桥梁结构损伤的智能识别方法的应用

马文划

广东交科检测有限公司 广东 广州 510550

现如今科学技术的快速发展，使得桥梁结构损伤识别工作得到了快速的发展，随之产生了大量理论分析研究与应用成果。因桥梁复杂程度明显提升，桥梁结构损伤智能识别的地位也在不断提高，借助先进识别技术与方法，不仅可以掌握桥梁结构实际损伤情况，同时也可以发现损伤出现的根本原因，进而提出有效的解决方法，提升桥梁安全性，满足后期安全使用等要求。

1 桥梁结构损伤的智能识别方法应用现状

现如今，我国桥梁建设速度不断提升，新型桥梁不断涌现，为我国交通运输行业发展产生了促进作用。但是随着桥梁数量的不断在呢个价，受到多种因素的影响，使得桥梁结构损伤问题逐渐显现。所以从业人员需要掌握智能识别技术与方法，及时掌握桥梁实际健康情况，进而根据存在的问题采取有效的处理措施，确保桥梁结构质量安全。随着计算机技术、人工智能技术等的不断发展，使得桥梁智能检测也进入到了全新的发展阶段。借助先进的智能识别方法，不仅可以在线针对结构情况进行准确评估，同时也可以延伸检测内容，保障结构安全性。在使用智能识别方法时，应发挥技术优势，完成自动化检测工作，为后续评估工作开展提供支持。运用先进技术针对桥梁结构损伤情况进行识别，能够对工程结构信息处理的并行性等产生较好的优势，同时也具备了较强的非线性映射能力。桥梁结构损伤识别属于一项多目标非线性优化问题，所以需要利用好人工智能技术，转变传统结构损伤识别方法的不足，简化损伤识别过程，提升识别结果精准性[1]。

2 桥梁结构损伤的智能识别

在研究中发现桥梁结构损伤出现的原因较多，但是不论哪种原因，必然会造成桥梁结构出现安全问题。一是随着使用时间的不断延长，逐渐出现损伤现象。部分桥梁因长期受到车辆荷载、环境变化等的影响出现在损伤现象，如果没有及时采取有效的措施，必然会对结构安全性产生不利影响，出现桥梁安全性降低等现象。如简支梁桥中因车辆通行量较大，季节温度变化幅度较大，使得内部混凝土受到影响，逐渐产生裂缝等，进而出现应力重分布等现象，使得其本身安全性不断下降。二是因偶然性的因素对桥梁结构产生影响，出现损伤。如自然环境、人为因素等使得桥梁结构出现损伤。如在人为因素中涉及到车辆撞击等，而在自然灾害中则因风荷载等因素的影响，使得桥梁结构发生了相应的变化[2]。

3 桥梁结构损伤的智能识别方法运用

3.1 神经网络下的损伤识别

对于神经网络来讲，主要以模拟人大脑在信息处理方面的过程为主，在结构损伤识别过程中，主要以结构动力参数为主要输入量，针对网络输出量进行研究，将其转变成为识别结果。一是针对所测量的数据进行整理，及时完成网络训练，实现对网络参数的深入化分析。二是完成数据输入工作，及时获取相应的结果。当系统特性无特殊变化时，在输出方面是一致的。如果存在损伤问题，在输出方面会显示出相应的差异。因此在结构损伤识别中需要利用好神经网络优势，提升识别准确性。

第一，在RBF神经网络识别中学习算法包含隐含层单元、输出层单元学习与优化两种。在使用中需要完成有限元模型建立工作，提升计算精准性，选择出适合的样本，并利用技术优势完成训练、测试等。

第二，在BP神经网络识别中，因其中所涉及到的内容相对较多，所以在使用中需要确定出具体的网络结构，提升参数选择合理性，确定出具体的学习样本规格，完成初始权值选择等工作，为后续结构损伤检测工作开展提供支持。

第三，在小波神经网络识别中，需要主动将小波理论与其他方法融合在一起，做好具体分类工作，如图1所示：通过对网络形式等进行研究，找准小波分析与其他方法之间的融合点，针对神经网络参变量等进行研究，结合现实情况选择最为适合的参数。在使用阶段中还需要掌握先验知识等，做好神经网络模型、参数等研究。在研究中发现结构损伤识别工作质量的高低容易受到多种因素的影响，即便在识别过程中使用相同的方法，但是受到不同人员专业能力不同等的影响，在结果方面也是存在差异的。另外在结构损伤识别阶段中问题非线性程度不同，所以需要结合现实情况选择适合的模型，实现对误差的有效控制。另外小波变换的时频局部特性、变焦特性等特点，所以将小波变换与神经网络结合，能够确保优势的最大化，并构建出完善的小波神经网络。在选择小波基时，需要从原有的选择范围出发，在完成网络学习的同时找出适合的小波基函数。但是也应当要明确的是，虽然与BP网络结构非线性优化问题等方面具有相似性的特点，然而在学习等过程中可以充分展现小波分析理论优势，提升网络设计的精准性。

第四，灰色聚类神经网络下的损伤识别。一是聚类分析。使用聚类分类时，需要从客观事物的实际情况出发，提升分类的科学性。因其是数理多元分析中的一部分，涉及到分级与动态聚类两种。在分级聚类中需要将不同样本整合在一起，确定出类之间的距离，同时将距离最近的两类组合在一起，并针对新类与其他类的距离进行计算，将其转变成为新类，最后利用所提供的分类临界值完成分类。在动态聚类中需要完成样本粗略分类工作，随后根据修改原则完成分类，确保分类的合理性。二是展现灰色聚类神经网络优势，满足算法集成要求。在神经网络集中中需要发挥有限神经网络优势，提升问题分析深入性，同时完成输出工作。为强化其集成泛化能力，需要不断提升损伤识别中的预测精度。三是针对桁架进行损伤识别。如果假定桁架结构中有限元模型是准确的，则可以针对实际结构的动力特性进行模拟。四是斜拉桥损伤识别。随着时间的不断延长，斜拉桥中关键承力构件的斜拉索受到腐蚀等因素的影响，使得桥梁结构安全性不断降低。如图2所示：受到荷载等因素的影响，使得在结构损伤程度也在不断增加，表现为缩短拉索使用寿命、降低结构整体安全性等。只有明确结构出现损伤的根本原因，才能找出影响因素，进而利用智能技术进行模拟，帮助工作人员掌握拉索实际损伤情况，简化后期计算过程[3]。

图2 斜拉桥

通过研究可以发现使用小波神经网络与神经网络集成技术能够针对大型桥梁结构损伤情况进行识别，但是对已知样本数量的要求较多。所以在桥梁结构损伤检测中，如果桥梁结构较为简单，即可使用支持向量机等方法进行识别，实现节约成本目标。由于神经网络集成中所涉及到的神经网络相对较多，在运用效果方面较为理想，所以在损伤检测过程中，需要根据实际情况，合理运用智能技术。但是在技术运用中还需要正确认识其优势与不足，确保运用的针对性，便于工作人员掌握结构实际情况。

3.2 粒子群算法下的损伤识别

现如今桥梁结构构件可靠性研究已经引起了广泛的关注，在设计中不仅需要提升其可靠性与稳健性，同时也要最大限度节约材料，实现对造价的有效控制。在桥梁结构使用阶段中，如果不能准确识别损伤，容易引发安全事故。随着智能技术的不断发展，粒子群算法逐渐被运用到结构损伤识别中，并取得了较好的成效。一是算法引入。粒子群算法具有性能好等优势，但是却难以直接运用到多目标问题求解等环节中。二是灰色粒子群算法。在结构检测中引入灰色关联分析可以有效解决存在的问题，便于工作人员了解空间具体情况。在技术运用中还需要确定出具体的个体与全局极值，进而解决高位多目标等问题。第一，求出多目标优化问题中目标函数最优值。第二，选择全局极值，将全部例子代入到目标函数中，形成相应的矢量。第三，完成个体极值选取工作，并将单个粒子带入到目标函数中。与传统识别方法相比，使用灰色粒子群算法能够实现对成本的有效控制，达到提升可靠性等要求。因灰色粒子群算法主要是将计算、灰色理论思想等结合，借助灰色关联度等进行全面分析，进而获取满意的解。另外因灰色关联度可以针对非劣解与理想解的接近程度进行深入分析，可以掌握空间全貌情况，提升实施便捷性，获取最优结果[4]。

3.3 支持向量机和粒子群算法的损伤识别

在工作中想要提升智能损伤识别效率，可以将支持向量机、粒子群算法等结合，形成完善的损伤识别系统，提升损伤识别精准性。在技术运用中需要针对损伤裂缝指标等进行研究，展现支持向量机优势，构建出对应的函数表达式，并将所获取的表达式不同结构阶段中的实测频率差异进行整合，进而形成适合的优化目标，提升损伤识别效率。想要保障识别工作高效开展，还需要完成目标转移，形成多目标优化问题，发挥技术优势完成求解。

一是支持向量机的非线性函数拟合。借助非线性关系，在正式使用以前需要针对小样本学习能力等进行深入研究。通过分析可以发现，支持向量机的数学理论基础较强，所以在函数拟合过程中并不存在局部极值，与BP神经网络进行对比可以发现，其抗噪声能力相对较强，且对于样本数量的依赖性也是相对较弱的，而所形成的模型在泛化能力方面较强。在BP神经网络模型中，对数据数量、质量等的依赖性较强，因样本数量的变化还会产生新的问题。因此在识别过程中需要正确面前潜在影响因素，如成本等。由于输入样本量不足，且其中又次存在噪音等问题，因此在识别过程中需要利用好支持向量机，展现其优势，提升使用效果[5]。

二是建立多目优化模型。桥梁结构损伤识别属于反分析过程，使用待反演桉树能够对不同阶段频率与振型同实测不同阶段频率、振型之间不断逼近过程，展现出结构的实际情况。所以需要完成误差分析，获取反演结果。对于反分析方法来讲，根据计算方法能够将其划分为解析法、数值法两种。由于结果损伤识别的复杂性较高，同时也是非线性不断优化的过程，容易在分析阶段中出现问题。如需要面临大量计算工作，所形成的解在稳定性等烦那个面存在不足等。所以在目标函数优化求解阶段中，需要针对所得阐述进行整理，完成有限元计算等，只有形成合理化的函数关系，才能在计算效率方面能够有效提升。智能优化算法具有简单、稳健等特点，可以运用到结构模型修正、损伤识别等环节中，具有较好的运用效果。所以在使用知识向量机时，需要建立胡相应的函数表达式，将所产生的差异转变成为目标，同时将其看作是多目标优化问题进行处理。

三是在识别过程中还需要加强支持向量机、灰色粒子群算法之间的联系，形成完善的识别过程。第一，针对桥梁结构具体情况进行研究，使用先进技术完成损伤位置模拟工作，获取具体的指标取值范围，同时还需要借助正交试验等方法，确保计算方案内容的完整性。第二，发挥有限元方法优势，获取不同阶段中的频率变化情况，完成样本划分，做好转变工作。第三，积极开展样本学习、测试等工作，保障结果的精准性。第四，针对所收集的信息进行整理，形成对应的多目标优化模型。第五，完成求解工作。

四是深入到结构中，掌握简支梁损伤情况，提升识别工作的针对性。如对简支钢筋混凝土梁进行损伤识别时，需要利用好通用计算机软件，完成数据信息处理。通过对损伤识别结果进行分析可以发现，在高维目标函数优化问题求解中灰色粒子群算法的使用能够有效获取多目标函数最优解。第一，确定出单目标，针对所获取的结果进行计算，同时应当保障计算过程的科学性，进而获取准确的结算结果。因约束随机方向法中的初始点各不相同，所以需要借助人工等方式进行精准分析，但是在分析中所涉及到的环节相对较多，使得其复杂程度较高。第二，完成等价单目标函数模糊线性规划，但是在规划过程中，还需要正确面对其中的影响，如容易对函数本身特性产生不利影响，出现解精确度不高等问题。

4 结语

综上所述，在桥梁结构损伤智能识别中需要主动引入先进技术，展现人工智能算法功能优势，实现对桥梁结构损伤的精准化识别，构建出完善的识别系统，确保结构损伤识别工作高效开展。在智能识别过程中，还需要根据不同情况选择不同的识别方法，保障识别结果的准确性，为后续处理工作开展提供支持。