基于BIM和神经网络的大跨度钢屋盖监测数据解析

2020-11-03杨春李鹏麟熊帅薛华王汉武许锴

华南理工大学学报（自然科学版） 2020年9期

杨春李鹏麟熊帅薛华王汉武许锴

(1.华南理工大学土木与交通学院，广东广州 510640;2.华南理工大学亚热带建筑科学国家重点实验室，广东广州 510640;3.赛昂斯(深圳)智能科技有限公司，广东深圳 518049;4.深圳生富检测股份公司，广东深圳 518067;5.珠海市建设工程质量监督检测站，广东珠海 519015)

为保障大跨度空间钢结构的结构安全和管理维护的需要，须对其进行结构健康监测。复杂、大型的大跨度空间钢结构的监测将产生大量而复杂的监测信息，这给监测信息的整合、管理、分析带来了挑战。目前，在结构健康监测领域，监测数据的自动化采集已经发展较为成熟，但对监测数据的解析研究较少，因此，结构的安全状态评估缺乏时效性和直观性。如何在现有技术条件下，对海量的结构监测实测信息进行解析，成为结构健康监测系统研究的一个重点。

大跨度空间钢结构具有高冗余度、结构大面积分布和材料导热性良好等特点，使得温度效应对总应变有明显影响。另外，温度变化具有短期内以天为单位周期性变化、长期内以年为单位季节性变化的特点，人们可以利用应力与温度的非线性关系对温度效应进行预测并从实测的总应变中分离。不仅如此，大跨度空间钢屋盖具有跨度大、开敞式和结构刚度与质量分布不均匀的特点，使得风荷载同样成为影响结构总应变的主要因素。由此可知，亟需在大跨度空间钢结构的健康监测平台上开发监测数据解析功能，以实现温度效应预测和风荷载识别。

至今为止，许多学者在结构健康监测数据解析方面做了相关研究。利用在大型结构健康监测项目漫长的监测周期内所产生的大量监测数据，对多工况和环境耦合下结构的静动力学行为进行解析是目前学者们研究的重点。孙雅琼等[1]利用多元线性回归模型较好地拟合了斜拉桥温度与应变的线性关系，在此基础上剥离应变实测数据的温度效应，实现了斜拉桥动荷载的识别；利用结构温度效应与其他荷载效应在时间尺度上不耦合的特点，刘纲等[2]通过自适应带宽法实现了温度效应的精确分离；陈德伟、周峰等[3-4]将神经网络方法应用于温度效应的剥离，分别实现了桥梁结构实测挠度数据的解析和大跨度空间钢结构雪荷载的识别，具有一定的工程实用价值；在剥离出温度效应的基础上，袁昆[5]利用移动平均法实现了桥梁结构恒荷载应力与除温度荷载应变外的其他活荷载应力的分离，在监测阶段对桥梁构件承载能力利用率进行了精确计算。李惠等[6]利用压缩感知理论，实现了桥梁结构健康监测中丢失数据的恢复和车辆荷载的识别；祝青鑫等[7]利用小波分解技术剥离了车辆荷载应变，基于自适应神经网络模糊推理系统建立温度和应变响应的非线性关系，实现了温度应变的预测；Kromanis等[8]提出了一种基于回归的热响应预测方法，实现了依据分布温度测量数据对结构热响应进行预测；Bai等[9]采用奇异谱分析与多项式回归相结合的方法实现了结构温度应变的再现和预测；Goulet等[10]利用贝叶斯动态线性模型将观测到的结构响应分离为子组件，并指出该模型能模拟结构在环境变化下的响应；Hedegaard等[11]提出了一种基于线性回归的方法来分离监测数据中的温度相关变形与时间相关变形。在上述研究的基础上，笔者结合建筑信息模型(BIM)技术和反向传播(BP)神经网络，进行了基于BIM平台的大跨度空间钢结构健康监测系统的开发，以实现大跨度空间钢结构监测数据及时准确的交互、解析及显示。

本研究以港珠澳大桥珠海公路口岸钢网架屋盖结构的实测温度、应变数据为工程背景，利用BP神经网络模拟温度和应变之间的非线性关系，实现了大跨度空间钢结构温度效应预测。整体实现流程如下：利用连续多天采集到的温度和应变数据对BP神经网络模型进行训练和验证工作；将温度效应和风荷载作用下结构的监测应变分离，实现杆件荷载的主导工况自主判定；开发基于数据库与Matlab接口的神经网络程序，以插件的形式嵌入BIM软件中，并将监测数据解析后的信息集成于BIM三维模型中，从而指导监测人员检修结构。

1 工程概况

港珠澳大桥珠海公路口岸位于港珠澳大桥珠澳口岸人工岛珠海公路口岸管理区，该建筑由旅检大楼A区、旅检大楼B区、交通中心和交通走廊4部分组成，效果图和实景图分别如图1、图2所示。工程采用钢管混凝土柱与钢网架屋盖的结构形式，其中旅检大楼A区钢网架屋面总面积近70 000 m2，横向跨度约240 m，纵向跨度约330 m，自身质量近1.4万吨。本工程于2017年12月28日竣工，监测团队在建筑运营期介入，监测项目的相关测点布置图如图3所示。

图1 港珠澳大桥珠海公路口岸效果图Fig.1 Rendering of Zhuhai port of Hong Kong-Zhuhai-Macao bridge

图2 港珠澳大桥珠海公路口岸实景图Fig.2 Reality images of Zhuhai port of Hong Kong-Zhuhai-Macao bridge

2 BP神经网络介绍

人工神经网络，简称“神经网络”，它是对人类的大脑系统一定特征的抽象描述，作为对人脑最简单的一种模拟，是一种人工智能数学模型[12-13]。神经元模型如图4所示，由输入信息x得到输出结果y，其中权值和阈值分别为w和b。神经网络的神经元利用权值、阈值和激活函数将接收的输入信号转换为输出信号，紧接着，转换后的输出信号将作为下一层神经元的输入信号逐层向前传播。

图4 神经元模型图Fig.4 Diagram of neuron model

3层BP神经网络结构如图5所示，同一层神经元互不连接，不同层神经元相互连接。Φ、φ分别表示隐含层和输出层的函数表达式，θ、a分别表示隐含层和输出层的阈值，o为输出值。如果把该网络算法的训练视作非线性函数的拟合，各神经元在网络中的连接权值视为变化参数，那求得精确的参数就是该算法的目的。一旦输出层不能得到期望的输出结果，训练误差就从输出层一层层反向传播至输入层，逐次调整网络各层的权值和阈值。前向和反向这两个过程反复进行，使得误差达到精度要求，网络训练结束[14]。

(a)上弦杆相关测点布置图

输入层隐含层输出层图5 3层BP神经网络图Fig.5 Diagram of three-layer BP neural network

3 温度效应的预测

3.1 温度荷载特性对结构的作用

温度应变与结构构件的边界约束情况、温度场分布等因素密切相关。结构边界约束越多，温度场分布越不均匀，则其产生的温度效应越大、非线性越强。李惠等[15]在对国家游泳中心钢结构运营期间的杆件应变监测中指出，温度作用是杆件应变变化的主要影响因素，一般杆件表面温度每变化1 ℃，微应变(με)变化约10。一般而言，对于非线性结构，温度与杆件应变的变化关系具有明显非线性特征。另外，如果线弹性结构的结构组成和所处环境较为复杂时，温度与杆件应变的关系同样具有非线性特征。在港珠澳大桥珠海公路口岸钢网架屋盖结构中，其边界约束复杂、覆盖空间大且温度场分布不均匀，温度与应变关系也具有明显的非线性特征。

温度对结构的作用主要通过以下几个方面体现：①年温度作用。长期作用于结构，对整体影响大，年温度变化主要由季节性的温度转变所引起，通常较为缓慢，分析较简单。②骤然降温作用。短暂作用于结构，对整体影响大，短时间的温度突变主要是由日夜温差积累后形成的结构内外温差或强冷空气的来袭所引起，分析较复杂。③太阳辐射作用。短暂作用于结构，对局部影响大，分析最复杂。可以看出，工程结构的温度效应是与时间相关联的函数序列。由测点监测得各杆件的温度与应变变化趋势如图6所示。

图6以S3-9、F3-2和X3-5杆件为例，给出了2018年9月3日至2018年9月15日旅检大楼A区钢结构屋盖上、下弦杆和斜腹杆应变与温度的变化趋势，各杆件位于屋盖的位置见图3。从图6中可以看出：

(a)上弦杆S3-9

(1)在日温变化影响下，钢结构屋盖的应变变化与温度变化保持相同的走向，显示出很强的相关性；

(2)应变变化相对温度变化存在一定的滞后性，这是因为环境温度变化后，钢材的吸热及结构内力重分布需要时间；

(3)在外界的气温变化和辐射影响下，上弦杆直接受到太阳照射，温度变化幅度大，最大温差可达近10 ℃，斜腹杆次之，其最大温差也能达到8 ℃，下弦杆温度变化最为稳定，温差幅度约为6 ℃；

(4)日温变化影响下，上弦杆温度变化幅度最大，微应变(με)变化幅度达到22，斜腹杆次之，微应变(με)变化幅度达15，下弦杆应变变化最稳定，微应变(με)变化幅度约为12。

3.2 神经网络模型训练

本节将采用3层BP神经网络进行模型的训练和检验工作。数据样本为港珠澳大桥珠海公路口岸健康安全监测系统在2018年9月3日到2018年9月15日共13天所采集到的应变和温度数据。该网络的输入信号和输出信号分别为结构的温度变化和应变变化。输入层为3个神经元，分别对应屋盖上、下弦杆和斜腹杆的温度变化，输出层为一个神经元，对应结构中某杆件的应变变化，经过反复训练测试，确定隐含层为5个神经元，由此建立神经网络训练模型：

f(x1,x2,x3)=tanh(w15tanh(w53[x1;x2;x3]+b51)+b1)

(1)

其中：tanh为双曲正切型函数，w15和b51为一行五列的矩阵，w53为5行3列的矩阵，b1为常数。前7天监测系统所采集的监测数据为训练样本，样本数量为324；后6天监测系统采集的监测数据为检验样本，样本数量为234。通过3层BP神经网络模型训练完成的温度与应变关系的拟合效果如图7所示。

由图7可得，钢结构屋盖杆件温度与应变变化的非线性关系大致呈现出纺锤形。结合图6杆件温度与应变的变化趋势，纺锤形面积越小就越趋向于一条直线，温度与应变变化的线性关系越强，反之则非线性关系越强。利用训练完成的温度与应变之间的BP神经网络模型便可实现温度效应的推算，从而得到温度效应下温度应变的响应值，如图8所示。

从图8中可以看出，经大量实测温度、应变数据训练所得到的神经网络模型预测了温度应变，实测值与训练值之间的差值是其他环境荷载(尤其是风荷载)作用下结构产生的应变值及模型的训练误差。随后，利用多元判定系数R2来测定神经网络模型的拟合效果。多元判定系数R2越接近1，该神经网络模型拟合效果越好。表1给出了部分测点的多元判定系数，均接近或达到了0.95以上，表明拟合优度高。因此，通过该神经网络模型可实现温度荷载效应与其他荷载效应的剥离，也可以通过温度变化趋势来预测温度效应。

表1 拟合优度结果Table 1 Results of goodness of fit

(a)上弦杆S3-9

4 风荷载作用下的结构监测应变分离

4.1 总应变组成成分分析

由应力应变传感器监测得到的总应变是一段时间序列数据，可将杆件总应变分解为恒荷载应变、温度效应应变和其他活荷载应变3类，如下式：

ε(t)=εD+εT(t)+εL(t)

(2)

式中，ε(t)为总应变，εD为恒荷载应变，εT(t)为温度效应应变，εL(t)为温度效应以外的活荷载应变。因为监测项目是在建筑的运营期间介入，应变传感器在采集数据前均进行了初始值调零，所以采集到的应变数据不包含恒荷载应变。温度效应以外的活荷载应变具有随机性，对于沿海大跨度空间钢结构，温度效应以外的活荷载以风荷载为主。以S1-7杆件为例，图9显示了其从2018年9月4日到2018年9月20日共17天的实测应变及温度变化图。9月16日，超强台风“山竹”登陆珠海，导致杆件在当日的实测应变变化趋势与温度变化趋势不协同，杆件在14时24分达到最大的应变变化值。根据连续17天的气候条件，该杆件显示了分别以温度工况为主导和以风荷载工况为主导的两种性质不同的总应变值。

图9 杆件S1-7不同时期所监测到的温度及对应应变Fig.9 Temperature and corresponding strain of member S1-7 measured in different periods

4.2 风荷载作用下的结构监测应变分离

利用上述的BP神经网络模型进行预测，提取出温度荷载作用下的应变分量。在此基础上，风荷载应变响应取为实测应变值与预测温度应变效应的差值，由此完成了风荷载作用下结构监测应变的分离。风荷载作用下结构的应变计算公式如下式所示：

εW(t)=ε(t)-εT(t)

(3)

式中,ε(t)为总应变，εW(t)为风荷载引起的结构杆件应变。S1-7杆件相关结果如图10所示。

图10 杆件S1-7不同时期所监测到的应变解析图Fig.10 Strain analysis of member S1-7 measured in different periods

从图10可知，台风登陆之前，温度荷载应变是结构主导应变，风荷载微应变(με)在±4范围内波动。9月16日，超强台风“山竹”登陆，杆件的最大风荷载微应变(με)达到28，此时温度效应仅为2.9，随后，台风转移，温度荷载应变重新成为主导应变。

5 功能开发

本节开发基于数据库与Matlab接口的神经网络程序，以插件的形式嵌入Revit软件中，并将监测数据解析后的信息集成于三维模型，从而指导监测人员对结构进行检修。

5.1 C#.NET与Matlab接口

Matlab集成了矩阵计算、数值分析以及非线性拟合等功能，内置了多种功能强大的神经网络工具箱。本研究运用C#作为Revit的二次开发工具，在.NET环境中实现对Matlab神经网络工具箱的调用，将神经网络工具箱的功能嵌入Revit软件中，使其成为监测平台的一部分。

文献[16]指出，只有Matlab引擎技术支持.NET环境中调用Matlab工具箱。Matlab引擎函数库是Matlab提供的一系列程序的集合，允许开发人员在应用程序中调用Matlab函数，相当于在后台启动了一个Matlab进程。因此，本研究调用Matlab引擎函数来实现.NET与Matlab之间的信息交换。

5.2 设计思路

Revit软件大跨度空间钢结构健康监测平台的温度响应预测和应变构成分析功能的开发流程如下：

(1)提取数据库监测值和神经网络参数生成输入矩阵。由于Matlab神经网络工具箱是基于矩阵进行运算的，程序需要将数据库中的监测数据和神经网络参数序列转换为样本矩阵。

(2)Matlab引擎调用神经网络工具箱对样本进行训练。对样本矩阵进行神经网络模型训练，完成训练后自动计算多元判定系数R2来评价神经网络模型的拟合程度，如果R2的计算结果小于0.95，应重新训练网络。

(3)显示应变监测数据解析结果。所开发程序的神经网络模型应用方式如下：①输入预测温度获得该温度效应下的结构应变；②通过提取数据库历史时间段温度数据来获取历史应变解析折线图；③提取数据库实时温度数据，对杆件荷载进行主导工况判定，并将在Revit三维模型中实时显示应变解析信息。

5.3 编制M文件

在M文件中编写调用神经网络工具箱的函数，该函数核心代码如下：

Function [Result] = Test(matrixIn,matrixOut,TestIn,Par)

net=newff(matrixIn,matrixOut,Par(4),{′tansig′,′tansig′});

net.trainParam.epochs=Par(1);

net.trainParam.lr=Par(2);

net.trainParam.goal=Par(3);

net=train(net,inputn,outputn);

TestOut =sim(net,inputn_test);

将归一化的训练样本矩阵进行网络训练，最后利用训练好的神经网络对输入数据进行预测。

5.4 在.NET环境中实现温度效应预测

创建M文件后，仍然需要通过Matlab引擎，在.NET环境中调用上述的神经网络工具箱Test()函数。即通过PutFullMatrix()方法向Matlab Server添加矩阵，然后通过GetFullMatrix()方法向Matlab Server读取矩阵，最后通过Execute()方法实现脚本运算。

在此基础上，利用ADO.NET从监测数据库中提取训练样本数据，通过神经网络模型界面提取神经网络工具箱中的参数数据。训练样本和参数确定后，调用第5.3节编写的Test()函数完成神经网络模型训练。最后使用GetFullMatrix()函数从结果矩阵中提取预测温度效应。简要代码如下：

MATLAB.PutFullMatrix("dataIn","base",dataIn,dataInIm);//向Matalb中添加样本矩阵

MATLAB.PutFullMatrix("Par","base",Par,ParIm);//向Matalb中添加参数矩阵

MATLAB.PutFullMatrix("dataTest","base",dataTest,dataTestIm);//添加测试数据

command=@"[Result]=Test(dataIn,dataOut,dataTest,Par)";//调用m文件中Test函数

MATLAB.Execute(command);MATLAB.GetFullMatrix("Result","base",ref dataTestOut,ref dataTestOutIm);//提取矩阵

5.5 Revit软件监测数据解析功能开发

运用C#作为Revit的二次开发工具，把神经网络程序以插件的形式嵌入Revit中，形成应变解析模块。

开发的Revit软件应变解析模块有以下两种功能：

(1)实时应变构成分析功能。神经网络模型训练完成后，从数据库获取实时温度数据进行应变监测数据解析。图11所示的分析栏中显示了实时应变构成分析结果，其中总应变为目标杆件实时应变监测数据，温度应变为实时温度监测数据对应的神经网络拟合值，风荷载应变为总应变和温度应变的差值。如果温度应变大于风荷载应变，则荷载主导工况为温度荷载，反之则荷载主导工况为风荷载。此外，实时应变构成分析结果将集成于Revit模型的传感器属性表中，见图12。当风荷载为主导荷载工况，对应传感器将在三维模型中高亮显示，如图13所示。基于BIM的监测数据解析功能将应变构成信息集成于三维模型中，有助于监测人员在极端大风环境下快速找出以风荷载为主要控制荷载的杆件，以指导结构检修工作。