出层组成，相邻层之间的神经元实现全连接，即输入层与隐含层，隐含层与输出层每一个神经元实现全连接，相同层神经元之间没有连接(见图1)。BP网络是目前工程应用最广泛的一种神经网络模型。

1.2 BP学习算法

BP网络的学习训练过程即为：“数据顺传播”→“误差逆传播”→“更新权值和阈值”的学习拟合过程。这一过程为一个完整的训练，经过N次的训练修正使输入值与输出值之间建立良好的映射关系。

反复执行“误差—修正”“再误差—再修正”的过程，当误差数值在达到要求时或训练次数达到预设值时，训练结束，储存该权值、阈值，供下步仿真使用。

1.3 改进BP算法

训练集的归一化处理。BP网的输入值物理量各不相同，数值相差很大，如果不进行处理，会导致网络权系数的量级相差很大，影响网络的映射精度和自学习的收敛性。如何既做到不影响数据间的信息联系，又能使网络学习的效率和网络收敛的速度得以提高，为此归一化法提供了解决这个问题的方法。一般是将各输入量归一至[0，1]，由于Sigmoid函数具有饱和非线性特性，值域在[0,0.1]和[0.9,1]区域内曲线很平缓，造成网络学习效率低、收敛速度慢。因此将输入向量归一化至(0.1,0.9)区间。

其中，a,b为两个常量，可根据数据验算确定。

2 Midas模型仿真结果与分析

2.1 案例概况

范和港大桥主桥的总体布置为(52.5+99.5+300+99.5+52.5)m，主桥全长604 m。半幅桥横断面布置采用0.5 m(防撞栏)+2.5 m(硬路肩)+2×3.75 m(行车道)+0.5 m(左侧路缘带)+0.25 m(C值)+0.5 m(防撞栏)+3.4/2 m(塔柱宽)=26.9/2 m。主桥采用预应力混凝土双塔单索面斜拉桥，采用塔墩梁固结体系，边跨各设一个辅助墩。其主桥斜拉桥桥型布置见图2，图3。

2.2 仿真分析

L，Nz，Gs，Δs分别为节段前端距离索塔中心距离、节段单元轴向力、对应斜拉索最终拉力、前端标高变量。模型在整体升温25 ℃后中跨主梁各节段参数见表1。

3 桥梁施工过程的标高预测

3.1 输入输出参数的确定

影响桥面标高变化Δs的因素主要有：距索塔的距离L，节段自重G，温度T，索力Gs，节段轴向内力Nz等许多因素。由于因素多且作用复杂，如果选取的输入变量太多会增加网络的复杂程度，且对网络的一些非主导因素进行训练，会造成网络响应差，影响其泛化和适应能力。

由于建模仿真是在同一温度下进行，温度差异相同不作为影响因素。该桥梁主梁中跨节段为标准节段，自重基本相同，也不作为考虑因素。综合考虑后选取距索塔的距离L，索力Gs，节段轴向内力Nz三个因素作为输入量，桥面标高变化Δs作为输出量。即BP网络的输入神经元数为I=3，隐层神经元数H=2×3+1=7,输出层O=1。

3.2 归一化参数

其中，a,b均为常数，a=0.1，b=0.8，表1归一化后结果如表2所示。

以1号～17号节段作为样本梁段，18号，19号作为预测梁段。Δs，Δs′分别为标高变量仿真值、标高变量预测值。预测结果进行反归一化，得到预测与模型仿真对比，见表3，图4。

表2 归一化结果

表3 预测值与仿真值对比结果

虽然相对误差大于10%，但考虑到预测结果是毫米级的，最大的误差也不超过0.3 mm。所以这样的误差是可以接受的，网络训练效果良好。

4 结论与展望

1)神经网络用于预测斜拉桥主梁标高变化走势是可行的，因此其可以被应用于土木工程领域。2)BP神经网络的泛化拟合能力受影响因素、样本数量等多方面的制约，既不能胡子眉毛一把抓，也不能太过于粗糙，需要经过综合分析选取主要影响因子，这样可以简化网络模型，提高运算速度，而不会因为受到贡献较小的众多因子的干扰，影响模型的泛化能力。3)神经网络既然可以很好地应用于桥梁线型预测，那么是否可以用它来预测斜拉桥挂篮浇筑阶段每一个节段的标高变量，更好地提高立模精度，有待验证。

[1] [加拿大]Simon Haykin.Neural Networks [M].Second Edition.叶世伟，史忠植，译.A Comprehensive Foundation,北京：机械工业出版社，2004.

[2] 习会峰.基于神经网络和遗传算法的桥梁标高预测方法研究[D].广州：华南理工大学硕士学位论文，2007.

[3] 韩大建，陈太聪，苏 成.BP神经网络用于斜拉桥施工过程中混凝土弹性模量的识别[J].桥梁建设，2003(8)：23.

[4] 陈德伟，荆国强，黄 铮.用人工神经网络方法评估桥梁在温度作用下的挠度行为[J].结构工程师，2006，22(4)：49.

[5] 刘君辉，宋友成.大跨度桥梁施工过程中参数识别的BP神经网络方法[J].湖南交通科技，2003，29(2)：26.

[6] 张国栋，彭 刚，王 钊，等.BP神经网络在单桩承载力预测中的应用[J].三峡大学学报(自然科学版)，2003，25(1)：96.

Study on the prediction of the main girder of cable stayed bridge based on BP neural network

Liu Shengzhong

(South China University of Technology, Guangzhou 510640, China)

Through establishing the cable-stayed bridge simulation model, the paper analyzes major beam linear changing trend and its numerical influencing factors, establishes a nonlinear mapping relation by applying BP neural network, predicts continuous section elevation, compares the predicted value to simulation value, and finally testifies that: it is feasible to predict large-span cable-stayed bridge beam linear by applying BP neural network.

BP neural network, large-span cable-stayed bridge, elevation prediction, simulation model

1009-6825(2016)34-0160-03

2016-09-26

刘胜重(1987- )，男，在读硕士

U448.27

A