多層變權人工神經網絡智能評估方法研究

劉 石

(吉林建筑大學土木學院，吉林 長春 130000)

1 概述

重大建構筑物通常結構復雜，構件數量大。構件不同程度損傷甚至退出工作會因其類型、部位和功能不同，對結構安全產生復雜影響，若利用人工神經網絡的模糊判定能力可實現智能評估。實際監測中，可收集數據的類型是有限的，對底層數據利用層次分析法進行剝離和關聯，無量綱處理，建立緊密因素的多層次關系體系，則解決了檢測項目數據不一致的問題。模糊評判的精度和容錯性則通過變權綜合法來協調，保證評估結果更合理。下面以懸索橋的纜索應力為例探討建立智能評估體系的方法。

2 評估體系的建立

2.1 確定評估項目，甄選影響指標，形成評價矩陣

影響指標對目標的重要性矩陣見表1。

表1 影響指標對目標的重要性矩陣

2.2 人工神經網絡的輸入輸出表達

定義網絡輸入向量=

{FRN1,FRN2,…,FRNn,DSN1,DSN2,…,DSNm,RNF}。

(1)

其中，FRj為損傷前后j階頻率變化。

(2)

(3)

其中，DSj為對應于第i階模態的損傷指標向量；Δφi為第i階模態變化量；Δωr為第r階頻率變化量。

(4)

其中，fur和fdr為結構在損傷前后的某階固有頻率。

2.3 變權模式下的評估公式

采用變權綜合模式：

(5)

其中，V0為評估值；wj為變權權重；xj為第j個影響指標的評估值。

2.4 構建網絡訓練樣本

數據采集點位如圖1所示，用于人工神經網絡的訓練樣本如表2所示。

表2 網絡訓練樣本

2.5 有限元軟件模擬損傷，人工神經網絡評估安全性能

如圖2所示為有限元軟件模擬分析得到的索力變化圖，評估懸索工作性能，結果如下：

南向懸索應力均勻變化評估值分別為96.97%和99.57%，非均勻變化相應為99.63%和99.71%。系統評測綜合得分為0.966和0.993。北向索應力均勻變化評估值分別為94.03%和96.55%，非均勻變化相應為97.89%和97.96%。系統評測綜合得分為0.92和0.946。

3 結語

將變權評估和人工神經網絡的模糊識別結合更適用于結構復雜，構件數量龐大的建筑物安全評估，兼具數據變化敏感度和容錯性強的特點。判別矩陣的使用可以實現多層次，多重目標的智能評估。

網絡學習樣本的甄選和構建對準確評估起決定作用，樣本數據的歸一性和持續性處理改善了網絡的收斂速度，提高了數據更新后的一致性和匹配度。