基于GA-BP神经网络的二河闸病害识别方法

胡志浪

(江苏省淮沭新河管理处，江苏 淮安 223005)

存在安全隐患的在役水闸工程，不仅严重影响水利工程兴利效益的发挥[1]，而且威胁着人民生命财产安全[2]。现有的水工结构隐患及病害(损伤)检测方法[3]，主要有人工探视法、破损法及无损检测法[4]。这些方法均需通过大量人工检测、监测和巡查等，耗时耗力；而且用于水工结构的检测不能做到快捷、精细和准确的判断与定位，不易发现水闸工程中所存在的隐患和险情[5]。随着现在对自动化以及信息处理和检索的需求变得越来越重要，就需要寻求水闸典型病害识别方法[6-7]。根据对二河闸的巡查、检测和监测资料的统计，分析二河闸典型病害的分类和成因，但这些不足以建立病害表现与病害类别间的映射关系。

在水闸病害识别的应用中，神经网络具有以下优点：神经网络具有很高的容错性、自组织和自学习功能，能很好地解决水闸病害影响因素复杂的问题；能够极大程度地克服传统病害检测的约束条件，在解决病害识别问题上显示了极大的优越性。此外，水闸病害的影响因素之间的关系属于未知的非线性函数，遗传算法有较好的非线性寻优能力，通过遗传算法优化的神经网络，能够较好地识别水闸病害。基于上述研究背景，根据水闸典型病害的主要影响因素，建立二河闸碳化病害识别模型。

1 基于GA-BP神经网络的二河闸病害识别理论

1.1 神经网络类型的选取

BP神经网络是目前应用较多的神经网络，这主要归结于基于BP算法的多层感知器具有非线性映射能力、泛化能力以及容错能力。

1.2 遗传算法(GA)优化的BP神经网络

虽然BP神经网络具有很好的非线性映射和学习能力，但还未有很好的理论指导和解决方法，如初始权值的确定以及BP算法收敛慢等问题。利用遗传算法能更好地发挥神经网络的泛化能力，并能使神经网络具有很快的收敛能力以及较强的学习能力。遗传算法优化BP神经网络的目的是通过遗传算法得到更好的网络初始权值和阈值，其基本原理即用个体代表网络的初始权值和阈值、个体值初始化的BP神经网络的预测误差作为该个体的适应度值，通过选择、交叉、变异操作寻找最优个体，即最优的BP神经网络初始权值。

1.3 水闸典型病害训练样本主要因素

水闸检测方面的病害识别在理论和经验模型方面均有一定的研究成果。理论模型的物理意义明确，思路清晰，推导严谨，但在实际计算中各系数的确定又依赖试验数据，不便于工程的应用；经验计算模型从试验分析结果出发，往往是在特定的环境下，不能全面考虑各种因素的影响。为此，需对每个病害的影响因素进行详细的分析，根据所拥有的材料选取主要的影响因素作为水闸病害识别神经网络的输入，输入之前还需完成这些影响因素的量化问题。水闸工程主要用混凝土、钢筋、块石、黏土等其他材料，其中混凝土和钢筋的病害最为典型，包括混凝土碳化、开裂、剥蚀破坏和钢筋锈蚀等。下面以混凝土的碳化、裂缝、钢筋锈蚀为例进行分析。

1)混凝土碳化。混凝土碳化是一个缓慢而复杂的过程，涉及到许多材料、荷载与环境变量，如混凝土水灰比、可碳化物质的含量、环境的温度与湿度、CO2浓度、荷载作用方式、混凝土密度与孔结构的时间依赖性等，这些变量中有的表现为较大的随机性，为此需系统地掌握不同因素对混凝土碳化过程的影响。国内外学者对混凝土碳化提出了许多碳化深度预测模型，大致可分为两类：一类是基于试验数据或实际结构的碳化深度实测值，拟合得到的经验模型；另一类为基于碳化反应过程的定量分析建立的理论模型。

2)混凝土裂缝。混凝土结构裂缝的影响因素比较复杂，裂缝的产生与混凝土结构的设计、材料和施工等方面有密切关系。

3)钢筋锈蚀。钢筋的锈蚀速度一般用单位时间的锈蚀量表示，而锈蚀程度就用锈蚀量表示。锈蚀量可以为质量、面积或直径损失，亦可由腐蚀电流或极化电阻来表征。

2 实例分析

2.1 工程概况

二河闸位于江苏省淮安市洪泽区高良涧镇东北约7km处、洪泽湖大堤和苏北灌溉总渠北堤之三角地带，系淮河下游洪水分泄入新沂河、淮河入海水道及渠北临时分洪的关键性工程，又是淮水北调的渠首工程和引沂济淮的主要工程，发挥着泄洪、灌溉、航运、发电等综合效益。工程建成于1958年6月，工程规模为大(Ⅰ)型水闸工程。

二河闸闸身为钢筋混凝土结构，总宽401.82 m，分12块底板(三孔一块计11块，二孔一块计1块)，计35孔，孔宽10.0 m，孔高8.0 m。闸底板高程8.0 m(废黄河口基准面，下同)，闸顶高程19.5 m，胸墙底高程16.0 m，工作便桥桥面高程19.5 m。闸墩下游侧设公路桥，净宽7.0 m，桥面高程19.5 m。工作桥宽4.5 m，桥面高程28.25 m。闸门为实腹式弧形钢闸门，采用35台2×250 kN卷扬式启闭机启闭。岸、边墩厚0.9 m，中墩厚1.3 m。岸墙为钢筋混凝土空箱扶壁式，顶部高程19.5 m。闸上游设有钢筋混凝土护坦、条石和干砌块石海漫及干砌块石防冲槽，高程7.0～8.0 m。闸下游设反滤层、钢筋混凝土消力池和浆砌块石干砌石海漫及干砌块石防冲槽，高程6.0～8.0 m；翼墙为浆砌块石重力式，顶部高程上游18.0 m、下游17.0 m。下游两侧有顶宽30 m、长200 m的导流堤，堤顶高程17.0 m，迎水面均有砌石护坡；上游和下游左侧堤顶高程18.5～19.5 m。下游右侧堤顶高程16.5～18.0 m。二河闸平面布置见图1。

图1 二河闸平面布置图

2.2 二河闸工作桥碳化深度样本采集

二河闸现有局部结构通常在运行的过程中表现出明显的腐蚀，影响结构的耐久性，而碳化深度是钢筋混凝土腐蚀的主要原因。为此，将碳化深度选为研究对象，进行病害识别实例分析。

碳化系数需考虑水泥品种、水泥用量、水灰比、骨料品种及级配、掺合料、外加剂、混凝土表面覆盖层、环境相对湿度、温度、空气中的CO2浓度、混凝土搅拌、振捣和养护、时间。

其中，水泥品种、水泥用量、水灰比、骨料品种及级配、掺合料、外加剂和混凝土搅拌、振捣情况的参数在样本中难以找到。而混凝土抗压强度是反映混凝土力学性能的基本指标，它综合反映了混凝土水灰比、水泥用量、骨料品种及级配、施工质量等对混凝土耐久性的影响，且抗压强度测试方法简单成熟，在混凝土配合比设计和工程现场检测时可以得到实测数据。因此，选用混凝土抗压强度作为碳化深度的影响指标。考虑水闸不同构件的应力不同，统一选择不同位置工作桥桥梁碳化深度的平均值作为识别目标。由于选取的样本为水闸工作桥桥梁的不同部位，空间区域差别性不大，所以视CO2浓度相似，不予考虑。由于所采取的表面处理方式相同，本次分析亦不考虑其影响。淮河流域年平均气温13.2℃～15.7℃，气温南高北低，四季分明，春暖、夏热、秋爽、冬冷。该流域相对湿度较大，年均相对湿度为66%～81%，南高北低，东高西低。因此，此次计算碳化影响因素选取二河闸混凝土的抗压强度、温度、相对湿度。从安全鉴定报告中随机抽取50个样本，原始数据见图2-图5。

图2 样本点混凝土抗压强度

图3 样本点温度

图4 样本点相对湿度

图5 样本点实际碳化深度

2.3 基于BP神经网络的训练

由样本选取水闸混凝土强度、平均温度、平均湿度，作为3个变量输入参数，将碳化平均深度作为识别对象即1个输出参数，取隐含层节点数为8，因此设置的BP神经网络结构为3-8-1，即输入层有3个节点，隐含层有8个节点，输出层有1个节点，共有2×8+8×1=24个权值，8+1=9个阈值，根据种群初始化方法，将遗传算法个体编码长度为24+9=33。从二河闸安全鉴定报告中随机得到的50组样本中，40组作为训练数据，用于网络训练，10组样本作为测试数据。把训练数据预测误差绝对值和作为个体适应度值，随着个体适应度值的减小，该个体表现越优。遗传算法参数设置为：种群规模为10，进化次数为10次，交叉概率为0.3，变异概率为0.1。BP神经网络主要用到newff、sim和train共3个神经网络参数，其中newff用于构成一个BP神经网络，train用训练数据训练BP神经网络，sim用训练好的 BP神经网络预测函数输出。BP神经网络参数设置为：迭代次数为100次，学习率为0.1。

2.4 模型识别结果与分析

根据GA-BP神经网络的二河闸病害识别理论，运用Python语言编写基于GA-BP神经网络的二河闸病害识别方法的计算程序，通过运行程序，模型识别结果见图6、图7。

计算结果如下：

1)由图6-图7可见，模型识别结果能较好地反映实测值，表明网络学习成功，但是个别误差还较大。出现这种情况的原因可能是由于碳化样本资料的随机不确定性、养护条件及未考虑表面情况。

图6 BP神经网络碳化识别深度

图7 GA-BP神经网络碳化识别深度

2)基于GA-BP神经网络预测碳化深度的结果比只采用BP神经网络预测的预测结果较优。表明遗传算法优化能兼顾碳化样本个体表现出的特征。

3)在分析各病害的影响因素的基础上，通过遗传算法的神经网络训练，可以预测和识别水闸病害情况，为水闸工程病害的发生和发展分析提供了一种新的途径。

3 结 论

根据水闸病害的特点，研究了水闸工程病害的识别方法，主要结论如下：

1)分析水闸病害识别的特点，研究BP神经网络的优势，结合遗传算法，建立了基于GA-BP神经网络的二河闸病害识别模型。

2)收集二河闸工程碳化深度样本，应用遗传算法BP神经网络对二河闸碳化病害进行预测和识别。分析结果表明，在深入分析水闸病害影响因素的基础上，用遗传算法和BP神经网络模型识别水闸病害是可行的。

3)影响水闸病害的因素复杂，有定量因素，更多的是定性因素，利用模糊数学等方法将定性指标量化，可以提高病害识别的准确性。