基于静力应变数据的BP神经网络损伤识别算法

崔宝影，程权成

(1.辽东学院 工程技术学院，辽宁 丹东 118009；2.辽宁机电职业技术学院 华孚仪表学院，辽宁 丹东 118009)

随着现代交通的不断发展，桥梁成为城市交通不可或缺的重要建筑。随着运行期间环境因素及超载超重等因素对桥梁造成的损伤，长期积累就会引起桥梁的坍塌，带来巨大的经济损失，更甚者会引发人员伤亡。因此，基于桥梁的监控状况进行损伤识别达到有效预警，从而避免损失和人员伤亡是非常必要的。

秦伟亮等人针对青岛某大桥建立多尺度模型，基于该模型模拟损伤获得应变响应数据，然后利用BP神经网络进行损伤位置和损伤程度识别[1]。黎波对基于人工智能算法的结构损伤方法进行了综述，探讨了RBF神经网络、BP神经网络和遗传算法的优缺点[2]。邢哲等人针对网架结构利用有限元模型分析获得模态参数和位移振型组合参数作为RBF神经网络的样本库，采用先确定可疑损伤位置，后精确损伤位置和损伤程度的方法进行结构损伤识别[3]。许如锋等人针对连续桥梁有限元模型获得伪比能变化率作为样本空间，采用改进粒子群算法优化BP神经网络的算法(PSO-BP算法)识别桥梁的损伤位置和损伤程度[4]。李雪松等人针对简支梁模型，通过试验的方法获得传感器数据作为卷积神经网络的样本空间，将加入噪声后的测试数据进行损伤识别，结果表明该方法能够精确的识别损伤位置[5]。韩西等人针对简支工字梁有限元模型获取频率差作为BP神经网络的样本空间，通过构造不同的隐含层节点数和传递函数建立神经网络模型，从中选取识别效果最好的数据构造神经网络模型[6]。刘波等人针对两跨连续梁有限元模型获取振型差值曲率作为BP神经网络的样本空间，结果表明，该方法能够很好的识别损伤位置和损伤程度[7]。谭冬梅等人针对随机车载下大跨斜拉桥模型获取振动测试信号并利用小波包分解获得BP-AdaBoost模型的样本空间，结果表明，该方法在噪声情况下依然能够有效识别损伤[8]。

本文以桥梁损伤预警为出发点，以桥梁有限元模型为研究对象，通过有限元分析获取静力应变数据作为BP神经网络的样本数据来训练并测试神经网络，并基于该神经网络测试某实际桥梁的健康状况。

1 建立有限元模型

本文围绕秦皇岛某桥梁展开研究，该桥由3联12跨构成，每跨20 m长。每一跨桥梁的结构相同，由六片单箱单室箱梁构成，采用梯形箱型截面，每个截面的尺寸各有不同，在此不一一赘述。根据图纸中桥梁的尺寸利用ANSYS建立有限元模型的截面和桥墩并划分网格。然后选用单元模型BEAM188模拟主梁、BEAM44模拟连接主梁的湿接缝。同时，根据工程所用材料和工程经验，选取弹性模量Ec=3.4×104MPa，泊松比μ=0.22，密度ρ=2.6×103来定义单元类型。最终构造有限元模型并通过有限元分析和敏感度分析，定义4处损伤位置(认为桥梁左端为坐标原点0)：0.6 m、5 m、10 m、15 m。

通过降低单一损伤位置的弹性模量获得对应的静力应变数据，将其代入公式(1)得到损伤识别因子(即神经网络的样本数据)。应变数据共选取2号梁0.6 m、5 m、10 m、15 m，3号梁0.6 m、10 m、15 m，4号梁0.6 m、5 m、10 m，5号梁0 m、0.6 m、10 m和15 m共14处，其位置选取的依据是桥梁实际传感器的安装位置(实际安装位置通过敏感分析结合工程经验获得)。

(1)

其中，i=1,2,3,4表示位置i发生损伤，j=1,2…14表示第j个位置的传感器数据，Suj和Sdj分别代表未发生损伤和存在损伤时传感器j的静力应变数据，表示发生损伤i时传感器j的静力应变变化率。

2 基于BP神经网络的算法研究

本文搭建的BP神经网络 (以下简称BPNN)的模型包括输入层神经元个数14个，对应静力应变变化率，隐含层一层，设置神经元的个数5个，输出层神经元个数4个，对应不同的损伤位置。其模型如图1所示。

本文选取训练样本为损伤程度设置为10%、20%、30%、40%情况下得到的静力应变变化率，测试样本为损伤程度设置为35%、50%得到静力应变变化率。利用以上结构及数据首先进行损伤位置识别，输出结果在相应损伤处位置显示1，否则显示0，基于该模型训练神经网络，然后利用测试样本进行测试，其输出结果如表1所示。

表1 神经网络损伤位置测试结果输出

将表中大于0.8的数据看作1，小于0.2的数据看作0，则可以看出实际结果与期望结果相吻合。表明此BPNN可以准确地识别损伤位置。

当明确桥梁有损伤后，可以进一步识别其损伤程度，BPNN的结构不变，只输出结果对应损伤程度。依然用16组数据训练BPNN，用余下8组进行测试，得到的神经网络的测试结果如表2所示，其测量数据识别误差如图2所示。

表2 神经网络损伤程度测试结果输出

测试误差分析得到：

a)识别样本损伤程度的误差低于3.5%。

b)识别损伤样本35%的误差要低于损伤样本50%的误差。证明BPNN具有较好的内插能力。

最后，利用该网络进行实测。首先将桥梁某时间段每隔半小时采集的7组静力应变数据用于神经网络，测试其损伤位置，测得结果如表3所示。

表3 实测数据对应的神经网络输出结果

依然利用大于0.8的数据看作1，小于0.2的数据看作0的原则观察数据，发现其输出结果都为0，因此判断桥梁无损伤位置。

3 结论

本文研究了一种以静力应变数据作为损伤识别因子的结构损伤识别方法。该方法以一座实际桥梁为研究对象，首先利用ANSYS软件建立其有限元模型，并通过降低弹性模量的方法得到不同损伤状况下的静力应变参数构成样本空间。将样本空间区分为训练样本和测试样本，然后训练和测试BPNN。实验结果可以看出，训练后的神经网络可以精确地判断出损伤位置和损伤程度。最后，基于本文提出的方法利用一组实测数据进行测试，从输出可以判断桥梁的健康状况。这也进一步说明了该方法能够实现对桥梁的健康监测和损伤预警。

下一步的研究将着重于两方面：一方面将继续监测该桥梁的健康状况，获取更多的实测数据测试并改善桥梁结构损伤识别方法，另一方面将研究优化算法，以解决神经网络容易陷入局部最优问题，使得结构损伤识别算法具有更高的稳定性。