用人工神经网络诊断水工建筑结构的地震损坏

茹反反

（福建水利电力职业技术学院，366000，永安）

一、引 言

汶川大地震是新中国成立以来破坏性最强、波及范围最广的一次地震。大地震带来的损失十分巨大，而次生灾害的发生则更是雪上加霜，带来的损失有时比地震还大。对于灾区来说，能及时、正确地诊断震区水工建筑物如大坝等的地震损坏程度是防止次生灾害的一个重要保证。人工神经网络（简称ANN）的研究已有30多年历史，它是涉及生物、电子、计算机、数学和物理学的交叉学科，有着广泛的应用前景，目前人们已成功地将其应用于人工智能领域的许多方面，如图像压缩、字符识别等，我们也可利用其进行结构损坏诊断。

二、BP人工神经网络

BP神经网络实质上是一种采用反向传播学习算法的多层前馈网络。从结构上讲，BP网络是一种分层型网络，由输入层、隐层和输出层组成。层与层之间采用全互连方式，同一层单元之间不存在相互连接。

隐层可以有一个或多个，隐层中的神经元均采用S型变换函数。三层前馈神经网络能以任意精度完成任何连续函数的映射。

BP算法是非循环多级网络的训练算法，其学习过程由正向传播和反向传播组成。输入值经过非线性变换，从输入层经隐层单元逐层处理，并传向输出层，每一层神经元的状态将影响到下一层神经元状态，如果在输出层不能得到期望的输出，则转入反向传播，通过修改各神经元权值，使误差信号最小。

三、基于神经网络的水工建筑结构地震损坏评估

水工建筑结构受动力荷载作用而损坏将影响它的动力学特性。因此，从受损结构测得的动力反应与正常状况下的反应比较中，必然包含了关于损坏构件及其位置和程度的信息，这些信息以传统方法是很难提取出来的，必须有一套指导因果显式关系的规则，而且利用这样关系的方法也要预先开发好。

由于神经网络的方法是利用训练过程提取因果关系，然后将它存储到一个神经网络模型的连接强度上。网络的自组织与学习能力消除了提取因果关系的必要性。

选取的神经网络模型以包含因果关系的适当信息接受训练。因此，第一步要取得受损的与完好的结构地震反应资料，这可通过结构反应的实测、模型试验或数值模拟实现。

在确定神经网络模型时，要决定其结构形式和训练算法。接着用一组训练用数据组中未曾出现过的数据去测试。训练过的网络是否有普遍性，往往取决于所选择网络结构的合适性与对评估损坏所需有关信息是否丰富。

对剪切型三层框架建筑模型在各种地震波作用下进行加速度时程测量，包括将测量仪放在顶层和放在第二层两种情况。将所测得的加速度时程反应数据通过FFT（快速富利哀变换）处理转换至频域。然后在所得的加速度幅值谱上，从0～20Hz范围内等距地取出200个点的相应幅值作为神经网络的输入。参见图1。

神经网络的形式是单隐层的BP网络。输入层设有200个PE，它们输入采集的加速度幅值谱值，输出层的3个PE代表建筑各层层间柱子构件，其活性值取在0～1之间，0代表完全破坏，1代表无损坏，中间的数值代表以构件刚度降低百分数表达的损坏程度。

四、BP神经网络的训练

BP神经网络模型结构如图2所示。

输入层有200个处理单元，它们分别从富利哀谱中接受谱位输入。隐层由10个处理单元组成。输出层的三个处理单元分别代表结构构件的三种损坏状态。

对该网络模型，可用42个加速度频谱所代表的不同情况来训练。它们从设置在框架上的加速度传感器记录转换而得，这些谱值中包含着哪个构件是受损的以及损坏程度的信息，具体是指以下方面：

①对于6个不同的地震记录，所有输出PE的活性值接近于1.0，即没有构件损坏(6个情况）；

②构件1（第一层）对6个地震记录的损坏程度，即刚度折减75%和50%，相当于活性水平0.25和0.50（12 个情况）；

③构件2（第二层）对6个地震记录的损坏程度，即刚度折减75%和50%（12个情况）；

④构件3（第三层）对6个地震记录的损坏程度，即刚度折减75%和50%（12个情况）。

这42个实例分批提交给神经网络模型进行训练，第一批是相应于所有地震记录的无损与50%损坏的频谱；第二批是相应于75%损坏的频谱。通过1200～1400 周期（epoch，是对所有输入进行一次完整的前馈与误差反传所作运算）迭代而收敛。其中采用了0.2的学习率和10%的最大允许误差。这个用于构件损坏评估的单隐层BP模型的训练，其输出PE活性值的结果与期望的活性值之间应符合得相当好。

五、神经网络模型的测试

上述的网络模型在通过42种训练样本的训练以后，再对它进行测试，以检验它对其他的损坏状态（譬如对60%损坏状态）的识别是否同样好。

为此，可将三层框架的各层构件刚度降低60%后，再在相同地震波作用下取得加速度反应谱值，以此作为输入重复上述的训练，就可得到测试结果。

六、结 语

网络模型不一定能正确地识别构件损坏程度。引起这种差错的其中一个主要因素可能是网络没有被提供足够多的信息来区分不同构件的损坏状态。我们可以采取一些措施进行补救，譬如，选择合适的传感器数量和安放位置来正确而恰当地捕捉结构的振动特性。在第二、第三层上分别设置传感器，以增加输入信息量。此外，还可尝试改变网络模型的结构，选用两个隐层，更好地区分不同损坏状态和识别60%损坏的构件。

[1]王效岳，刘好明，刘晓丽.改进BP神经网络在城市工业用电量预测中的应用[J].自动化技术与应用，2007（12）.

[2]林济群.人工智能及其在工业上的应用讲义[M].福州：福州大学出版社，2002.