BP神经网络在叠合梁斜拉桥施工控制中的应用

刘人铭

(贵州省交通规划勘察设计研究院股份有限公司　贵阳　550081)

BP神经网络在叠合梁斜拉桥施工控制中的应用

刘人铭

(贵州省交通规划勘察设计研究院股份有限公司贵阳550081)

摘要影响叠合梁斜拉桥施工中的线形和内力的参数较多，且由于这些参数的理论值与真实值之间存在误差，使得结构往往不能达到理论上的线形和内力状态。另一方面参数的真实值与施工期间的结构内力和线形的映射关系无法用显式表达。因此提出采用BP神经网络来进行关键参数识别的方法，并以长江上某叠合梁斜拉桥为例，说明BP神经网络在叠合梁斜拉桥施工控制中的应用过程及方法。

关键词参数识别神经网络施工控制

在桥梁的施工过程中，可以根据设计成桥线形推算出桥梁在施工中各个不同工况下的线形状态和内力状态。但是，由于在设计阶段采用的结构计算的各项参数值为理论上的标准值，而在实际施工中这些参数值往往与理论值有较大的偏差。在施工监控的过程中，由于结构参数误差的存在，使得结构不能达到理论上的线形和内力状态。因此，就必须对实际施工中结构的各项关键参数进行识别，通过确定参数的真实值，将其带入计算模型，使得计算模型能够反映结构的真实状态[1-2]。

在叠合梁斜拉桥的施工监控中，有的结构关键参数不能通过直接测量的方式得到，同时由于叠合梁斜拉桥属于高次超静定结构，影响结构的内力和线型的因素较多，所以也不能通过理论方法建立内力、线型与结构关键参数之间的显性函数表达式，因此在施工监控中多采用人工神经网络的方法确定结构的关键参数值。

1BP神经网络

BP网络由输入层、输出层和中间层(隐藏层)组成，中间层为一层或多层。不同层的不同神经元节点之间通过权值连接，神经网络的训练过程就是各神经元之间的连接权值改变并不断优化的过程。

BP神经网络的基本算法的计算流程如下[3]。

(1) 设定网络的各神经元之间连接权值的初始值ωij(0)。

据统计，目前80%～90%的神经网络模型都是采用的BP网络模型或者其变化的形式，BP算法的流程见图1。

图1BP算法流程图

2BP神经网络在施工监控参数识别中的应用

2.1　实际桥梁工程概况

现有长江上某座叠合梁斜拉桥，桥跨布置为35.5 m+186 m+436 m+186 m+35.5 m。主梁采用钢混凝土叠合梁，其截面形式为高度2.8 m的双工字钢梁+混凝土桥面板组成的叠合梁，主桥桥面板为预制存放6个月后的C60钢筋混凝土板，纵向半漂浮体系。索、塔形式为双塔双索面，其中主塔为菱形桥塔，斜拉索为空间索，共计8个索面，136根索。

全桥标准梁段的施工顺序为：匹配安装钢主梁→第一次张拉斜拉索→吊装桥面板→第二次张拉斜拉索→浇注桥面板间湿接缝→湿接缝达到强度后第三次张拉斜拉索→下一标准梁段。全桥有限元模型采用平面杆系单元，共计856个单元，其中索塔和墩单元共172个，梁单元共293个，桥面刚臂单元共293个，索单元68个，桁架单元4 个，其余为施工临时结构单元，采用切线位移法一次安装梁单元，从主塔施工开始到最后成桥，分为800个施工阶段。有限元结构离散图见图2。

图2　有限元结构离散图

2.2　待识别参数的确定

对斜拉桥而言，施工监控中主要是对全桥线型、内力及塔顶偏位的监控。叠合梁斜拉桥作为一种高次超静定结构，影响其线型和内力的参数较多，不同参数对桥梁线型和内力的影响权值也不尽相同，因此参数识别之前需要知道哪些参数对于桥梁线型和内力的影响较大，哪些参数的影响较小(即进行结构的参数敏感性分析)。对结构力学行为状态影响较大的参数进行识别，将其真实值带入结构计算中，才能得到与现场实际相符

的全桥线型和内力状态。

通过对结构进行参数敏感性分析，得出对结构的力学行为状态影响较大的参数是钢主梁重量、桥面板重量和斜拉索索力[4]，将上述3个参数作为待识别参数，即本文主要解决的是识别出上述3个参数的实际值，并将结果用于结构计算当中。

2.3　参数识别神经网络输入输出变量的确定

下面的计算示例中，以本大桥西岸最大单悬臂施工梁段即江侧17号梁段主梁重量、桥面板重量和17号斜拉索3张索力为待识别的参数，也即是输出变量。而输入变量必须选择那些受到输出参数的变化而变化较大的而且能够检测或提取的变量，此外，还要求各输入变量之间互不相关或相关性很小，这是输入变量选择的2项基本原则。从输入变量的容易测量及数据的准确性方面考虑，本文选取西岸江侧11～17号梁段的主梁高程作为输入向量。

2.4　神经网络训练样本集的建立

本文根据上一节所确定的输入-输出向量，分别将斜拉索索力、主梁重量和桥面板重量按照在原设计值的基础上变化0%，±2%,±5%的量级进行不同的组合，并将改变后的参数值带入到有限元计算模型中进行计算，得到本桥在不同参数下的线形，以此建立了参数识别的训练样本集[5]。下面的60个训练样本中各个待识别参数的变化范围见表1(表中的0,±2, ±5均表示在原设计值基础上变化0%,±2%,±5%)。训练样本集的输入输出变量的具体值见表2。

表1　训练样本集参数变化范围　%

表2　训练样本具体数据

2.5　训练样本集的归一化处理

网络的输入、输出节点的物理量的意义各不相同，使得输入-输出向量中的各个分量的量纲各不相同，这些量纲不同的量的数值相差甚远，所以必须对训练样本中的数据进行归一化处理，将有量纲的量变为无量纲的纯量，以防止小数值信息被大数值信息所淹没，从而归纳统一样本的统计分布特性，并且具有保证收敛速度加快的功能。本文采用线性函数转换的方法来对训练样本的数据进行归一化处理。

2.6　BP神经网络用于参数识别

网络的输入变量为西岸江侧11～17号梁段的主梁高程,即网络的输入层神经元数目为7，将待识别的参数(主梁重量、桥面板重量、斜拉索索力)作为输出变量，即网络的输出层神经元数目为3，建立了参数识别的训练样本集，并对训练样本数据进行了预处理，再设定BP网络的隐藏层数目为1层，隐藏层中的神经元数目为15个，即已经完全确定了用于参数识别的BP神经网络的全部拓扑结构。运用matlab软件中的BP神经网络工具箱建立网络[6]，进行参数识别并将参数识别的结果进行反归一化处理后，参数识别的结果见表3。

表3　BP网络参数识别结果

3结论

(1) 从上表可知，索力、主梁重和桥面板重的参数识别的相对误差的最大值分别为2.04%，3.26%，3.78%，可见将BP神经网络用于施工监控参数识别具有较高的精度。

(2) 因为人工神经网络法具有不需要得到输入-输出之间映射关系的显式表达式、可以实现多参数输出、计算速度快，容错能力强，可以实现非线性变换等优点，因此人工神经网络适合运用于大跨度叠合梁斜拉桥的施工控制中。

参考文献

[1]官万轶,韩大建.大跨度斜拉桥施工控制方法研究进展[J].华南理工大学学报,1999,27(11):14-18.

[2]葛耀军.分段施工桥梁分析与控制[M].北京：人民交通出版社，2003.

[3]胡伍生.神经网络理论及其工程应用[M].北京：测绘出版社,2006.

[4]刘人铭.观音岩大桥参数敏感性分析报告[R].成都：西南交通大学，2008.

[5]李传习,刘 扬,张建仁.基于人工神经网络的混凝土大跨度桥梁主梁参数实时估计[J].中国公路学报，2001,14(3):62-65.

[6]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京：电子工业出版社，2006.

Using the BP Neural Network on the Composite Beam

Cable-stayde Bridge While Construction Control

LiuRenming

(Guizhou transportation planning survey & design academe Co.,Ltd., Guiyang 550081, China)

Abstract：There are many parameters which influence the alignment and the internal force of a composite beam cable-stayde bridge., Because the theoretical value of such parameters and the real value exist the deviation, the structure can not achieve the theoretical states of alignment and internal force usually. On the other hand, we can not express the mapping relationship between the structural internal force and alignment and the real value of such parameters in an explicit way. So this paper proposed a method of using the BP neural-network in parameter identification. Based on a composite beam cable-stayde bridge over the Yangtze River, we illustrated the method and process of using the BP neural-network on the construction control of the composite beam cable-stayde bridges.

Key words:parameter identification； neural network； construction control

收稿日期：2015-06-25

DOI10.3963/j.issn.1671-7570.2015.05.020