關于人工神經網絡在橋梁工程中的應用的綜述

王超宇

(重慶交通大學建筑與土木工程 400074)

關于人工神經網絡在橋梁工程中的應用的綜述

王超宇

(重慶交通大學建筑與土木工程 400074)

本綜述盡可能詳細地介紹了人工神經網絡這一熱門方法，然后通過幾個工程實例說明了人工神經網絡在橋梁工程中各方面的應用。

人工神經網絡；橋梁工程；橋梁損傷檢測評估。

0 引言

在過去的十年中，人工神經網絡的研究已經深入涉及到各個領域，[1]成功解決了如智能機器人、自動控制、生物、經濟以及醫學等領域許多傳統計算機難以解決的實際問題，體現出了良好的智能特性。在工程方面，人工神經網絡也起到了很大的作用，尤其是在施工控制、橋梁損傷診斷、結構可靠度分析等方面起到了很大的作用。

1 何為人工神經網絡

人工神經網絡（Artificial Neural Network，即ANN ），是20世紀80 年代之后人工智能領域興起的研究熱門。[2]它是通過信息處理，然后對人腦神經元網絡進行抽象， 建立一種簡單模型，按照不同的連接方式組成不同的網絡。在工程界和學術界，它通常被稱為神經網絡或類神經網絡。神經網絡是一種運算模型，由大量的節點（或稱神經元）之間相互聯接組成。每一個節點代表一種特定的輸出函數，稱之為激勵函數（activation function）。每兩個節點之間的銜接都代表著一個對于經過該連接信號的加權值，稱之為權重，這就相當于人工神經網絡的記憶。網絡的輸出則依網絡的銜接形式，權重值和激勵函數的不同而有差別。[3]而網絡自身通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。

2 人工神經網絡在橋梁工程中的應用

2.1 人工神經網絡在工程控制中的應用

以三灘黃河大橋為例[4]，概述神經網絡在工程控制中的作用。三灘黃河大橋位于國道109線，其主橋為78+140+78三跨預應力混凝土連續鋼構，采用懸臂施工法。利用Matlab工具箱進行整個神經網絡的初始化、訓練和仿真過程。首先組建網絡，再把樣本矢量作為輸入值輸入網絡，得到訓練權值，這樣，此神經網絡就完成了他的學習過程，可以用來進行測試了。然后選取某幾個梁段當做例子，把預測矢量輸入到網絡中，根據預測的樣本矢量對這幾個梁段的立模標高進行預測，可以從仿真結果中得到立模標高，發現預測值與設計值相差很小，說明BP神經網絡對于橋梁施工過程可以進行有效的預測控制。

2.2 人工神經網絡在橋梁結構損傷識別中的作用

2.2.1 “三步法”對橋梁的結構損傷檢測

橋梁結構在運營過程中，時刻都在經受著各種各樣的荷載，[5]如一期荷載、二期荷載、車輛沖擊荷載等，可以說一座橋梁在建成運營前就在承受荷載，再加上混凝土收縮徐變、預應力松弛、溫度變化對結構內力的影響等，都會對橋梁結構形成不同程度的損傷。然而根據現有的文獻資料看來，還沒有特別系統的關于橋梁結構損傷診斷的方法。這里擬選用對損傷敏感的動力參數作為指標，再次應用BP神經網絡，驗證神經網絡在橋梁結構損傷識別中的作用。橋梁損傷診斷一般分為探傷、定位和評估損傷程度三個步驟[6].以一座全長 637.06米的簡支梁橋為算例來進行診斷。使用ANSYS對該橋某跨建立三維有限元模型，通過降低單元的剛度來模擬損傷工況，并且為了模擬實測數據在有限元分析模態參數基礎上加了一個隨機數，隨之建立BP神經網絡結構，訓練網絡的樣本集采用橋梁健康模式樣本產生的數據，[7]而檢驗網絡采用每種損傷工況產生的檢驗樣本，結果表明該方法能準確診斷結構是否存在損傷；損傷定位選用前 5階豎向彎曲振型進行計算，結果表明，曲率模態差曲線上數值出現突變的位置與工況的損傷位置完美重合，說明此方法可以用來進行損傷定位。最后一步，找出損傷構件并評估受損程度，利用有限元模型分別模擬損傷區域中的單元發生 8種損傷程度，結果是，如果損傷區域只是單個構件出現損傷，其識別效果很滿意，但是如果是多個構件同時產生損傷會出現誤判現象。總體來說[8]，人工神經網絡的多步損傷診斷方法對于橋梁結構損傷診斷還是具有一定可行性和很好的效果的。

2.2.2 綜合神經網絡和主元分析對復雜橋梁的結構損傷檢測

前面我們講的是單獨用人工神經網絡來對簡單橋進行橋梁結構損傷識別，現在，我們將綜合主元分析和神經網絡為一體，來進行對更復雜的橋梁的結構損傷檢測。這種方法和常規的BP神經網絡不同，他是把測量頻率響應函數作為輸入函數輸入到神經網絡內[9]，用主元分析的方法簡化數據（降維），并提取特征值。把提取的特征值作為輸入源而不是像以前一樣把原始誤差數據作為輸入源。測試模型選用鋼箱梁，先測量健康的梁的所有數據，然后對其進行破壞以便進行測試，然后利用主元分析法提取特性，之后將特性作為輸入量輸入到神經網絡中進行網絡訓練。將訓練成功的網絡用于橋梁的損傷檢測，結果表明，此方法相比單獨使用神經網絡更容易確定損傷的位置和程度，但是由于實驗條件有限，結果中誤差量和實際破壞量相比仍不能達到完全精確，[10]相信在以后的工作中會使得這一方法變得更精確。

3 總結

通過上述對人工神經網絡的描述以及各個工程實例可以知道，人工神經網絡這一近年來的熱門方法在橋梁工程中無論是設計、施工還是檢測，都有非常大的使用潛力，體現出了良好的智能化。特別是在結構檢測這一方面，體現出了其他方法無與倫比的精確性以及優越性。而且可以看出，國外在人工神經網絡

的應用這一領域已經做了很充分的挖掘，并且已經取得了一定的研究成果。國內也已經開始逐漸重視這一方法。人工神經網絡，說白了其實就是讓機器具有橋梁專家的橋梁評估知識，結合了現代化高科技設備和專家級別的人工智能。隨著計算機技術的不斷發展，這一方法在橋梁工程中的作用還會被進一步擴大，值得我們去探索和研究。

[1] 任更鋒, 徐岳, 王春生.大跨徑PC 連續剛構橋神經網絡控制系統.長安大學學報（自然科學版），2007

[2] 趙金俠.基于動力特性橋梁損傷診斷方法研究.山西建筑，2011

[3] 陳德偉，荊國強，黃崢.用人工神經網絡方法估計橋梁在溫度作用下的撓度行為.結構工程師，2006

[4] Yanfei Sun.Combined Neural Network and PCA for Complicated Damage Detection ofBridge .第五屆國際自然計算會議.2009

[5] 趙斌.基于遺傳優化神經網絡算法的橋梁結構損傷識別.河南科學.2008

[6] 韓大建，楊炳堯，顏全勝.用人工神經網絡方法評估橋梁缺損狀況.華南理工大學學報（自然科學版）2004

[7] Hanbing Liu, Gang Song, Yubo Jiao, Peng Zhang, andXinqiang Wang.Damage Identification of Bridge Based on Modal Flexibilityand Neural Network Improved by Particle Swarm Optimization.Hindawi Publishing Corporation.2014

[8] WEN Jiwei, CHEN Chen.Prediction of bridge temperature field and its effect on behaviorof bridge deflection based onANN method.Global Geology.2011

[9] Hongpo Xu ,JagMohan Humar.Damage Detection in a GirderBridge by ArtificialNeural Network Technique.Computer-AidedCivil and Infrastructure Engineering.2006

[10] 李傳習,劉揚,張建仁.基于人工神經網絡的混凝土大跨度橋梁主梁參數實時估計.中國公路學報.2001

U45

B

1007-6344（2017）10-0049-01