基于遗传神经网络对FRP布加固混凝土柱承载力的预测研究

詹界东，李 阳，张云峰，吴亚军 (东北石油大学土木建筑工程学院，黑龙江 大庆 163318)

基于遗传神经网络对FRP布加固混凝土柱承载力的预测研究

詹界东，李 阳，张云峰，吴亚军 (东北石油大学土木建筑工程学院，黑龙江 大庆 163318)

为了比较准确的预测应用FRP布加固混凝土柱的承载力，应用遗传神经网络来对加固后的混凝土柱承载力进行研究。该方法充分利用了神经网络与遗传算法的优点。预测结果表明，应用遗传神经网络方法对FRP布加固混凝土柱的承载力进行研究是可行的。

FRP布；混凝土柱；遗传算法；神经网络

将FRP布粘贴在混凝土柱的表面，FRP布就可以与混凝土柱共同作用，一起来承担梁板传来的荷载，从而加强混凝土柱的承载力，因此，利用FRP布加固混凝土柱已被广泛应用在土木工程中。但是，由于FRP布加固混凝土柱所获得的效果受到很多因素的影响，具有很大的非线性，因此，加固后柱的承载力是很难确定的。下面，笔者利用遗传神经网络方法对RBF布加固后的混凝土柱承载力进行预测。该方法具有传统神经网络的信息分布存储、并行处理、自我学习以及特有的非线性信息处理能力，并且拥有遗传算法的全局搜索能力的优点。

1 遗传神经网络

虽然BP神经网络具有强大的自适应和自学习能力，可以进行大规模数据处理以及具有极强的非线性逼近和容错能力等优点，但是传统的BP神经网络应用的BP算法是基于误差函数梯度信息进行搜索，其局部搜索能力强，全局搜索能力差，经常会使BP神经网络陷入局部无穷小，从而影响神经网络的泛化能力。遗传算法(GA)是一种高效、并行、全局搜索的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最优解。因此，将遗传算法和神经网络有机结合以提高收敛速度、避免陷入局部最优来解决复杂问题已经越来越受到人们的重视[1]。遗传神经网络的算法基本步骤[2]如下：

步1 编码。将网络的权值分别用实数表示并设定参数：输入种群规模、交叉概率、变异概率、网络层数(不包括输入层)、每层神经元数。

步2 初始化种群。随机产生n个权值矩阵构成初始种群，每个矩阵代表一个待训练神经网络。

步3 评价。对每个神经网络以前向方式运行，计算评价函数值，并保留最优个体。

步4 遗传操作。依次进行选择、交换、变异、BP训练，保留最优个体，并计算评价函数值。若误差达到指定的精度，则转步5,否则，转步4。

步5 结束。

2 样本数据的采集

FRP布加固柱承载力的主要影响因素[3]有截面面积Ac、混凝土立方体抗压强度fc、 纵筋承载力Asfy(其中,As为纵筋面积;fy为纵筋的屈服强度)、截面形状系数ξ(其中圆形截面取ξ=1.0，方形截面取ξ=0.8，矩形截面取ξ=0.7)、 含纤特征值λ=μfFRP/fc(其中，μ为FRP布与约束混凝土的体积比，fFRP为FRP布的抗拉强度)、 轴压比β和粘贴层数n。笔者从相关文献[4-8]共收集36个试验样本，其中将23个样本作为神经网络的训练样本来训练神经网络(见表1)，剩下的13个样本作为预测样本，来校核神经网络，如表2所示。

表1 神经网络学习样本

表2 神经网络预测样本

注:Ft,Fb分别为承载力的试验值和模型预测值。

3 神经网络建立与训练

由于影响FRP布加固混凝土柱的承载力的影响因素有7个，所以网络的输出层的神经元为7个，经过试算隐含层的神经元个数为30个，输出结果为加固后的承载力，所以输出层神经元的个数为1个，即遗传神经网络结构是7-30-1，隐含层和输出层神经元的变换函数采用tan2sigmoid 型函数tansig；训练函数采用traingdm函数。遗传算法中令种群数为80，交叉概率Pc=0.6，变异率Pm=0.05，最大迭代次数为30，终止条件设为网络训练误差小于10-3。由于数据间差异较大，为了使网络具有良好的泛化能力，应用Matlab自带的归一化函数premnmx()进行数据归一化，使所有数据在-1与1之间。训练曲线分别见图1和图2，预测结果见表2。

图1 GA-BP适应度曲线图 图2 GA-BP算法学习过程误差曲线

从图1～2中可以看出，遗传算法具有快速寻优的特性，经过5代左右遗传迭代，网络的误差平方和曲线大幅下降，适应度函数曲线也在急剧的上升。说明遗传算法的运用收到了既定的效果，能够帮助BP网络快速地寻找到全局最优点附近，在经过50代遗传迭代后，遗传搜索停止，而转入BP算法，进行局部空间的寻优。从训练曲线可知网络训练892步已达标，从预测结果中可知13个样本中预测结果最大误差为12.5%，说明网络的泛化能力很好，可以用来对加固后的混凝土柱的承载力进行预测。

4 结 语

利用遗传神经网络的自学与非线性拟合能力来对FRP布加固混凝土柱的承载力进行预测，经过预测研究表明，应用遗传神经网络对FRP布加固混凝土柱的承载力的预测是可行的。由于试验数据有限，难以满足网络训练的要求，所以导致预测结果误差较大，如果增加训练样本的数量，将会达到更加理想的效果。研究中笔者只考虑了承载力的预测，全面的分析有待于进一步的研究。

[1]刘洪,马力宁,黄桢.集成化人工智能技术及其在石油工程中的应用[M].北京：石油工业出版社，2008.

[2]郝华宁,刘阳.基于遗传神经网络的个股价格短期预测[J].西安石油大学学报，2010,25(2):88-90.

[3]潘奕,杨成,林拥军.基于BP神经网络的FRP加固混凝土柱承载力预测[J].2008，43(6):736-739.

[4]Kshirsagars Lopezara Guptark.Environmental aging of fibre-reinforced polymer-wrapped concrete cylin-ders[J].ACI Material Journal,2000，97(6):703-712.

[5]Rochettep Labossierep.Axial testing of rectangular column models confined with composites[J].Journal of Composites for Construction,2000,4(3):129-136.

[6]Zhang S,Ye L,Mai Y W.A study on polymer composites strengthening systems for concrete columns[J].Application of Composites Material,2000,7(3):125-138.

[7]敬登虎.GFRP组合RC柱轴心受压的试验研究与分析[D].重庆:重庆大学,2003.

[8]潘毅.短期和长期负载下FRP约束混凝土应力-应变模型的理论分析与试验研究[D].南京:东南大学,2008.

10.3969/j.issn.1673-1409(N).2012.08.048

TU375.3

A

1673-1409(2012)08-N147-03

2012-05-12

詹界东(1970-)，男，1993年大学毕业，博士，国家一级注册结构工程师，副教授，现主要从事结构工程方面的教学与研究工作。

李阳(1986-)，男，2009年大学毕业，硕士生，现主要从事结构工程方面的研究工作;E-mail:liy95519@163.com。

[编辑] 洪云飞