基于IPSO-BP的受损钢结构改造施工安全预警评估研究*

李慧民，段品生，孟 海,2，郭海东

(1.西安建筑科技大学 土木工程学院，陕西 西安 710055； 2.中冶建筑研究总院有限公司，北京 100088)

0 引言

钢结构是现代工程建设时采用的主要结构形式之一，具有自重轻、强度高、安装简便等诸多优点。但受气候、震动、撞击等环境的影响，钢结构极易出现锈蚀、倾斜及变形等损伤情况，影响其正常使用。根据统计资料，目前我国63%的钢结构在使用阶段出现损伤情况[1]，且由于技术更新迭代和功能需求变化，很多钢结构建筑现状已远不能满足企业和社会发展的需要。然而，由于部分钢结构受损严重，其改造施工过程存在极大的安全隐患，如2019年5月16日上海市长宁区某钢结构厂房改造施工过程中出现垮塌事故，造成12人死亡，13人重伤[2]。因此，有必要对其改造施工过程安全状况进行评估，提前发现结构施工不安全状态并发出警报，采取相应的技术措施避免造成损失。

目前国内外施工安全预警评估的研究对象多为地铁、基坑、超高层等新建结构。在既有结构改造方面，丁丽萍[3]对钢结构厂房托梁拔柱改造全过程进行了研究，建立安全评价指标体系并提出相应的风险控制对策；熊仲明等[4]结合大跨钢结构的受力特点，采用模糊综合评价方法建立其安全性评价模型，并通过试验对比验证了模型可行性；罗永峰等[5]根据钢结构施工过程是否存在动力效应，将其施工监测分为静力监测和动力监测2种类型，并提出相应的监测参数，为钢结构改造施工安全控制指标及数据监测提供了参考；咸庆军等[6]通过分析受损钢结构变电构架受力特点，运用BP(Back Propagation)神经网络方法建立其承载力预测模型；罗尧治等[7]结合大跨度空间结构特点，提出其安全预警评估指标体系并结合模糊综合评价方法建立完整的预警模型；此外，国外有学者结合有限元软件[8]和现代化信息技术[9]对施工过程进行实时监测预警。综上所述，从研究对象上看，目前缺少针对受损钢结构改造施工的安全控制研究；从研究方法上看，存在主观性强、预测模型精度不高等问题。

鉴于此，通过分析受损钢结构的损伤特点，利用改进粒子算法(Improved Particle Swarm Optimization，IPSO)优化BP神经网络初始权重及阈值，构建针对其改造施工过程的安全预警指标体系；并以某受损钢结构厂房为实例进行分析以验证指标体系及模型的可行性，以期更好地指导实际改造施工过程。

1 基于IPSO-BP安全预警评估模型

1.1 BP神经网络基础理论

BP神经网络是一种前馈式多层感知机模型，利用以模型训练均方误差最小化为目标反复修正模型初始权重及阈值，主要由输入层，隐含层和输出层构成。其过程可以分为正向模型输入和反向误差传播2个部分，如图1所示[6]。

图1 典型三层BP模型Fig.1 Typicalthree-layer BP model

输入数据序列即受损钢结构改造施工安全监测指标数据xk={x1k,x2k,…,xnk}，经过中间层的学习输出最终预警级别yk。比较模型输出值与理论预警值，若两者之间的误差满足收敛条件，则训练结束。否则将误差向模型输入层反向传播，并在传播过程中不断修改模型权重及阈值，反复执行该过程直至收敛，网络隐含层到输出层的计算见式(1)和(2)：

(1)

yk=f(Ik)

(2)

式中：ωjk和bjk分别为模型权重和阈值；xjk为隐含层输出值；f(·)为神经网络模型的激励函数；yk为第k条数据的神经网络输出值。

1.2 改进粒子群算法

粒子群算法是通过模拟鸟类在觅食过程中的迁徙行为而提出的仿生全局随机搜索算法[10]。粒子群中的每个粒子的位置就是所求问题的一个解，假设该解的维度为D，共有M个粒子组成的“鸟群”U={Z1,Z2,Z3,…,ZM}，第i个(i=1,2,3,…,M)粒子的空间位置为Zi={zi1,zi2,zi3,…,ziD}，并用Vi={vi1,vi2,vi3,…,viD}表示该粒子的速度向量，该粒子在历次迭代过程中的个体最优位置记为个体极值Pi={pi1,pi2,pi3,…,piD}，整个粒子群在历次迭代过程中的个体最优位置记为群体极值Gi={gi1,gi2,gi3,…,giD}。每次迭代过程中，粒子通过当前位置、自身速度、个体极值和群体极值的适应度更新位置。更新公式见式(3)和式(4)，位置更新过程可用向量图进行示意，见图2。

图2 粒子位置更新示意Fig.2 Schematic diagram of particle location update

(3)

(4)

式中：ω为惯性权重系数；c1，c2为非负学习因子；r1，r2为取值范围为0～1的随机数；t为当前粒子群迭代次数。

1)优化惯性权重系数

惯性权重系数ω与粒子群的全局与局部搜索能力密切相关[11]。一般情况下，ω的值越大则粒子群的全局搜索能力越强，ω的值越小则粒子群的局部搜索能力越强[11]。因此，可以通过较大的ω增强粒子群迭代前期的全局搜索能力，并通过较小的ω增强粒子群迭代后期的局部搜索能力，以此提升群体迭代速度及迭代精度。本文根据式(5)来更新粒子群惯性权重系数：

(5)

式中：ωmin和ωmax分别为惯性权重变化的最小值和最大值；tmax为设定的最大迭代次数。

2)优化学习因子

学习因子c1，c2与粒子认知情况密切相关[12]。从式(3)可以看出，c1决定粒子个体认知水平贡献率，c2决定粒子群体认知水平贡献率。因此，在迭代前期，粒子适应度较大，可通过较大的c2来控制粒子按群体最优方向发展；迭代后期，粒子适应度逐渐降低，可通过较大的c1释放粒子个体认知，直至找到最优位置。鉴于此，本文根据式(6)及式(7)来更新学习因子：

(6)

(7)

式中：c1min，c2min和c1max，c2max分别表示学习因子的最小值和最大值。

通过对惯性权重系数和学习因子的调整对粒子群算法进行改进的方法优势主要在于以下2点：①降低了算法迭代次数，通过调整不同阶段粒子群的发展方向，减少了计算时间；②提高了算法精度，该改进模型可以有效避免粒子群陷入局部最优的问题，提高粒子群算法预测精度。

1.3 基于IPSO改进BP神经网络

为提高BP神经网络的运算速度，改善模型的计算精度，避免陷入局部最优，通过改进粒子群算法对BP初始权重及阈值进行优化，流程见图3[13]。

图3 基于改进粒子群算法的BP神经网络计算流程Fig.3 Calculation process of BP neural network based on IPSO

改进模型首先输入BP神经网络的初始权重、阈值组成粒子群，进入粒子群算法计算过程。粒子群算法适应度函数选择均方误差函数。得到的粒子群最优解即为神经网络模型的最优初始权重及阈值，以此进行BP神经网络的训练及预测。

2 安全预警评估指标体系及阈值

2.1 指标体系构建

与一般钢结构改造施工相比，受损结构的构件参数劣于设计参数，改造施工应严格控制结构、构件的变形、应力等参数变化。参考《工业建筑可靠性鉴定标准》GB50144-2008、《建筑工程施工过程结构分析与监测技术规范》JGJ/T 302-2013以及《旧工业建筑再生利用技术标准》T/CMCA 4001-2017的相关规定，从环境、结构2个方面构建安全预警指标。

环境方面，通常情况下应变与温度变化近似成线性关系，风速也是影响受损钢结构安全的重要因素；结构方面主要包括静态指标和动态指标，静态指标包括基础累计沉降、上部结构水平及竖向变形、应力、应变、支座反力和承载力等，动态监测主要包括加速度，指标体系如图4所示。

图4 受损钢结构改造施工安全预警评估指标体系Fig.4 Safety early-warning assessment index system of damaged steel structure reconstruction

环境单项指标预警阈值参考文献[14]结合结构所处地区具体的历史气象数据及现场监测数据划分5级预警区间。以湖北省咸宁市为例，依据当地年平均风速2.6 m/s，风速阈值区间按4～5级风、6～7级风、8～9级风、10级风、10级风以上对应平均风速值确定；该市年平均气温16.8 ℃，年最高气温21.92 ℃，年最低气温13.7 ℃，最热月均气温33.8 ℃，最冷月均气温3.3 ℃，极端最高气温41.4 ℃，极端最低气温-15.4 ℃，据此划分温度五级预警阈值区间见表1。结构单项指标预警阈值方面，由于钢结构改造施工中结构荷载变化较大，使用绝对指标作为预警阈值易导致预警结果出现偏差乃至错误。根据《建筑工程施工过程结构分析与监测技术规范》JGJ/T 302-2013中4.5.9条第3款 “预警值按施工过程结构分析结果设定时，可取理论分析结果的130%”。本文将结构单项指标以理论分析结果的100%，110%，120%及130%划分五级预警区间，阈值区间列表见表1，其中风速及温度阈值区间根据国家气象信息中心公布的气象数据及相关资料确定[14]。

表1 受损钢结构改造施工安全预警指标阈值Table 1 Thresholds for safety early-warning indexes of damaged steel structure reconstruction

与一般钢结构改造施工项目相比，在受损钢结构改造施工安全预警评估指标体系中，存在钢构件承载力评定指标，该指标根据实际受损状况取值。按照损伤原因的不同，钢结构受损情况分为均匀受损和不均匀受损2类。其中均匀受损包括构件锈蚀、疲劳等；非均匀受损包括撞击、裂缝等。对于这2类受损情况，其本质为钢结构构件的有效截面面积或弹性模量发生变化，进而导致构件承载力发生变化。因此，在进行评估时可按照结构损伤之后的有效截面面积和弹性模量考虑截面特性并评定承载力。根据《工业建筑可靠性鉴定标准》GB50144-2008中第6.3.3条的规定，包括重要构件、连接承载力评定和次要构件承载力评定2部分，并将该指标预警阈值进行如表2所示划分。

表2 构件承载力安全预警指标阈值Table 2 Thresholds for safety early-warning indexes of component bearing capacity

2.2 综合预警等级评估

根据相关文献[15]，将受损钢结构改造施工安全综合预警评估级别分为5级，其中一级表示施工过程非常安全；二级表示比较安全，需加大安全监测强度；三级为一般，需要针对可能出现的警情采取安全控制措施；四级为较为危险，此时应暂停部分工序施工，及时查清报警原因并处理警情；五级为非常危险，应全面停工，待警情完全处理后恢复施工或停止施工。综合预警级别划分见表3[14]。

表3 受损钢结构改造施工综合预警级别Table 3 Comprehensive early-warning level of damaged steel structure reconstruction

2.3 模型训练与检验

本文在前文指标分析的基础上，通过在各级预警区间内线性内插200个样本，并从中以10为单位选择100个样本作为测试样本，剩余的900个样本为训练样本。

借助matlab神经网络工具箱，数据样本输入维度为11，输出维度为1，设定模型包括1层隐含层，维数为10，神经网络最大迭代次数、学习速率和训练误差最小目标分别设置为1 000，0.05和1×10-8。IPSO算法设定基本粒子数为40，粒子长度131，惯性权重ωmin，ωmax取0.3和0.9，最大迭代25次，学习因子c1max，c2max取2.5，c1min和c2min取1.5，期望误差0.001。神经网络输入层和隐含层之间为S型对数函数，隐含层与输出层为线性传递函数，模型训练为trainlm函数[16]。

本文模型与其他文献中的IPSO模型迭代适应度曲线结果对比见图5。从图5中可见改进算法在第6次迭代已接近期望误差，模型计算效果见表4。结果表明：IPSO-BP神经网络模型的迭代次数与预测精度均优于传统模型，具有较好的预测能力。

图5 模型粒子群适应度曲线对比Fig.5 Comparison of particle swarm fitness curves by different models

2.4 预警评估流程

通过施工前的历史数据、受损检测、数值模拟，施工中的现场监测等方式获取环境单项指标和结构单项指标数据作为模型输入项，经过处理后输入按2.3节训练好的IPSO-BP模型中，最终得到相应的综合预警输出项，即预警评估级别。针对该预警级别采取相应的措施保证人员安全及恢复结构安全状态，受损钢结构改造施工安全预警评估流程如图6所示。

图6 受损钢结构改造施工安全预警评估流程Fig.6 Safety early-warning assessment procedure of damaged steel structure reconstruction

3 案例分析

3.1 工程概况

本工程为湖北省某炼铁厂36 m×81 m受损单层重钢厂房。厂房主要用于储备炼铁用煤，由于使用年限较长，且车辆来回进出碰撞，导致厂房结构受损，主要表现为柱脚受撞击严重、格构柱及桁架多处构件锈蚀等，见图7。后因功能变更，需在结构内部利用原柱体新增二层结构，建筑原有地基较好，损伤主要集中于上部结构。

图7 柱体受撞击损伤照片Fig.7 Photo of damaged column caused by collision

3.2 受损状况检测

施工前首先对该厂房进行受损状况检测，主要包括构件截面尺寸检测、钢结构强度检测和钢结构涂层厚度检测3个项目，部分检测结果见表5。

从表5可以看出，1号及2号构件因受车辆频繁撞击导致截面尺寸存在较大偏差，偏差程度最大可达3%；实测抗拉强度均无法达到最小抗拉强度值，最小强度仅为设计最小抗拉强度的460/490=0.94倍；结构平均涂层厚194 μm，满足设计要求。

表5 部分构件现场检测结果Table 5 On-site test results of some components

注：H,B分别表示构件截面的总高度、总宽度；H1为格构柱工字钢高度；Tw为腹板厚度；Tf为翼缘厚度。

3.3 安全控制分析

将该厂房改造过程安全控制过程分为改造前、首层改造施工和二层改造施工3个阶段，并用SAP2000软件对各阶段指标进行计算，材料强度数据按现场结构检测最不利情况设置，对比改造前后的钢结构厂房安全预警指标数据，结合当地历史气候变化，并假设加固后构件承载力恢复到设计承载力，建立预测样本数据集。

数值分析结构荷载模式包括恒荷载、活荷载、风荷载和地震作用，根据《建筑结构荷载规范》GB5009-2012组合为7个工况。风荷载基本风压为0.45 kN/m2，地面粗糙度为B类，通过建立虚面施加于结构上；结构抗震设防烈度6度(0.05 g)。

将数值模拟数据导入训练好的IPSO-BP神经网络模型中，得到改造前结构受损状态下结构安全预警评估等级，见表6。

从表6中可以看出，厂房在改造前的受损状态下的损伤状态较严重，多个工况综合预警级别为三级乃至四级，不适宜直接改造施工。且由于结构受损，主要结构承载力明显较差(0.94)，施工过程中应严格采取一定的安全控制措施进行干预，避免施工中因受力施焊等工序对结构产生的附加损伤。

表6 受损状况安全预警评估表Table 6 Safety early-warning assessment form of damaged conditions

注：D表示恒荷载；L表示活荷载；W表示风荷载；Q表示地震作用；x，y表示风荷载或者地震作用沿结构的横向和纵向施加。

在改造的第一和第二阶段施工过程，通过对结构进行加固，提高构件承载力后，结构所有工况下综合预警等级均为一级，说明结构整体状态良好，按改造方案施工能基本满足安全施工要求。这一预警评估结果与后续实际施工过程安全状况基本相符，模型可用于受损钢结构改造施工安全预警评估过程。

4 结论

1)与传统的BP神经网络相比，IPSO-BP神经网络算法在综合预警评估方面具有更高的预测精度和更少的迭代次数，有利于更准确地评估结构安全状况，避免安全事故的发生。

2)从环境和结构2个方面构建受损钢结构改造施工安全控制指标体系，包括11个基本指标，设定单项指标预警阈值和综合预警阈值，对受损钢结构改造施工安全状况进行预警评估，有利于提高施工过程安全水平。

3)后续研究将侧重于基于指标监测数据预测改造施工过程各指标未来发展状况，并针对预测数据对改造施工过程结构安全状况进行预警。