基于神经网络模型的木结构古建筑实测环境荷载与应变特征关联性分析

郏鸿韬 王炎铭 李 强 毛江鸿 符映红 董亚波

1. 重庆交通大学 土木工程学院 重庆 400074；2. 浙大宁波理工学院 土木建筑工程学院 浙江 宁波 315100；3. 宁波市保国寺古建筑博物馆 浙江 宁波 315033；4. 浙江大学 计算机科学与技术学院 浙江 杭州 310058

相比于现代建筑，木结构建筑易受环境影响，且其可能存在连接松动、虫害、开裂等问题。因此，对木结构进行健康监测显得十分必要。健康监测系统不仅可以在结构服役期间发生严重异常时发出信号，还可以实时监测结构状态，对结构损伤进行预测与评估。国内已有不少学者利用健康监测系统对木结构进行研究，如：杨娜等[1]基于统计过程控制的方法，针对监测过程中异常响应的数据，提出了木结构古建筑的诊断模型；张岩等[2]通过对监测数据的分析，提出人为因素对数据参数精度的影响，并在此基础上预测结构的动力响应，为结构评价提供必要的数据支持。基于此，本文对古建筑进行健康监测，研究古建筑环境荷载与应变特征具有现实意义。

目前，健康监测技术正朝着多样化的方向发展，不同学者将监测得到的数据利用回归分析、神经网络等方法进行处理。其中，神经网络因其处理非线性问题的优势，逐渐成为数据处理分析的主流。李雪松等[3]通过建立卷积神经网络，提出了结构特征损伤识别法，解决了结构健康监测问题；宋志强等[4]基于改进后的BP神经网络，提出了结构振动响应模型，并使预测精度和收敛速度等性能更具优势；邓扬等[5]建立了等效应力范围的概率模型，并通过处理桥梁的模态频率与环境条件监测数据，提出了悬索桥结构损伤预警方法；赵久彬等[6]提出基于BP神经网络的滑坡预测方法，实现了空间内滑坡危险级别预测；田明杰等[7]基于BP神经网络，分析了隧道的受力机理及其在施工条件下的稳定性。上述研究表明，神经网络在土木建筑领域已得到初步应用，然而针对古建筑的研究相对缺乏。

综上所述，本文以宁波市古建筑保国寺为例，建立了基于光纤光栅传感技术的结构健康监测系统，针对环境荷载与应变关联性问题进行了研究，并得到了大殿各主要木构件的环境温度和环境风速影响系数。

1 大殿结构健康监测系统

1.1 微气候测点布设

本文选取型号为WEMS400-HT的无线环境温湿度传感器，沿大殿不同高度布设，具体布置如图1、图2所示。

图1 温湿度测点立面示意

图2 温湿度测点俯视示意

由图可知，其安装位置主要分布于柱层、下额层、藻井层、中额层及上额层，并分别在相同高度上选取2～4个点位安装传感器。此外，为采集大殿周围环境风场信息，在大殿西北及东南位置均安装有超声波风速风向传感器，相对位置如图3所示。综上所述，该微气候系统共布设了18个温湿度传感器及2个风速风向传感器。

图3 风速风向传感器布置示意

1.2 结构响应测点布设

本文采用玻璃纤维增强塑料（glass fiber reinforced plastic，GFRP）系列光纤光栅应变传感器，分别在核心主架和后进构架位置进行布设，共计安装GFRP应变传感器10个，测点布置及实际设备的安装分别如图4、图5所示。

图4 结构应变测点设置示意

图5 E1测点传感器安装实物

2 木结构古建筑健康监测数据处理方法

为实时分析了解古建筑结构的状态信息，将健康监测得到的数据进行分析，其主要技术路线如图6所示，通过神经网络和回归分析的方法来研究相关结构的受影响程度。

图6 技术路线

2.1 神经网络在多维监测数据处理中的应用

人工神经网络广泛应用于大型桥梁、结构健康监测数据的分析当中，本文利用相关软件建立了神经网络模型，其基本原理如图7所示。当模型有输入信号时，隐藏层随即做出相应的反应，将信号进行加权传递，在经过如图所示的2层隐藏层后可到达输出层，在数据误差及收敛分析满足要求后，可得到一组预测数据。

图7 神经网络原理

值得注意的是，在隐藏层处理数据时难免存在误差，为尽可能减小其偏差，常利用梯度下降法来降低误差带来的影响，其计算公式如式（1）所示：

综上所述，神经网络因其结构特点，在多维数据处理方面的应用愈加广泛。此外，神经网络模型可根据相应情况，不断调整其内部的权重比值，使模型误差趋向最小，从而得到更为精确的预测结果。

2.2 回归分析在健康监测数据处理中的应用

针对环境荷载对不同木构件的影响程度的问题，本文基于一元线性回归对监测得到的温度和风速数据进行分析，其处理流程如图8所示。该流程主要可分为3步：第1步，将补偿后得到的实际数据Z进行线性回归，得到温度和应变的关系，并得出相关系数R1和斜率a；第2步，在实际数据Z中剔除温度相关的数据后，采用回归分析，得出其与风速间的相关系数R2和斜率b；第3步，根据温度和应变、风速和应变关系得到新应变zn，通过分析不同系数得到荷载对不同构件的影响程度。

图8 回归分析处理流程

3 长期监测数据基本特征分析

3.1 微气候监测数据基本特征

根据相关资料[8]，环境温湿度变化会对结构本身带来一定的影响。如图9所示，本文首先选取了大殿4月1日、7月1日、10月1日和1月1日部分温湿度传感器（SE1、ZE1、ZJ1、XE1、Z1）监测得到的温度数据。由图可知，大殿内部温度变化趋势基本相同。值得注意的是，不同测点位置的温度数据之间存在一定差异，这种现象在7月1日时更加明显，而当时正值夏季。

图9 一年四季部分测点日温度时程曲线

为了更加直观地了解大殿温湿度场的分布情况，随后选取了7月1日至30日的监测数据进行整体分析，结果如图10所示。由图可知，其温湿度分布规律在水平方向上均匀，而在竖直方向上不均匀。其结果具体表现为：随着传感器位置的升高，温度数值随之增加，湿度数值则随之减小。分析其主要原因是大殿结构在垂直方向上有较大差异，且其具有较大的空间高度。此外，相比空间密闭的近屋顶，大殿近地面空间设有门窗，空气流动性更强，受太阳辐射影响会更小。

图10 大殿温湿度空间分布情况

3.2 环境荷载和应变数据关联性分析

由于环境温度会对光纤光栅传感器监测数据产生干扰，在分析数据前需进行温度补偿。由理论分析可知，保国寺大殿结构应变监测数据可表示为如式（2）所示：

其中，ε为木构件总应变，εTE为木材温度应变，εW为木材风荷载应变，εTS为传感器温度应变。

图11、图12分别为温度补偿后E1测点传感器温度应变及风速时程曲线。结合两图图像可知，木结构构件应变与温度关联性较大，而与风速关联性较小。值得注意的是，7月8日至15日环境温度出现骤降，此时应变数据也随之下降，说明应变与温度之间存在正相关。这表明，温度变化是引起木构件应变变化的主要因素。

图11 E1测点构件应变和环境温度时程曲线

图12 风速时程曲线

此外，为研究大殿各主要构件的应变变化规律，筛选出受弯梁、拉结梁及柱部位的传感器数据，结果如图13所示。由图可知，大殿各构件应变变化趋势基本一致，但其数值有较大差异。其中，受弯梁构件的应变变化程度明显大于拉结梁以及柱构件的应变变化程度。这表明，大殿中受弯梁构件受温度变化影响最大。

图13 各主要测点应变监测时程曲线

4 环境荷载与应变特征关联性分析

为提高数据分析的准确性，本文对温湿度、风速等数据进行零值标准化（Z-Score）处理，将监测数据进行转换。由式（2）可知，大殿木构件的应变由温度、风荷载构成。因此，本文选取2018年7月21日至26日E1传感器数据进行分析，并采用神经网络算法对这几者的关系进行研究。其中，神经网络算法采用式（1）中的梯度下降法，并设置训练集数量为6 000，测试集数量为2 000。

神经网络模型训练结果如图14、图15所示，其分别表示训练数据、测试数据的分析结果。图中x轴代表温度改变幅度，y轴代表风速改变幅度，红色、蓝色分别表示正相关、负相关。由图可知，数据主要呈“品”字形分布。值得注意的是，中间数据颜色相比于两侧及上部区域颜色较浅，其颜色越浅，代表应变值越小。这表明，当温度改变幅度较大时，构件应变也较大；而当温度改变幅度较小，且风速大于3 m/s时，构件应变主要受风荷载影响。

图14 训练集数据

图15 测试集数据

为验证数据分析的精确程度，对神经网络模型进行收敛及误差分析，结果分别如图16、图17所示。由图可知，随着迭代次数的增加，训练集数据和测试集数据的均方根误差（RMSE）均有减小，且均有收敛趋势。此外，从图17中可以看出原始数据与预测数据曲线趋势基本一致，虽然预测应变值相比于原始应变值偏大，但整体来说两者偏差较小，拟合程度较好。这表明该分析方法可行，满足本文数据分析需求。

图16 模型收敛分析

图17 预测结果对比

5 环境荷载与应变相关系数研究

为了探究不同木构件对环境荷载的响应程度，采用回归分析对监测数据进行处理。为了便于比较和分析，将各构件的环境荷载影响因子列出，如表1所示。其中测点编号E1、W1、N1、NW1、NW2和NW3为主梁受弯构件；测点编号E2、W2为主梁拉结构件；测点编号E3、W3为柱构件。由表可知，相比于风速相关系数，各构件温度相关系数均较高。风速相关系数方面，主梁受弯构件数值明显较大，主梁拉结构件数值最小，柱构件数值介于两者之间。

表1 各构件影响因子汇总

综上所述，环境温度是引起各主要构件应变变化的主要原因，而在外界荷载作用下，受弯梁及柱构件是其主要的传递对象。

图18（a）为E1测点应变监测和环境温度数据比对结果，可知在环境温度作用下木构件应变变化明显，影响系数Kt＝12.888 9。这表明当环境温度变化1 ℃，构件应变将变化12.888 9με；图18（b）为不考虑温度影响下构件应变和风荷载对比结果。其总体相关系数γw＝0.555 4，影响系数Kt＝3.294 7。结果表明，不考虑温度影响的应变数据仍与风荷载存在相关性。主要体现在当风荷载较小时，应变变化水平较低；风荷载较大时，应变变化水平较高。

图18 E1测点数据分析结果

同理可得E2、E3测点应变数据和温度、风荷载数据对比图，结果如图19、图20所示。由图19可知，构件应变与温度间的相关系数γw＝0.978 8，影响系数Kt＝12.278 1；而不考虑温度应变影响后，木构件的应变无明显波动，其与风荷载间的相关系数γw仅为0.198 3。这表明，测点编号E2构件对环境风速的响应不敏感，相关性低。由图20可知，构件应变与环境温度之间的变化规律与E1、E2测点相似，而不考虑温度应变影响后其相关系数及影响系数分别为γw＝0.351 2，Kt＝1.523 1，介于上述两者之间。这表明E3构件对环境风荷载的敏感程度比E1构件小，但比E2构件高。

图19 E2测点数据分析结果

图20 E3测点数据分析结果

6 结语

1）环境温度变化是古建筑各主要构件应变变化的主要原因，大殿中受弯梁构件受温度变化影响最大。

2）当风速小于3 m/s时对应变的贡献率小，风速大于3 m/s时对应变的贡献率大。

3）外界环境荷载主要在受弯梁和柱类构件上传递。

4）基于梯度下降的人工神经网络模型经学习后，可得到较好的预测结果，可用于木结构监测数据的分析研究。