基于神经网络的大跨度预应力混凝土桥梁运营状态预警

时间：2024-07-28

周潇

(武汉市城市路桥收费管理中心，湖北武汉 430050)

[定稿日期]2017-06-28

预应力混凝土箱梁桥在运营期持续下挠，一直是桥梁工作者重点研究的问题。人工神经网络是基于数据统计类型的学习方法，不需要知道数据之间的因果关系，非常适合于针对影响因素众多、因果关系难明的结构长期下挠这类复杂问题进行研究。结合一座预应力混凝土连续梁桥的健康监测系统监测数据，采用神经网络方法对此类桥梁运营状态进行预警。

1 人工神经网络

人工神经网络(简称ANN)是模拟生物大脑神经突触连接结构进行信息处理的一种数学模型。它由大量神经元相互连接而成，每个神经元代表一种激励函数，神经元之间的连接对通过该连接的信号赋予权值，神经元的输出则由输入、权值和激励函数共同决定。因此，神经网络可以理解为对某种算法、函数的逼近拟合或者是对一类逻辑关系的表达。BP神经网络由于其结构简单、可调参数较多、训练算法较多、可操作性好而广泛应用(图1、图2)。

图1 三层BP神经网络结构

图2 神经元结构模型

用ANN进行桥梁运行状态预警的基本原理如下：将挠度传感器监测的挠度数据作为ANN的输入量，它的输出量为桥梁运行状态(以0表示报警，以1表示正常)。首先，神经网络要经过训练学习，用以往监测数据作为测试样本对神经网络进行训练，这样就将样本库的知识以网络的形式存储在神经网络的连接权中，当结构承载能力发生变化导致结构挠度测试结果出现异常状态时，将此模式输入到已训练好的神经网络中，通过分析，得出诊断结果。

2 工程概况

某桥为跨径布置(65+126+65) m的预应力混凝土连续箱梁，为研究结构下挠机理，该桥安装了基于连通管法的结构挠度长期监测系统，分别提取中跨、边跨L/2测点挠度时程曲线数据作为样本空间。

3 人工神经网络方法预警实例

按照融合的监测数据(样本空间)的不同，预警模式分为一级预警和二级预警两级。待融合关键测点设置见表1。

表1 待融合关键测点

3.1 一级预警

一级预警即日常预警，以前三天每天凌晨固定时刻的数据进行融合，生成神经网络样本空间，训练测试神经网络，对当天测试值进行预警，预警频率为每天一次。

将融合测点监测挠度作为神经网络输入，将结构状态作为输出。采用S形函数 (Logistic function) 作为激活函数，该函数值域为[0,1]，能够以0，1表示结构运行状态。网络参数设置为：训练次数1 000次，训练目标1e-6，学习效率为0.1。神经网络输出结构状态位置，当输出为1时，结构运行状态良好；当输出为0时，结构异常报警。

样本空间为P0[360×16]；训练样本中，正常值样本为P1[270×16]，报警值样本为P2[30×16]；测试样本中，正常值样本为P_1test[50×16]，报警值样本为P_2test[10×16]。训练样本空间部分数据如表2所示。

表2 神经网络训练样本空间部分数据 mm

3.2 二级预警

二级预警即实时预警，以过去一年的数据进行融合，生成神经网络样本空间，训练测试神经网络，对实时测试值进行预警，预警频率为每分钟一次。

在生成神经网络训练样本时，需要有正常值与报警值，正常值选择过去一年中部分实测挠度值作为样本，报警值则按照前文提出的实时监测阈值(各融合测点年度最大挠度)的随机倍数(1～2)来生成。其中，样本空间为P0[415×16]；训练样本中，正常值样本为P1[270×16]，报警值样本为P2[30×16]；测试样本中，正常值样本为P_1test[50×16]，报警值样本为P_2test[10×16]。训练样本与测试样本均从样本空间选取，训练样本与测试样本不重复选取。

生成样本空间，待神经网络训练完成后，得到两级预警报警结果(图3、图4)。

图3 一级预警报警测试结果

图4 二级预警报警测试结果

生成样本空间，待神经网络训练完成以后，进行两级预警，一级预警选用前3 d的实测数据，来对后一天数据进行预警，当后一天实测数据明显突变时，预警机制能够发现并给出预警结果。由于短时间内实测数据不会有很大差别，因此，一级预警具有较高精度，二级预警预测模型具有更好的稳定性。一级预警预测结果稳定性略差，但是也能够实现异常值报警。