基于IPSO-BP的受損鋼結構改造施工安全預警評估研究*

李慧民，段品生，孟 海,2，郭海東

(1.西安建筑科技大學 土木工程學院，陜西 西安 710055； 2.中冶建筑研究總院有限公司，北京 100088)

0 引言

鋼結構是現代工程建設時采用的主要結構形式之一，具有自重輕、強度高、安裝簡便等諸多優點。但受氣候、震動、撞擊等環境的影響，鋼結構極易出現銹蝕、傾斜及變形等損傷情況，影響其正常使用。根據統計資料，目前我國63%的鋼結構在使用階段出現損傷情況[1]，且由于技術更新迭代和功能需求變化，很多鋼結構建筑現狀已遠不能滿足企業和社會發展的需要。然而，由于部分鋼結構受損嚴重，其改造施工過程存在極大的安全隱患，如2019年5月16日上海市長寧區某鋼結構廠房改造施工過程中出現垮塌事故，造成12人死亡，13人重傷[2]。因此，有必要對其改造施工過程安全狀況進行評估，提前發現結構施工不安全狀態并發出警報，采取相應的技術措施避免造成損失。

目前國內外施工安全預警評估的研究對象多為地鐵、基坑、超高層等新建結構。在既有結構改造方面，丁麗萍[3]對鋼結構廠房托梁拔柱改造全過程進行了研究，建立安全評價指標體系并提出相應的風險控制對策；熊仲明等[4]結合大跨鋼結構的受力特點，采用模糊綜合評價方法建立其安全性評價模型，并通過試驗對比驗證了模型可行性；羅永峰等[5]根據鋼結構施工過程是否存在動力效應，將其施工監測分為靜力監測和動力監測2種類型，并提出相應的監測參數，為鋼結構改造施工安全控制指標及數據監測提供了參考；咸慶軍等[6]通過分析受損鋼結構變電構架受力特點，運用BP(Back Propagation)神經網絡方法建立其承載力預測模型；羅堯治等[7]結合大跨度空間結構特點，提出其安全預警評估指標體系并結合模糊綜合評價方法建立完整的預警模型；此外，國外有學者結合有限元軟件[8]和現代化信息技術[9]對施工過程進行實時監測預警。綜上所述，從研究對象上看，目前缺少針對受損鋼結構改造施工的安全控制研究；從研究方法上看，存在主觀性強、預測模型精度不高等問題。

鑒于此，通過分析受損鋼結構的損傷特點，利用改進粒子算法(Improved Particle Swarm Optimization，IPSO)優化BP神經網絡初始權重及閾值，構建針對其改造施工過程的安全預警指標體系；并以某受損鋼結構廠房為實例進行分析以驗證指標體系及模型的可行性，以期更好地指導實際改造施工過程。

1 基于IPSO-BP安全預警評估模型

1.1 BP神經網絡基礎理論

BP神經網絡是一種前饋式多層感知機模型，利用以模型訓練均方誤差最小化為目標反復修正模型初始權重及閾值，主要由輸入層，隱含層和輸出層構成。其過程可以分為正向模型輸入和反向誤差傳播2個部分，如圖1所示[6]。

圖1 典型三層BP模型Fig.1 Typicalthree-layer BP model

輸入數據序列即受損鋼結構改造施工安全監測指標數據xk={x1k,x2k,…,xnk}，經過中間層的學習輸出最終預警級別yk。比較模型輸出值與理論預警值，若兩者之間的誤差滿足收斂條件，則訓練結束。否則將誤差向模型輸入層反向傳播，并在傳播過程中不斷修改模型權重及閾值，反復執行該過程直至收斂，網絡隱含層到輸出層的計算見式(1)和(2)：

(1)

yk=f(Ik)

(2)

式中：ωjk和bjk分別為模型權重和閾值；xjk為隱含層輸出值；f(·)為神經網絡模型的激勵函數；yk為第k條數據的神經網絡輸出值。

1.2 改進粒子群算法

粒子群算法是通過模擬鳥類在覓食過程中的遷徙行為而提出的仿生全局隨機搜索算法[10]。粒子群中的每個粒子的位置就是所求問題的一個解，假設該解的維度為D，共有M個粒子組成的“鳥群”U={Z1,Z2,Z3,…,ZM}，第i個(i=1,2,3,…,M)粒子的空間位置為Zi={zi1,zi2,zi3,…,ziD}，并用Vi={vi1,vi2,vi3,…,viD}表示該粒子的速度向量，該粒子在歷次迭代過程中的個體最優位置記為個體極值Pi={pi1,pi2,pi3,…,piD}，整個粒子群在歷次迭代過程中的個體最優位置記為群體極值Gi={gi1,gi2,gi3,…,giD}。每次迭代過程中，粒子通過當前位置、自身速度、個體極值和群體極值的適應度更新位置。更新公式見式(3)和式(4)，位置更新過程可用向量圖進行示意，見圖2。

圖2 粒子位置更新示意Fig.2 Schematic diagram of particle location update

(3)

(4)

式中：ω為慣性權重系數；c1，c2為非負學習因子；r1，r2為取值范圍為0～1的隨機數；t為當前粒子群迭代次數。

1)優化慣性權重系數

慣性權重系數ω與粒子群的全局與局部搜索能力密切相關[11]。一般情況下，ω的值越大則粒子群的全局搜索能力越強，ω的值越小則粒子群的局部搜索能力越強[11]。因此，可以通過較大的ω增強粒子群迭代前期的全局搜索能力，并通過較小的ω增強粒子群迭代后期的局部搜索能力，以此提升群體迭代速度及迭代精度。本文根據式(5)來更新粒子群慣性權重系數：

(5)

式中：ωmin和ωmax分別為慣性權重變化的最小值和最大值；tmax為設定的最大迭代次數。

2)優化學習因子

學習因子c1，c2與粒子認知情況密切相關[12]。從式(3)可以看出，c1決定粒子個體認知水平貢獻率，c2決定粒子群體認知水平貢獻率。因此，在迭代前期，粒子適應度較大，可通過較大的c2來控制粒子按群體最優方向發展；迭代后期，粒子適應度逐漸降低，可通過較大的c1釋放粒子個體認知，直至找到最優位置。鑒于此，本文根據式(6)及式(7)來更新學習因子：

(6)

(7)

式中：c1min，c2min和c1max，c2max分別表示學習因子的最小值和最大值。

通過對慣性權重系數和學習因子的調整對粒子群算法進行改進的方法優勢主要在于以下2點：①降低了算法迭代次數，通過調整不同階段粒子群的發展方向，減少了計算時間；②提高了算法精度，該改進模型可以有效避免粒子群陷入局部最優的問題，提高粒子群算法預測精度。

1.3 基于IPSO改進BP神經網絡

為提高BP神經網絡的運算速度，改善模型的計算精度，避免陷入局部最優，通過改進粒子群算法對BP初始權重及閾值進行優化，流程見圖3[13]。

圖3 基于改進粒子群算法的BP神經網絡計算流程Fig.3 Calculation process of BP neural network based on IPSO

改進模型首先輸入BP神經網絡的初始權重、閾值組成粒子群，進入粒子群算法計算過程。粒子群算法適應度函數選擇均方誤差函數。得到的粒子群最優解即為神經網絡模型的最優初始權重及閾值，以此進行BP神經網絡的訓練及預測。

2 安全預警評估指標體系及閾值

2.1 指標體系構建

與一般鋼結構改造施工相比，受損結構的構件參數劣于設計參數，改造施工應嚴格控制結構、構件的變形、應力等參數變化。參考《工業建筑可靠性鑒定標準》GB50144-2008、《建筑工程施工過程結構分析與監測技術規范》JGJ/T 302-2013以及《舊工業建筑再生利用技術標準》T/CMCA 4001-2017的相關規定，從環境、結構2個方面構建安全預警指標。

環境方面，通常情況下應變與溫度變化近似成線性關系，風速也是影響受損鋼結構安全的重要因素；結構方面主要包括靜態指標和動態指標，靜態指標包括基礎累計沉降、上部結構水平及豎向變形、應力、應變、支座反力和承載力等，動態監測主要包括加速度，指標體系如圖4所示。

圖4 受損鋼結構改造施工安全預警評估指標體系Fig.4 Safety early-warning assessment index system of damaged steel structure reconstruction

環境單項指標預警閾值參考文獻[14]結合結構所處地區具體的歷史氣象數據及現場監測數據劃分5級預警區間。以湖北省咸寧市為例，依據當地年平均風速2.6 m/s，風速閾值區間按4～5級風、6～7級風、8～9級風、10級風、10級風以上對應平均風速值確定；該市年平均氣溫16.8 ℃，年最高氣溫21.92 ℃，年最低氣溫13.7 ℃，最熱月均氣溫33.8 ℃，最冷月均氣溫3.3 ℃，極端最高氣溫41.4 ℃，極端最低氣溫-15.4 ℃，據此劃分溫度五級預警閾值區間見表1。結構單項指標預警閾值方面，由于鋼結構改造施工中結構荷載變化較大，使用絕對指標作為預警閾值易導致預警結果出現偏差乃至錯誤。根據《建筑工程施工過程結構分析與監測技術規范》JGJ/T 302-2013中4.5.9條第3款 “預警值按施工過程結構分析結果設定時，可取理論分析結果的130%”。本文將結構單項指標以理論分析結果的100%，110%，120%及130%劃分五級預警區間，閾值區間列表見表1，其中風速及溫度閾值區間根據國家氣象信息中心公布的氣象數據及相關資料確定[14]。

表1 受損鋼結構改造施工安全預警指標閾值Table 1 Thresholds for safety early-warning indexes of damaged steel structure reconstruction

與一般鋼結構改造施工項目相比，在受損鋼結構改造施工安全預警評估指標體系中，存在鋼構件承載力評定指標，該指標根據實際受損狀況取值。按照損傷原因的不同，鋼結構受損情況分為均勻受損和不均勻受損2類。其中均勻受損包括構件銹蝕、疲勞等；非均勻受損包括撞擊、裂縫等。對于這2類受損情況，其本質為鋼結構構件的有效截面面積或彈性模量發生變化，進而導致構件承載力發生變化。因此，在進行評估時可按照結構損傷之后的有效截面面積和彈性模量考慮截面特性并評定承載力。根據《工業建筑可靠性鑒定標準》GB50144-2008中第6.3.3條的規定，包括重要構件、連接承載力評定和次要構件承載力評定2部分，并將該指標預警閾值進行如表2所示劃分。

表2 構件承載力安全預警指標閾值Table 2 Thresholds for safety early-warning indexes of component bearing capacity

2.2 綜合預警等級評估

根據相關文獻[15]，將受損鋼結構改造施工安全綜合預警評估級別分為5級，其中一級表示施工過程非常安全；二級表示比較安全，需加大安全監測強度；三級為一般，需要針對可能出現的警情采取安全控制措施；四級為較為危險，此時應暫停部分工序施工，及時查清報警原因并處理警情；五級為非常危險，應全面停工，待警情完全處理后恢復施工或停止施工。綜合預警級別劃分見表3[14]。

表3 受損鋼結構改造施工綜合預警級別Table 3 Comprehensive early-warning level of damaged steel structure reconstruction

2.3 模型訓練與檢驗

本文在前文指標分析的基礎上，通過在各級預警區間內線性內插200個樣本，并從中以10為單位選擇100個樣本作為測試樣本，剩余的900個樣本為訓練樣本。

借助matlab神經網絡工具箱，數據樣本輸入維度為11，輸出維度為1，設定模型包括1層隱含層，維數為10，神經網絡最大迭代次數、學習速率和訓練誤差最小目標分別設置為1 000，0.05和1×10-8。IPSO算法設定基本粒子數為40，粒子長度131，慣性權重ωmin，ωmax取0.3和0.9，最大迭代25次，學習因子c1max，c2max取2.5，c1min和c2min取1.5，期望誤差0.001。神經網絡輸入層和隱含層之間為S型對數函數，隱含層與輸出層為線性傳遞函數，模型訓練為trainlm函數[16]。

本文模型與其他文獻中的IPSO模型迭代適應度曲線結果對比見圖5。從圖5中可見改進算法在第6次迭代已接近期望誤差，模型計算效果見表4。結果表明：IPSO-BP神經網絡模型的迭代次數與預測精度均優于傳統模型，具有較好的預測能力。

圖5 模型粒子群適應度曲線對比Fig.5 Comparison of particle swarm fitness curves by different models

2.4 預警評估流程

通過施工前的歷史數據、受損檢測、數值模擬，施工中的現場監測等方式獲取環境單項指標和結構單項指標數據作為模型輸入項，經過處理后輸入按2.3節訓練好的IPSO-BP模型中，最終得到相應的綜合預警輸出項，即預警評估級別。針對該預警級別采取相應的措施保證人員安全及恢復結構安全狀態，受損鋼結構改造施工安全預警評估流程如圖6所示。

圖6 受損鋼結構改造施工安全預警評估流程Fig.6 Safety early-warning assessment procedure of damaged steel structure reconstruction

3 案例分析

3.1 工程概況

本工程為湖北省某煉鐵廠36 m×81 m受損單層重鋼廠房。廠房主要用于儲備煉鐵用煤，由于使用年限較長，且車輛來回進出碰撞，導致廠房結構受損，主要表現為柱腳受撞擊嚴重、格構柱及桁架多處構件銹蝕等，見圖7。后因功能變更，需在結構內部利用原柱體新增二層結構，建筑原有地基較好，損傷主要集中于上部結構。

圖7 柱體受撞擊損傷照片Fig.7 Photo of damaged column caused by collision

3.2 受損狀況檢測

施工前首先對該廠房進行受損狀況檢測，主要包括構件截面尺寸檢測、鋼結構強度檢測和鋼結構涂層厚度檢測3個項目，部分檢測結果見表5。

從表5可以看出，1號及2號構件因受車輛頻繁撞擊導致截面尺寸存在較大偏差，偏差程度最大可達3%；實測抗拉強度均無法達到最小抗拉強度值，最小強度僅為設計最小抗拉強度的460/490=0.94倍；結構平均涂層厚194 μm，滿足設計要求。

表5 部分構件現場檢測結果Table 5 On-site test results of some components

注：H,B分別表示構件截面的總高度、總寬度；H1為格構柱工字鋼高度；Tw為腹板厚度；Tf為翼緣厚度。

3.3 安全控制分析

將該廠房改造過程安全控制過程分為改造前、首層改造施工和二層改造施工3個階段，并用SAP2000軟件對各階段指標進行計算，材料強度數據按現場結構檢測最不利情況設置，對比改造前后的鋼結構廠房安全預警指標數據，結合當地歷史氣候變化，并假設加固后構件承載力恢復到設計承載力，建立預測樣本數據集。

數值分析結構荷載模式包括恒荷載、活荷載、風荷載和地震作用，根據《建筑結構荷載規范》GB5009-2012組合為7個工況。風荷載基本風壓為0.45 kN/m2，地面粗糙度為B類，通過建立虛面施加于結構上；結構抗震設防烈度6度(0.05 g)。

將數值模擬數據導入訓練好的IPSO-BP神經網絡模型中，得到改造前結構受損狀態下結構安全預警評估等級，見表6。

從表6中可以看出，廠房在改造前的受損狀態下的損傷狀態較嚴重，多個工況綜合預警級別為三級乃至四級，不適宜直接改造施工。且由于結構受損，主要結構承載力明顯較差(0.94)，施工過程中應嚴格采取一定的安全控制措施進行干預，避免施工中因受力施焊等工序對結構產生的附加損傷。

表6 受損狀況安全預警評估表Table 6 Safety early-warning assessment form of damaged conditions

注：D表示恒荷載；L表示活荷載；W表示風荷載；Q表示地震作用；x，y表示風荷載或者地震作用沿結構的橫向和縱向施加。

在改造的第一和第二階段施工過程，通過對結構進行加固，提高構件承載力后，結構所有工況下綜合預警等級均為一級，說明結構整體狀態良好，按改造方案施工能基本滿足安全施工要求。這一預警評估結果與后續實際施工過程安全狀況基本相符，模型可用于受損鋼結構改造施工安全預警評估過程。

4 結論

1)與傳統的BP神經網絡相比，IPSO-BP神經網絡算法在綜合預警評估方面具有更高的預測精度和更少的迭代次數，有利于更準確地評估結構安全狀況，避免安全事故的發生。

2)從環境和結構2個方面構建受損鋼結構改造施工安全控制指標體系，包括11個基本指標，設定單項指標預警閾值和綜合預警閾值，對受損鋼結構改造施工安全狀況進行預警評估，有利于提高施工過程安全水平。

3)后續研究將側重于基于指標監測數據預測改造施工過程各指標未來發展狀況，并針對預測數據對改造施工過程結構安全狀況進行預警。