基于GA-BP神經網絡的二河閘病害識別方法

胡志浪

(江蘇省淮沭新河管理處，江蘇 淮安 223005)

存在安全隱患的在役水閘工程，不僅嚴重影響水利工程興利效益的發揮[1]，而且威脅著人民生命財產安全[2]。現有的水工結構隱患及病害(損傷)檢測方法[3]，主要有人工探視法、破損法及無損檢測法[4]。這些方法均需通過大量人工檢測、監測和巡查等，耗時耗力；而且用于水工結構的檢測不能做到快捷、精細和準確的判斷與定位，不易發現水閘工程中所存在的隱患和險情[5]。隨著現在對自動化以及信息處理和檢索的需求變得越來越重要，就需要尋求水閘典型病害識別方法[6-7]。根據對二河閘的巡查、檢測和監測資料的統計，分析二河閘典型病害的分類和成因，但這些不足以建立病害表現與病害類別間的映射關系。

在水閘病害識別的應用中，神經網絡具有以下優點：神經網絡具有很高的容錯性、自組織和自學習功能，能很好地解決水閘病害影響因素復雜的問題；能夠極大程度地克服傳統病害檢測的約束條件，在解決病害識別問題上顯示了極大的優越性。此外，水閘病害的影響因素之間的關系屬于未知的非線性函數，遺傳算法有較好的非線性尋優能力，通過遺傳算法優化的神經網絡，能夠較好地識別水閘病害。基于上述研究背景，根據水閘典型病害的主要影響因素，建立二河閘碳化病害識別模型。

1 基于GA-BP神經網絡的二河閘病害識別理論

1.1 神經網絡類型的選取

BP神經網絡是目前應用較多的神經網絡，這主要歸結于基于BP算法的多層感知器具有非線性映射能力、泛化能力以及容錯能力。

1.2 遺傳算法(GA)優化的BP神經網絡

雖然BP神經網絡具有很好的非線性映射和學習能力，但還未有很好的理論指導和解決方法，如初始權值的確定以及BP算法收斂慢等問題。利用遺傳算法能更好地發揮神經網絡的泛化能力，并能使神經網絡具有很快的收斂能力以及較強的學習能力。遺傳算法優化BP神經網絡的目的是通過遺傳算法得到更好的網絡初始權值和閾值，其基本原理即用個體代表網絡的初始權值和閾值、個體值初始化的BP神經網絡的預測誤差作為該個體的適應度值，通過選擇、交叉、變異操作尋找最優個體，即最優的BP神經網絡初始權值。

1.3 水閘典型病害訓練樣本主要因素

水閘檢測方面的病害識別在理論和經驗模型方面均有一定的研究成果。理論模型的物理意義明確，思路清晰，推導嚴謹，但在實際計算中各系數的確定又依賴試驗數據，不便于工程的應用；經驗計算模型從試驗分析結果出發，往往是在特定的環境下，不能全面考慮各種因素的影響。為此，需對每個病害的影響因素進行詳細的分析，根據所擁有的材料選取主要的影響因素作為水閘病害識別神經網絡的輸入，輸入之前還需完成這些影響因素的量化問題。水閘工程主要用混凝土、鋼筋、塊石、黏土等其他材料，其中混凝土和鋼筋的病害最為典型，包括混凝土碳化、開裂、剝蝕破壞和鋼筋銹蝕等。下面以混凝土的碳化、裂縫、鋼筋銹蝕為例進行分析。

1)混凝土碳化。混凝土碳化是一個緩慢而復雜的過程，涉及到許多材料、荷載與環境變量，如混凝土水灰比、可碳化物質的含量、環境的溫度與濕度、CO2濃度、荷載作用方式、混凝土密度與孔結構的時間依賴性等，這些變量中有的表現為較大的隨機性，為此需系統地掌握不同因素對混凝土碳化過程的影響。國內外學者對混凝土碳化提出了許多碳化深度預測模型，大致可分為兩類：一類是基于試驗數據或實際結構的碳化深度實測值，擬合得到的經驗模型；另一類為基于碳化反應過程的定量分析建立的理論模型。

2)混凝土裂縫。混凝土結構裂縫的影響因素比較復雜，裂縫的產生與混凝土結構的設計、材料和施工等方面有密切關系。

3)鋼筋銹蝕。鋼筋的銹蝕速度一般用單位時間的銹蝕量表示，而銹蝕程度就用銹蝕量表示。銹蝕量可以為質量、面積或直徑損失，亦可由腐蝕電流或極化電阻來表征。

2 實例分析

2.1 工程概況

二河閘位于江蘇省淮安市洪澤區高良澗鎮東北約7km處、洪澤湖大堤和蘇北灌溉總渠北堤之三角地帶，系淮河下游洪水分泄入新沂河、淮河入海水道及渠北臨時分洪的關鍵性工程，又是淮水北調的渠首工程和引沂濟淮的主要工程，發揮著泄洪、灌溉、航運、發電等綜合效益。工程建成于1958年6月，工程規模為大(Ⅰ)型水閘工程。

二河閘閘身為鋼筋混凝土結構，總寬401.82 m，分12塊底板(三孔一塊計11塊，二孔一塊計1塊)，計35孔，孔寬10.0 m，孔高8.0 m。閘底板高程8.0 m(廢黃河口基準面，下同)，閘頂高程19.5 m，胸墻底高程16.0 m，工作便橋橋面高程19.5 m。閘墩下游側設公路橋，凈寬7.0 m，橋面高程19.5 m。工作橋寬4.5 m，橋面高程28.25 m。閘門為實腹式弧形鋼閘門，采用35臺2×250 kN卷揚式啟閉機啟閉。岸、邊墩厚0.9 m，中墩厚1.3 m。岸墻為鋼筋混凝土空箱扶壁式，頂部高程19.5 m。閘上游設有鋼筋混凝土護坦、條石和干砌塊石海漫及干砌塊石防沖槽，高程7.0～8.0 m。閘下游設反濾層、鋼筋混凝土消力池和漿砌塊石干砌石海漫及干砌塊石防沖槽，高程6.0～8.0 m；翼墻為漿砌塊石重力式，頂部高程上游18.0 m、下游17.0 m。下游兩側有頂寬30 m、長200 m的導流堤，堤頂高程17.0 m，迎水面均有砌石護坡；上游和下游左側堤頂高程18.5～19.5 m。下游右側堤頂高程16.5～18.0 m。二河閘平面布置見圖1。

圖1 二河閘平面布置圖

2.2 二河閘工作橋碳化深度樣本采集

二河閘現有局部結構通常在運行的過程中表現出明顯的腐蝕，影響結構的耐久性，而碳化深度是鋼筋混凝土腐蝕的主要原因。為此，將碳化深度選為研究對象，進行病害識別實例分析。

碳化系數需考慮水泥品種、水泥用量、水灰比、骨料品種及級配、摻合料、外加劑、混凝土表面覆蓋層、環境相對濕度、溫度、空氣中的CO2濃度、混凝土攪拌、振搗和養護、時間。

其中，水泥品種、水泥用量、水灰比、骨料品種及級配、摻合料、外加劑和混凝土攪拌、振搗情況的參數在樣本中難以找到。而混凝土抗壓強度是反映混凝土力學性能的基本指標，它綜合反映了混凝土水灰比、水泥用量、骨料品種及級配、施工質量等對混凝土耐久性的影響，且抗壓強度測試方法簡單成熟，在混凝土配合比設計和工程現場檢測時可以得到實測數據。因此，選用混凝土抗壓強度作為碳化深度的影響指標。考慮水閘不同構件的應力不同，統一選擇不同位置工作橋橋梁碳化深度的平均值作為識別目標。由于選取的樣本為水閘工作橋橋梁的不同部位，空間區域差別性不大，所以視CO2濃度相似，不予考慮。由于所采取的表面處理方式相同，本次分析亦不考慮其影響。淮河流域年平均氣溫13.2℃～15.7℃，氣溫南高北低，四季分明，春暖、夏熱、秋爽、冬冷。該流域相對濕度較大，年均相對濕度為66%～81%，南高北低，東高西低。因此，此次計算碳化影響因素選取二河閘混凝土的抗壓強度、溫度、相對濕度。從安全鑒定報告中隨機抽取50個樣本，原始數據見圖2-圖5。

圖2 樣本點混凝土抗壓強度

圖3 樣本點溫度

圖4 樣本點相對濕度

圖5 樣本點實際碳化深度

2.3 基于BP神經網絡的訓練

由樣本選取水閘混凝土強度、平均溫度、平均濕度，作為3個變量輸入參數，將碳化平均深度作為識別對象即1個輸出參數，取隱含層節點數為8，因此設置的BP神經網絡結構為3-8-1，即輸入層有3個節點，隱含層有8個節點，輸出層有1個節點，共有2×8+8×1=24個權值，8+1=9個閾值，根據種群初始化方法，將遺傳算法個體編碼長度為24+9=33。從二河閘安全鑒定報告中隨機得到的50組樣本中，40組作為訓練數據，用于網絡訓練，10組樣本作為測試數據。把訓練數據預測誤差絕對值和作為個體適應度值，隨著個體適應度值的減小，該個體表現越優。遺傳算法參數設置為：種群規模為10，進化次數為10次，交叉概率為0.3，變異概率為0.1。BP神經網絡主要用到newff、sim和train共3個神經網絡參數，其中newff用于構成一個BP神經網絡，train用訓練數據訓練BP神經網絡，sim用訓練好的 BP神經網絡預測函數輸出。BP神經網絡參數設置為：迭代次數為100次，學習率為0.1。

2.4 模型識別結果與分析

根據GA-BP神經網絡的二河閘病害識別理論，運用Python語言編寫基于GA-BP神經網絡的二河閘病害識別方法的計算程序，通過運行程序，模型識別結果見圖6、圖7。

計算結果如下：

1)由圖6-圖7可見，模型識別結果能較好地反映實測值，表明網絡學習成功，但是個別誤差還較大。出現這種情況的原因可能是由于碳化樣本資料的隨機不確定性、養護條件及未考慮表面情況。

圖6 BP神經網絡碳化識別深度

圖7 GA-BP神經網絡碳化識別深度

2)基于GA-BP神經網絡預測碳化深度的結果比只采用BP神經網絡預測的預測結果較優。表明遺傳算法優化能兼顧碳化樣本個體表現出的特征。

3)在分析各病害的影響因素的基礎上，通過遺傳算法的神經網絡訓練，可以預測和識別水閘病害情況，為水閘工程病害的發生和發展分析提供了一種新的途徑。

3 結 論

根據水閘病害的特點，研究了水閘工程病害的識別方法，主要結論如下：

1)分析水閘病害識別的特點，研究BP神經網絡的優勢，結合遺傳算法，建立了基于GA-BP神經網絡的二河閘病害識別模型。

2)收集二河閘工程碳化深度樣本，應用遺傳算法BP神經網絡對二河閘碳化病害進行預測和識別。分析結果表明，在深入分析水閘病害影響因素的基礎上，用遺傳算法和BP神經網絡模型識別水閘病害是可行的。

3)影響水閘病害的因素復雜，有定量因素，更多的是定性因素，利用模糊數學等方法將定性指標量化，可以提高病害識別的準確性。