一种优化的基于神经网络的桥梁损伤识别方法

文档序号:6621536阅读:312来源:国知局
一种优化的基于神经网络的桥梁损伤识别方法
【专利摘要】本发明公开了一种优化的基于神经网络的桥梁损伤识别方法,包括:S1,构造样本数据;S2,确定网络拓扑结构;S3,训练及测试;S4,损伤识别:将桥梁的实时应变数据输入训练好的BP神经网络,实现桥梁的损伤识别;其中,所述的桥梁的实时应变数据是通过最优布设的传感器获得的,且以最少的不可识别模型的个数Ymin为目标函数,Ymin所对应的传感器的布设位置即为最优的传感器布设。本发明可以实现利用最少的传感器且能最大程度的区分结构的各种可能的损伤情况,同时可以使得识别结果具有较高的精度并趋于稳定。
【专利说明】—种优化的基于神经网络的桥梁损伤识别方法

【技术领域】
[0001]本发明涉及一种优化的基于神经网络的桥梁损伤识别方法,属于桥梁损伤识别【技术领域】。

【背景技术】
[0002]桥梁作为交通运输的关键点,在我们的日常生活中承担着极其重要的角色。正是因为一座座桥梁的存在,使得全国的公路以及铁路运输网得以贯通,构成了四通八达交通运输系统,桥梁对于城市交通的重要性也与日俱增。近几年随着我国经济的飞速发展,我们国家在桥梁建设方面取得了巨大的成就,同时,桥梁工程又是关系到人民生命财产安全的工程,因此桥梁的健康情况需高度重视。但是,随着桥梁服役期的增长,桥梁自身的内部机构、材料都会慢慢的发生变化,致使桥梁的承载能力降低。当这些损伤积累到一定程度时,桥梁就可能发生事故,桥梁一旦发生重大事故,将会造成难以预估的损失。因此对桥梁进行健康监测就显得非常重要。
[0003]桥梁健康监测的主要工作是借助安装在桥梁上的监测仪器,分析桥梁的特征参数的变化,并以此来分析桥梁的健康状况。这些特征参数包括振动、变形、应变、温度等,可以选取其中的一个或者几个参数来进行监测分析。在桥梁结构的状态监测基础上再做进一步的深入研究一损伤识别。损伤识别依据状态监测中所得到的数据进行分析,识别出桥梁损伤的部位和损伤程度,为后续的管理决策提供依据,最终实现损伤的预防和控制。
[0004]《计算机与数字工程》2010(4):173-175中的《基于模式识别的桥梁故障检测》从挠度数据出发,运用模式识别技术和数据分析技术,检测桥梁中某些类型的损伤和隐患,将模式识别中的近邻算法与K-均值算法相结合,提出了一种桥梁异常检测方法。《济南大学》2010中的《三维网络自适应生成及其在桥梁裂纹诊断中的应用》,公开了一种在桥梁模型上应用的基于力平衡的网格质量优化算法,利用力的平衡和距离函数寻找节点位置,用Delaunay算法重置拓扑结构,实现了桥梁模型的网格划分;此外其还公开了将损伤指标法和计算智能法相结合,基于固有频率和曲率模态比值,用BP神经网络对桥梁进行裂纹损伤识别。《基于模态参数分析的井架结构损伤识别研究》秦皇岛:大庆石油学院,2006,公开了一种基于模态参数,用曲率模态法、柔度差值法进行结构损伤识别的理论与方法,其应用了柔度曲率法进行结构损伤识别,证实了基于柔度差值的损伤定位方法存在模糊或者错误定位的问题,曲率模态法可以不依赖损伤前的结构参数,但对于小损伤也存在模糊定位的隐患。《建筑结构振动的递阶分散控制研究》哈尔滨:哈尔滨工业大学,2009,公开了一种建筑结构在递阶分散控制下的损伤识别方法,并给出了基于递阶分散控制的频率平方灵敏度损伤识别方法。《基于计算智能技术的桥梁结构损伤识别研究》.长春:吉林大学,2008,提出了一种基于粒子群算法和小波神经网络算法的桥梁结构识别方法。《基于计算智能方法的简支桥梁损伤识别研究》.长春:吉林大学,2010,其对简支桥梁进行了分析,采用粒子群优化支持向量机算法,研究了基于振动的桥梁损伤识别。Hakim, S.J.S.Abdul Razak, H.Structural damage detect1n of steel bridge girder using artificial neuralnetworks and finite element models [J].Steel and Composite Structures, 2013,其公开了对于自然频率和振型的参数变化,采用人工神经网络算法来进行桥梁的结构损伤识另O。但是上述现有的方案用于桥梁损伤识别时,均存在以下缺陷:稳定性差、精度低,且以实际桥梁的监测信息作为网络输入时未经优化的算法网络并不能有效反映桥梁的实际损伤情况,因此仍然需要进行进一步研究。另外,传感器的布设是桥梁结构健康监测过程中的一个重要问题,以往的监测中,为了尽可能多的获取桥梁不同位置的信息采取的方法一般是在桥梁内部埋入较多的传感器,然而这种做法会带来以下不良后果:一、增加了监测系统的成本;二、过多的传感器本身也会对桥梁的结构造成不利的影响。因此应尽量做到使用较少的传感器获得尽可能多的结构健康信息。此外,利用桥梁有限元模型对桥梁的性能进行评估同时对特定荷载工况下的响应值进行预测并及时进行损伤预警,就能够确保桥梁的安全使用,以减少不必要的损失,而桥梁有限元模型精度的高低决定了其是否可以实现上述目的。现有的模型修正技术具有以下局限性:动力信息数据容易受噪声影响,经过动力信息修正的模型无法进行结构的静力分析。


【发明内容】

[0005]本发明的目的在于,提供一种优化的基于神经网络的桥梁损伤识别方法,它可以有效解决现有技术中存在的问题,尤其是损伤识别精度较低的问题。
[0006]为解决上述技术问题,本发明采用如下的技术方案:一种优化的基于神经网络的桥梁损伤识别方法,包括以下步骤:
[0007]SI,构造样本数据:利用有限元方法建立全桥的实体有限元模型,对该实体有限元模型进行修正,并利用修正后的实体有限元模型模拟不同荷载情况下桥梁不同位置的受力情况,获得桥梁完好及不同损伤情况下的模拟应变数据,将相应的应变变化率作为BP神经网络的样本数据;
[0008]S2,确定网络拓扑结构:确定BP神经网络隐含层的层数及各个层所含神经元的个数;同时初始化神经网络的权值阈值;
[0009]S3,训练及测试:采用梯度下降动量算法对BP神经网络进行训练并利用测试样本对神经网络进行测试;
[0010]S4,损伤识别:将桥梁的实时应变数据输入训练好的BP神经网络,实现桥梁的损伤识别;其中,所述的桥梁的实时应变数据是通过最优布设的传感器获得的,且以最少的不可识别模型的个数Ymin为目标函数,Yfflin所对应的传感器的布设位置即为最优的传感器布设。
[0011]BP神经网络有多种算法,选择合适的算法对能否保证训练效果至关重要,本发明选取的为梯度下降动量traingdm算法,因该算法不仅考虑了误差在梯度上的作用,而且考虑了在误差曲面上的变化趋势的影响,由于引入了一个动向量(相当于一个阻尼项),有效的避免了局部最小问题在网络训练中的出现,因而与trainbfg(准牛顿BP算法函数)和traingd(梯度下降算法)相比,本发明选取的梯度下降动量traingdm算法可以大大提高神经网络损伤识别的精度。
[0012]所述的BP神经网络的输入层所含的神经元个数即实际采集数据的应变传感器的个数;输出层所含的神经元个数即损伤位置的个数;隐含层的层数可采用经验算法来确定;隐含层神经元的个数根据测试精度和网络的泛化能力综合决定。
[0013]优选的,本发明综合考虑神经元网络的运算速度以及训练的精度,采用包含五个神经元节点的一层隐含层训练的神经元网络进行损伤识别。
[0014]本发明中可通用有限元计算软件ANSYS建立全桥的实体有限元模型。
[0015]本发明的步骤SI中,所述的获得桥梁完好及不同损伤情况下的模拟应变数据包括:使用ANSYS软件对模型进行分析,利用Block Lanczos方法提取未损伤状况下的固有频率和频率的模态振型,根据模态振型中模态位移的大小及实际桥梁传感器的安装位置选取损伤位置;采用降低弹性模量的方法模拟不同位置不同程度的损伤;再使用APDL语言中*get命令即提取得到不同程度不同位置损伤情况下的应变数据。
[0016]本发明的步骤SI中所述的应变变化率为

【权利要求】
1.一种优化的基于神经网络的桥梁损伤识别方法,其特征在于,包括以下步骤: SI,构造样本数据:利用有限元方法建立全桥的实体有限元模型,对该实体有限元模型进行修正,并利用修正后的实体有限元模型模拟不同荷载情况下桥梁不同位置的受力情况,获得桥梁完好及不同损伤情况下的模拟应变数据,将相应的应变变化率作为BP神经网络的样本数据; S2,确定网络拓扑结构:确定BP神经网络隐含层的层数及各个层所含神经元的个数;同时初始化神经网络的权值阈值; S3,训练及测试:采用梯度下降动量算法对BP神经网络进行训练并利用测试样本对神经网络进行测试; S4,损伤识别:将桥梁的实时应变数据输入训练好的BP神经网络,实现桥梁的损伤识别;其中,所述的桥梁的实时应变数据是通过最优布设的传感器获得的,且以最少的不可识别模型的个数Ymin为目标函数,Yfflin所对应的传感器的布设位置即为最优的传感器布设。
2.根据权利要求1所述的优化的基于神经网络的桥梁损伤识别方法,其特征在于,步骤SI中所述的获得桥梁完好及不同损伤情况下的模拟应变数据包括:使用ANSYS软件对模型进行分析,利用Block Lanczos方法提取未损伤状况下的固有频率和频率的模态振型,根据模态振型中模态位移的大小及实际桥梁传感器的安装位置选取损伤位置;采用降低弹性模量的方法模拟不同位置不同程度的损伤;再使用APDL语言中*get命令即提取得到不同程度不同位置损伤情况下的应变数据。
3.根据权利要求1或2所述的优化的基于神经网络的桥梁损伤识别方法,其特征在于,步骤SI中所述的对该实体有限元模型进行修正包括:采用均匀设计法对该实体有限元模型进行一次修正,具体包括以下步骤: XI,选取目标函数Q(X)和待修正的m个参数变量X ; X2,将每个参数变量的取值划分为η个水平; Χ3,根据均匀设计表及其使用表选取参数水平组合进行试验; Χ4,将每次试验得到的静力数据与实测静力数据带入目标函数和误差指标函数中即得每次试验的结果; Χ5,比较各个试验结果,得目标函数与误差指标函数最小时的参数水平,基于此参数水平的有限元模型即一次修正后的基准有限元模型。
4.根据权利要求3所述的优化的基于神经网络的桥梁损伤识别方法,其特征在于,所述的对该实体有限元模型进行修正还包括:利用均匀设计法选取试验点生成响应面,采用响应面法对该实体有限元模型进行二次修正,具体包括以下步骤: a,通过均匀设计表获得桥梁随机参数变量X的ns个样本点,通过均匀设计试验即得响应面目标函数的样本点数值Y, Y =;所述的参数变量X= [E, P, μ],其中,E为混凝土弹性模量,P为混凝土密度,μ为泊松比; b,利用参数变量X和目标函数的样本点数值Y回归分析得待定因子的最小二乘估计值,进而获得响应面函数; c,对响应面函数进行优化,得响应面目标函数与误差指标函数最小时的参数变量取值,基于此参数变量的结构有限元模型即为桥梁二次修正后的有限元模型。
5.根据权利要求1?4任一所述的优化的基于神经网络的桥梁损伤识别方法,其特征在于,步骤S2中,采用云粒子群算法初始化神经网络的权值阈值。
6.根据权利要求5所述的优化的基于神经网络的桥梁损伤识别方法,其特征在于,所述的采用云粒子群算法初始化神经网络的权值阈值具体包括: a.通过BP神经网络确定权值阈值长度; b.根据BP神经网络的结构和样本数据规模确定粒子群的规模,并按照云粒子群算法的步骤进行迭代搜索,直到超过设定的迭代次数时停止;搜索到的具有最优适应度的粒子即初始权值。
7.根据权利要求6所述的优化的基于神经网络的桥梁损伤识别方法,其特征在于,步骤a中所述的权值阈值长度为[O,I]。
8.根权利要求1所述的优化的基于神经网络的桥梁损伤识别方法,其特征在于,步骤S4中所述的最优的传感器布设具体包括: Al,建立η种损伤情况下的有限元损伤模型,并提取各种损伤情况下各传感器潜在位置i处的应变预测值Pij,其中,i为传感器的潜在位置,j为损伤情况,I ^ j ^ η ; BI,根据传感器的测量精度,将传感器潜在位置i处的应力预测值Pi划分为若干区间,相应的应力预测值处于同一区间的损伤模型即为不可识别损伤模型;将包含两个或两个以上的模型的区间设为集合bik,其中,k为不可识别损伤数,O彡k< j ;集合bik中的元素为各种不可识别的损伤状态且多个bik组成集合Bi, Bi = Ibil U bi2...U bik}; Cl,若各传感器的潜在位置个数为m,传感器的个数为s,计算Y= (B1 Π B2...H BJ ;子集中元素数量最少的数目即为最少的不可识别模型的个数Ymin,Yfflin所对应的传感器的布设位置即为最优的传感器布设。
【文档编号】G06N3/02GK104200004SQ201410363614
【公开日】2014年12月10日 申请日期:2014年7月28日 优先权日:2014年7月28日
【发明者】吴朝霞, 金伟, 王立夫, 赵玉倩, 邵元隆, 李俞成 申请人:东北大学
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1