基于BP神經網絡的斜拉橋主梁標高預測研究

劉 勝 重

(華南理工大學,廣東 廣州 510640)

?

基于BP神經網絡的斜拉橋主梁標高預測研究

劉 勝 重

(華南理工大學,廣東 廣州 510640)

通過建立某斜拉橋仿真模型，分析了主梁線型變化趨勢及影響其數值的因素，并利用BP神經網絡，建立了一個非線性映射關系，預測了后續節段的前端標高，將預測值與仿真值作了比較，驗證了BP神經網絡預測大跨度斜拉橋主梁線形的可行性。

BP神經網絡，大跨度斜拉橋，標高預測，仿真模型

0 引言

人工神經網絡(Artificial Neural Network,即ANN)最早出現于20世紀80年代，它是通過模擬生物神經元工作原理，利用數學方法建立模型，反復的“擬合—反饋—修正—擬合”把輸入和輸出建立一個非線性的映射關系。我們可以利用這種關系解決很多領域的問題。隨著計算機的普及我們可以在計算機中完成這個復雜的運算過程，所以近幾年來人工神經網絡在模式識別、智能機器人、預測估計、生物、醫學、經濟等領域廣泛運用，解決了許多其他方法難以解決的問題。本文擬通過惠東范和港大橋實例預測其主梁線型變化趨勢。

90年代，我國和國外許多學者進一步豐富和發展了神經網絡領域。尤其是利用它的非線性系統的控制問題。1975年Albus提出了小腦模型關節控制器(CMAC)，Miller等人以此作為基礎，進一步研究非線性動態系統控制問題。1993年Bulsari提出了以乘積Sigmoid函數作為激發函數，得出了神經網絡非線性逼近的構造描述。1997年羅忠等人對CMAC的收斂性和hash編碼對它的影響作了矩陣分析并且證明。人工神經網絡在實際工程領域的運用發展快速。例如華南理工大學韓大建、陳太聰、蘇成利用BP神經網絡對斜拉橋施工過程中的混凝土的彈性模量識別；同濟大學陳德偉、荊國強、黃錚用神經網絡的方法評估橋梁在溫度作用下的撓度行為等等。

本文以惠東范和港跨海大橋為例，按照設計要求建立Midas/civil模型。通過溫度荷載仿真出成橋狀態下中跨1號～23號節段的前端標高，由1號～17號節段建立人工神經網絡模型，18號～23號作為預測數據。

1 BP神經網絡原理

1.1 BP網絡模型

BP(Back Propagation)神經網絡，1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，由輸入層、隱含層和輸出層組成，相鄰層之間的神經元實現全連接，即輸入層與隱含層，隱含層與輸出層每一個神經元實現全連接，相同層神經元之間沒有連接(見圖1)。BP網絡是目前工程應用最廣泛的一種神經網絡模型。

1.2 BP學習算法

BP網絡的學習訓練過程即為：“數據順傳播”→“誤差逆傳播”→“更新權值和閾值”的學習擬合過程。這一過程為一個完整的訓練，經過N次的訓練修正使輸入值與輸出值之間建立良好的映射關系。

反復執行“誤差—修正”“再誤差—再修正”的過程，當誤差數值在達到要求時或訓練次數達到預設值時，訓練結束，儲存該權值、閾值，供下步仿真使用。

1.3 改進BP算法

訓練集的歸一化處理。BP網的輸入值物理量各不相同，數值相差很大，如果不進行處理，會導致網絡權系數的量級相差很大，影響網絡的映射精度和自學習的收斂性。如何既做到不影響數據間的信息聯系，又能使網絡學習的效率和網絡收斂的速度得以提高，為此歸一化法提供了解決這個問題的方法。一般是將各輸入量歸一至[0，1]，由于Sigmoid函數具有飽和非線性特性，值域在[0,0.1]和[0.9,1]區域內曲線很平緩，造成網絡學習效率低、收斂速度慢。因此將輸入向量歸一化至(0.1,0.9)區間。

其中，a,b為兩個常量，可根據數據驗算確定。

2 Midas模型仿真結果與分析

2.1 案例概況

范和港大橋主橋的總體布置為(52.5+99.5+300+99.5+52.5)m，主橋全長604 m。半幅橋橫斷面布置采用0.5 m(防撞欄)+2.5 m(硬路肩)+2×3.75 m(行車道)+0.5 m(左側路緣帶)+0.25 m(C值)+0.5 m(防撞欄)+3.4/2 m(塔柱寬)=26.9/2 m。主橋采用預應力混凝土雙塔單索面斜拉橋，采用塔墩梁固結體系，邊跨各設一個輔助墩。其主橋斜拉橋橋型布置見圖2，圖3。

2.2 仿真分析

L，Nz，Gs，Δs分別為節段前端距離索塔中心距離、節段單元軸向力、對應斜拉索最終拉力、前端標高變量。模型在整體升溫25 ℃后中跨主梁各節段參數見表1。

3 橋梁施工過程的標高預測

3.1 輸入輸出參數的確定

影響橋面標高變化Δs的因素主要有：距索塔的距離L，節段自重G，溫度T，索力Gs，節段軸向內力Nz等許多因素。由于因素多且作用復雜，如果選取的輸入變量太多會增加網絡的復雜程度，且對網絡的一些非主導因素進行訓練，會造成網絡響應差，影響其泛化和適應能力。

由于建模仿真是在同一溫度下進行，溫度差異相同不作為影響因素。該橋梁主梁中跨節段為標準節段，自重基本相同，也不作為考慮因素。綜合考慮后選取距索塔的距離L，索力Gs，節段軸向內力Nz三個因素作為輸入量，橋面標高變化Δs作為輸出量。即BP網絡的輸入神經元數為I=3，隱層神經元數H=2×3+1=7,輸出層O=1。

3.2 歸一化參數

其中，a,b均為常數，a=0.1，b=0.8，表1歸一化后結果如表2所示。

以1號～17號節段作為樣本梁段，18號，19號作為預測梁段。Δs，Δs′分別為標高變量仿真值、標高變量預測值。預測結果進行反歸一化，得到預測與模型仿真對比，見表3，圖4。

表2 歸一化結果

表3 預測值與仿真值對比結果

雖然相對誤差大于10%，但考慮到預測結果是毫米級的，最大的誤差也不超過0.3 mm。所以這樣的誤差是可以接受的，網絡訓練效果良好。

4 結論與展望

1)神經網絡用于預測斜拉橋主梁標高變化走勢是可行的，因此其可以被應用于土木工程領域。2)BP神經網絡的泛化擬合能力受影響因素、樣本數量等多方面的制約，既不能胡子眉毛一把抓，也不能太過于粗糙，需要經過綜合分析選取主要影響因子，這樣可以簡化網絡模型，提高運算速度，而不會因為受到貢獻較小的眾多因子的干擾，影響模型的泛化能力。3)神經網絡既然可以很好地應用于橋梁線型預測，那么是否可以用它來預測斜拉橋掛籃澆筑階段每一個節段的標高變量，更好地提高立模精度，有待驗證。

[1] [加拿大]Simon Haykin.Neural Networks [M].Second Edition.葉世偉，史忠植，譯.A Comprehensive Foundation,北京：機械工業出版社，2004.

[2] 習會峰.基于神經網絡和遺傳算法的橋梁標高預測方法研究[D].廣州：華南理工大學碩士學位論文，2007.

[3] 韓大建，陳太聰，蘇 成.BP神經網絡用于斜拉橋施工過程中混凝土彈性模量的識別[J].橋梁建設，2003(8)：23.

[4] 陳德偉，荊國強，黃 錚.用人工神經網絡方法評估橋梁在溫度作用下的撓度行為[J].結構工程師，2006，22(4)：49.

[5] 劉君輝，宋友成.大跨度橋梁施工過程中參數識別的BP神經網絡方法[J].湖南交通科技，2003，29(2)：26.

[6] 張國棟，彭 剛，王 釗，等.BP神經網絡在單樁承載力預測中的應用[J].三峽大學學報(自然科學版)，2003，25(1)：96.

Study on the prediction of the main girder of cable stayed bridge based on BP neural network

Liu Shengzhong

(South China University of Technology, Guangzhou 510640, China)

Through establishing the cable-stayed bridge simulation model, the paper analyzes major beam linear changing trend and its numerical influencing factors, establishes a nonlinear mapping relation by applying BP neural network, predicts continuous section elevation, compares the predicted value to simulation value, and finally testifies that: it is feasible to predict large-span cable-stayed bridge beam linear by applying BP neural network.

BP neural network, large-span cable-stayed bridge, elevation prediction, simulation model

1009-6825(2016)34-0160-03

2016-09-26

劉勝重(1987- )，男，在讀碩士

U448.27

A