基于神經網絡模型的木結構古建筑實測環境荷載與應變特征關聯性分析

郟鴻韜 王炎銘 李 強 毛江鴻 符映紅 董亞波

1. 重慶交通大學 土木工程學院 重慶 400074；2. 浙大寧波理工學院 土木建筑工程學院 浙江 寧波 315100；3. 寧波市保國寺古建筑博物館 浙江 寧波 315033；4. 浙江大學 計算機科學與技術學院 浙江 杭州 310058

相比于現代建筑，木結構建筑易受環境影響，且其可能存在連接松動、蟲害、開裂等問題。因此，對木結構進行健康監測顯得十分必要。健康監測系統不僅可以在結構服役期間發生嚴重異常時發出信號，還可以實時監測結構狀態，對結構損傷進行預測與評估。國內已有不少學者利用健康監測系統對木結構進行研究，如：楊娜等[1]基于統計過程控制的方法，針對監測過程中異常響應的數據，提出了木結構古建筑的診斷模型；張巖等[2]通過對監測數據的分析，提出人為因素對數據參數精度的影響，并在此基礎上預測結構的動力響應，為結構評價提供必要的數據支持。基于此，本文對古建筑進行健康監測，研究古建筑環境荷載與應變特征具有現實意義。

目前，健康監測技術正朝著多樣化的方向發展，不同學者將監測得到的數據利用回歸分析、神經網絡等方法進行處理。其中，神經網絡因其處理非線性問題的優勢，逐漸成為數據處理分析的主流。李雪松等[3]通過建立卷積神經網絡，提出了結構特征損傷識別法，解決了結構健康監測問題；宋志強等[4]基于改進后的BP神經網絡，提出了結構振動響應模型，并使預測精度和收斂速度等性能更具優勢；鄧揚等[5]建立了等效應力范圍的概率模型，并通過處理橋梁的模態頻率與環境條件監測數據，提出了懸索橋結構損傷預警方法；趙久彬等[6]提出基于BP神經網絡的滑坡預測方法，實現了空間內滑坡危險級別預測；田明杰等[7]基于BP神經網絡，分析了隧道的受力機理及其在施工條件下的穩定性。上述研究表明，神經網絡在土木建筑領域已得到初步應用，然而針對古建筑的研究相對缺乏。

綜上所述，本文以寧波市古建筑保國寺為例，建立了基于光纖光柵傳感技術的結構健康監測系統，針對環境荷載與應變關聯性問題進行了研究，并得到了大殿各主要木構件的環境溫度和環境風速影響系數。

1 大殿結構健康監測系統

1.1 微氣候測點布設

本文選取型號為WEMS400-HT的無線環境溫濕度傳感器，沿大殿不同高度布設，具體布置如圖1、圖2所示。

圖1 溫濕度測點立面示意

圖2 溫濕度測點俯視示意

由圖可知，其安裝位置主要分布于柱層、下額層、藻井層、中額層及上額層，并分別在相同高度上選取2～4個點位安裝傳感器。此外，為采集大殿周圍環境風場信息，在大殿西北及東南位置均安裝有超聲波風速風向傳感器，相對位置如圖3所示。綜上所述，該微氣候系統共布設了18個溫濕度傳感器及2個風速風向傳感器。

圖3 風速風向傳感器布置示意

1.2 結構響應測點布設

本文采用玻璃纖維增強塑料（glass fiber reinforced plastic，GFRP）系列光纖光柵應變傳感器，分別在核心主架和后進構架位置進行布設，共計安裝GFRP應變傳感器10個，測點布置及實際設備的安裝分別如圖4、圖5所示。

圖4 結構應變測點設置示意

圖5 E1測點傳感器安裝實物

2 木結構古建筑健康監測數據處理方法

為實時分析了解古建筑結構的狀態信息，將健康監測得到的數據進行分析，其主要技術路線如圖6所示，通過神經網絡和回歸分析的方法來研究相關結構的受影響程度。

圖6 技術路線

2.1 神經網絡在多維監測數據處理中的應用

人工神經網絡廣泛應用于大型橋梁、結構健康監測數據的分析當中，本文利用相關軟件建立了神經網絡模型，其基本原理如圖7所示。當模型有輸入信號時，隱藏層隨即做出相應的反應，將信號進行加權傳遞，在經過如圖所示的2層隱藏層后可到達輸出層，在數據誤差及收斂分析滿足要求后，可得到一組預測數據。

圖7 神經網絡原理

值得注意的是，在隱藏層處理數據時難免存在誤差，為盡可能減小其偏差，常利用梯度下降法來降低誤差帶來的影響，其計算公式如式（1）所示：

綜上所述，神經網絡因其結構特點，在多維數據處理方面的應用愈加廣泛。此外，神經網絡模型可根據相應情況，不斷調整其內部的權重比值，使模型誤差趨向最小，從而得到更為精確的預測結果。

2.2 回歸分析在健康監測數據處理中的應用

針對環境荷載對不同木構件的影響程度的問題，本文基于一元線性回歸對監測得到的溫度和風速數據進行分析，其處理流程如圖8所示。該流程主要可分為3步：第1步，將補償后得到的實際數據Z進行線性回歸，得到溫度和應變的關系，并得出相關系數R1和斜率a；第2步，在實際數據Z中剔除溫度相關的數據后，采用回歸分析，得出其與風速間的相關系數R2和斜率b；第3步，根據溫度和應變、風速和應變關系得到新應變zn，通過分析不同系數得到荷載對不同構件的影響程度。

圖8 回歸分析處理流程

3 長期監測數據基本特征分析

3.1 微氣候監測數據基本特征

根據相關資料[8]，環境溫濕度變化會對結構本身帶來一定的影響。如圖9所示，本文首先選取了大殿4月1日、7月1日、10月1日和1月1日部分溫濕度傳感器（SE1、ZE1、ZJ1、XE1、Z1）監測得到的溫度數據。由圖可知，大殿內部溫度變化趨勢基本相同。值得注意的是，不同測點位置的溫度數據之間存在一定差異，這種現象在7月1日時更加明顯，而當時正值夏季。

圖9 一年四季部分測點日溫度時程曲線

為了更加直觀地了解大殿溫濕度場的分布情況，隨后選取了7月1日至30日的監測數據進行整體分析，結果如圖10所示。由圖可知，其溫濕度分布規律在水平方向上均勻，而在豎直方向上不均勻。其結果具體表現為：隨著傳感器位置的升高，溫度數值隨之增加，濕度數值則隨之減小。分析其主要原因是大殿結構在垂直方向上有較大差異，且其具有較大的空間高度。此外，相比空間密閉的近屋頂，大殿近地面空間設有門窗，空氣流動性更強，受太陽輻射影響會更小。

圖10 大殿溫濕度空間分布情況

3.2 環境荷載和應變數據關聯性分析

由于環境溫度會對光纖光柵傳感器監測數據產生干擾，在分析數據前需進行溫度補償。由理論分析可知，保國寺大殿結構應變監測數據可表示為如式（2）所示：

其中，ε為木構件總應變，εTE為木材溫度應變，εW為木材風荷載應變，εTS為傳感器溫度應變。

圖11、圖12分別為溫度補償后E1測點傳感器溫度應變及風速時程曲線。結合兩圖圖像可知，木結構構件應變與溫度關聯性較大，而與風速關聯性較小。值得注意的是，7月8日至15日環境溫度出現驟降，此時應變數據也隨之下降，說明應變與溫度之間存在正相關。這表明，溫度變化是引起木構件應變變化的主要因素。

圖11 E1測點構件應變和環境溫度時程曲線

圖12 風速時程曲線

此外，為研究大殿各主要構件的應變變化規律，篩選出受彎梁、拉結梁及柱部位的傳感器數據，結果如圖13所示。由圖可知，大殿各構件應變變化趨勢基本一致，但其數值有較大差異。其中，受彎梁構件的應變變化程度明顯大于拉結梁以及柱構件的應變變化程度。這表明，大殿中受彎梁構件受溫度變化影響最大。

圖13 各主要測點應變監測時程曲線

4 環境荷載與應變特征關聯性分析

為提高數據分析的準確性，本文對溫濕度、風速等數據進行零值標準化（Z-Score）處理，將監測數據進行轉換。由式（2）可知，大殿木構件的應變由溫度、風荷載構成。因此，本文選取2018年7月21日至26日E1傳感器數據進行分析，并采用神經網絡算法對這幾者的關系進行研究。其中，神經網絡算法采用式（1）中的梯度下降法，并設置訓練集數量為6 000，測試集數量為2 000。

神經網絡模型訓練結果如圖14、圖15所示，其分別表示訓練數據、測試數據的分析結果。圖中x軸代表溫度改變幅度，y軸代表風速改變幅度，紅色、藍色分別表示正相關、負相關。由圖可知，數據主要呈“品”字形分布。值得注意的是，中間數據顏色相比于兩側及上部區域顏色較淺，其顏色越淺，代表應變值越小。這表明，當溫度改變幅度較大時，構件應變也較大；而當溫度改變幅度較小，且風速大于3 m/s時，構件應變主要受風荷載影響。

圖14 訓練集數據

圖15 測試集數據

為驗證數據分析的精確程度，對神經網絡模型進行收斂及誤差分析，結果分別如圖16、圖17所示。由圖可知，隨著迭代次數的增加，訓練集數據和測試集數據的均方根誤差（RMSE）均有減小，且均有收斂趨勢。此外，從圖17中可以看出原始數據與預測數據曲線趨勢基本一致，雖然預測應變值相比于原始應變值偏大，但整體來說兩者偏差較小，擬合程度較好。這表明該分析方法可行，滿足本文數據分析需求。

圖16 模型收斂分析

圖17 預測結果對比

5 環境荷載與應變相關系數研究

為了探究不同木構件對環境荷載的響應程度，采用回歸分析對監測數據進行處理。為了便于比較和分析，將各構件的環境荷載影響因子列出，如表1所示。其中測點編號E1、W1、N1、NW1、NW2和NW3為主梁受彎構件；測點編號E2、W2為主梁拉結構件；測點編號E3、W3為柱構件。由表可知，相比于風速相關系數，各構件溫度相關系數均較高。風速相關系數方面，主梁受彎構件數值明顯較大，主梁拉結構件數值最小，柱構件數值介于兩者之間。

表1 各構件影響因子匯總

綜上所述，環境溫度是引起各主要構件應變變化的主要原因，而在外界荷載作用下，受彎梁及柱構件是其主要的傳遞對象。

圖18（a）為E1測點應變監測和環境溫度數據比對結果，可知在環境溫度作用下木構件應變變化明顯，影響系數Kt＝12.888 9。這表明當環境溫度變化1 ℃，構件應變將變化12.888 9με；圖18（b）為不考慮溫度影響下構件應變和風荷載對比結果。其總體相關系數γw＝0.555 4，影響系數Kt＝3.294 7。結果表明，不考慮溫度影響的應變數據仍與風荷載存在相關性。主要體現在當風荷載較小時，應變變化水平較低；風荷載較大時，應變變化水平較高。

圖18 E1測點數據分析結果

同理可得E2、E3測點應變數據和溫度、風荷載數據對比圖，結果如圖19、圖20所示。由圖19可知，構件應變與溫度間的相關系數γw＝0.978 8，影響系數Kt＝12.278 1；而不考慮溫度應變影響后，木構件的應變無明顯波動，其與風荷載間的相關系數γw僅為0.198 3。這表明，測點編號E2構件對環境風速的響應不敏感，相關性低。由圖20可知，構件應變與環境溫度之間的變化規律與E1、E2測點相似，而不考慮溫度應變影響后其相關系數及影響系數分別為γw＝0.351 2，Kt＝1.523 1，介于上述兩者之間。這表明E3構件對環境風荷載的敏感程度比E1構件小，但比E2構件高。

圖19 E2測點數據分析結果

圖20 E3測點數據分析結果

6 結語

1）環境溫度變化是古建筑各主要構件應變變化的主要原因，大殿中受彎梁構件受溫度變化影響最大。

2）當風速小于3 m/s時對應變的貢獻率小，風速大于3 m/s時對應變的貢獻率大。

3）外界環境荷載主要在受彎梁和柱類構件上傳遞。

4）基于梯度下降的人工神經網絡模型經學習后，可得到較好的預測結果，可用于木結構監測數據的分析研究。