基于Elman神经网络的钢结构变形监测方法

李纪果

（中建二局第一建筑工程有限公司）

1 引言

钢结构在安装过程中，主要以对接安装的方式完成，对接点通常以焊接方式为主，因此，该点也是钢结构的受力点，容易发生变形，影响建筑的整体变形情况[1]。为保证钢结构的使用状态，需对其变形情况实时监测。依据钢结构的变形监测结果，便于及时采取处理措施，保证建筑物的安全，避免发生建筑安全事故。Elman神经网络作为一种典型的局部回归网络，具备局部记忆单元，在目标识别、监测等方面具备良好的应用效果。

为保证监测结果的精准性，本文提出基于El‐man神经网络的监测方法。

2 钢结构变形监测

2.1 钢结构变形数据采集

三维扫描激光能够实现大范围、密集性的数据获取，因此，本文结合钢结构的安装情况[2]，将其用于钢结构的施工点云数据的采集。

三维激光扫描主要包含三维激光扫描仪、摄像机、数据处理等部分组成，扫描仪是其核心部分，用于获取钢结构的施工点云数据。基于三维激光扫描的钢结构施工点云数据采集流程如图1所示。

2.2 钢结构的施工数据特征线提取

2.2.1 点云数据平面检测

三维点云激光具备较高的扫描精度，但是其扫描获取的点云数据无法直接作为钢结构变形监测使用数据，很难获取端口角点坐标，因此数据的精度不满足监测使用需求。因此，需对采集的点云数据实行处理。

由于钢结构的端口由平面组成，因此将三维激光扫描仪获取的钢结构的施工点云数据集，实行模型化计算，将监测目标的特征点采用平面的交点表示；并且，采集的点云数据中存在的均为直线特征，因此，为保证特征提取的可靠性，保证监测效果，利用加权总体最小二乘算法，完成点云数据中组成钢结构建筑各个平面的检测，在此基础上，获取平面中的直线特征。

设平面方程为：

式中：a、b、c均为待定系数；x、y表示方向。

采集的钢结构的施工点云数据集用A={(x1,y1,z1),(x2,y2,z2)…(xi,yi,zi)}表示，其在x、y、z三个方向上均存在误差。则对公式（1）实行修正后得出：

式中：x、y、z三个方向上修正后的数据为vxi、vyi、vzi。

对公式（2）实行整理后得出：

式中：A、L分别表示系数矩阵和平面方程矩阵，两者对应的误差用EA、EL表示。

参数的整体最小二乘估计值公式为：

式中：σ3表示增广矩阵■■AL■■的最小特征值；T表示迭代次数；I表示线特征向量。

基于上述步骤即可获取XTLS的估计结果，即获取L矩阵结果，完成点云数据的平面检测。

2.2.2 特征线提取

检测点云数据中组成钢结构建筑的各个平面后，计算出L对应的拟合点{}，并将其投影至L上，确定投影区域边界点，并将其作为特征线的候选点。

如果获取的全部候选点集合用Q={qj}表示，在该集合中获取钢结构建筑数据特征特征线，其步骤如下：

输出：钢结构建筑数据特征特征线。

①随机获取Q={qj}中的两个候选点，用表示。

③设定阈值ζ，dj表示距离，属于其余点qj和Im之间，计算d j值，并获取计算结果中小于ζ的数量，将其作为Im的分数SIm。

④重复上述三个步骤，获取得分最高的直线Im∗，重复次数为M，其计算公式为：

式中：除Im∗以外所有点的占据比例估计值用η表示；重复M次后，最优直线被选中的概率用Ψ表示。

⑤完成最高直线Im∗的记录，同时将记录至SIm中的点，从Q={qj}中删除。

⑥反复执行上述5个步骤，当剩余的点中无法再获取得分小于阈值的直线时，停止算法迭代，输出钢结构建筑数据特征特征线Im∗的提取结果。

2.3 基于Elman神经网络的钢结构变形监测

将获取的Im∗作为网络的输入，经由输入层输入，经过承接层的连接记忆以及隐含层的迭代学习后，通过输出层的加权处理，输出监测结果。隐含层在迭代学习过程中，需确定隐含层的激励函数，文中选用Signmoid函数[3]。

设网络的输入向量为Im∗，m、n均表示向量维度，网络各层之间的连接权值用w1、w2、w3表示，则网络的计算公式为：

式中：输出节点向量用y表示；隐含层节点单元向量用x表示；xc表示反馈状态向量；g和f()均表示传递函数，均属于神经元，前者对应输出层，后者对应隐含层。

由于隐含层存在反馈连接，因此，网络的最终输出结果会受到初始输入的影响，该影响由节点间的连接矩阵决定。则设网络的第k次输出结果为yd(k)，则误差函数计算公式为：

采用梯度下降法完成Elman神经网络的学习[4]，其公式为：

式中：η1、η2、η3均表示连接权重，分别对应w1、

3 实验结果分析

以某地区的钢结构建筑为测试对象，采用本文方法对其实行监测，利用三维激光扫描获取实验对象1个月内的施工数据。得到在不同的目标值下，随着神经元数量的逐渐增加，输出结果与期望结果之间的拟合程度，结果如图2所示。

图2 输出结果与期望结果之间的拟合程度

对图2的测试结果实行分析后得出：在不同的目标值下，随着神经元数量的逐渐增加，本文方法的输出结果与期望结果之间的拟合程度较高，没有发生明显偏离。因此，优化后本文方法具备更佳的监测性能。

为衡量本文方法对于钢结构变形监测效果，随机抽取采集的100个数据点实行测试分析，获取监测结果，如表1所示。由于篇幅有限，结果仅随机抽取15个数据点的结果进行呈现。

对表1的测试结果实行分析后得出：随机抽取的15个数据点中，发生变形的有4处，其发生变形的最大值为0.52cm，与实际变形结果一致。并且，监测误差低于0.01cm，因此，本文方法在钢结构变形监测中具备良好效果，能够可靠完成变形监测，保证建筑的稳定性。

表1 钢结构变形监测结果

4 结语

钢结构在施工过程中如果发生变形，将导致建筑物整体发生变形，影响建筑的安全使用和使用寿命。因此，为保证钢结构的施工精度、保证建筑的使用安全，本文提出基于Elman神经网络的钢结构变形监测方法。经测试：本文方法具有良好的应用性能，优化后监测结果的可靠程度更佳，并且变形监测结果的相对误差极小，满足钢结构变形监测需求。