用人工神经网络方法评估桥梁缺损状况_韩大建
关于人工神经网络在桥梁工程中的应用的综述
以三滩 黄河大桥为例 ，概述神经网络在工程控制中的作用 。 三滩黄河大桥位 于国道 １ ０ ９ 线 ，其主桥 为 ７ ８ ＋ １ ４ ０ ＋ ７ ８ 三跨预应力混凝土连续钢构 ，采用悬臂施 工 法 。利用 Ｍ ａ ｔ ｌ ａ ｂ工具箱进行整个神经 网络的初始化 、训练和仿真过程 。首先组建 网络 。 再 把样本矢量作 为输 人值输入网络 ，得到训 练权值 ，这样 ，此神经 网络就
人工 神经网络 （ Ａ ｒ ｔ ｉ ｉ ｆ ｃ ｉ ａ ｌ Ｎ ｅ ｕ ｒ ａ ｌ Ｎ ｅ ｔ ｗ ｏ ｒ ｋ ，即 Ａ Ｎ Ｎ ） ，是 ２ ０ 世纪 ８ ０年代 之后 人工 智能领域兴起的研究热门。 它是通过信息处理 ， 然后对人脑神经元 网络进 行 抽象 ， 建立一种简单模型 ， 按 照不同的连接方式组成不同的网络。在工程界 和学
络训练 。将训 练成功的网络用于桥梁 的损 伤检测 ，结果表明 ，此方法 相比单 独使
用神经 网络更 容易确定损伤 的位置和程度 ，但是由于实验条件有 限，结果 中误差
量和实际破坏量相 比仍不能达到完全精确 ， 相信 在以后 的工作 中会使 得这一 方法 变得更精确 。
术界 ，它通常被称为神经 网络或类神经 网络 。神经 网络是一种运算模型 ，由大量
完成 了他的学 习过程 ，可以用来进行测试 了。然后选 取某几个梁段 当做例子 ，把
预测矢量输 入到网络中 ， 根据预测的样 本矢量对这几个梁段的立模标高进行预测 ，
可 以从仿 真结果中得到立模标高 ， 发现预测值与设计值相差很小 ， 说明 Ｂ Ｐ 神经 网
络对 于桥 梁施 工过程可以进行有效的预测控制。
摘要 ： 本 综述尽 可能详 细地介 绍了人 工神 经网络 这一热 门方法 。然后通过 几个工程 实例说 明了人 工神 经网络在桥 梁工程 中各 方
基于RBF神经网络设计的桥梁结构损伤识别方法研究
基于RBF神经网络设计的桥梁结构损伤识别方法研究
王根会;武海广;胡良红
【期刊名称】《兰州交通大学学报》
【年(卷),期】2006(025)004
【摘要】首先根据桥梁结构的动力特性分析,构造了用于结构损伤识别的损伤标示量,并从理论上分析了该参数用于结构损伤识别的可行性.然后,从径向基函数(RBF)神经网络结构、网络设计和网络训练算法等方面论述了RBF神经网络理论,着重说明RBF网络的调用及径向基函数中心和宽度的确定步骤.最后,以一座装配式预应力钢筋混凝土系杆拱桥为工程实例,通过改变构件的弹性模量降低单元刚度来模拟结构损伤程度,并以任意三组向量对网络进行测试,说明了基于频率参数和RBF网络方法的结构损伤识别的可行性和准确性.
【总页数】6页(P18-23)
【作者】王根会;武海广;胡良红
【作者单位】兰州交通大学,土木工程学院,甘肃,兰州,730070;中铁十七局集团有限公司,山西,太原,030006;兰州交通大学,土木工程学院,甘肃,兰州,730070
【正文语种】中文
【中图分类】U445.71
【相关文献】
1.基于振动监测的桥梁结构损伤识别方法研究 [J], 唐钰癉;申新凯
2.基于动力参数的桥梁结构损伤识别方法研究 [J], 周烨
3.大型桥梁结构损伤识别方法研究 [J], 张启伟;史家钧
4.基于车桥耦合振动的桥梁结构损伤识别 [J], 张予东;马春艳;陈鹏一
5.基于概率分析下单跨静定简支桥梁结构损伤识别 [J], 张云开;谢青利
因版权原因，仅展示原文概要，查看原文内容请购买。
基于RBF神经网络的桥梁损伤责任评价系统设计
损 伤 形 态 损 伤机 理 掺 入 速 凝 剂 ；保 护 层 过 薄 混 凝 土 收 缩 ｛梁 挠 曲 混 凝 土 分 层 灌 注 时 间 隔 时 间 太 长 ；施 工 不 当 混 凝 土 受 剪 力 过 大 纵 向预 应 力 钢 筋 的 布 置 方 式 不 合 理 ；腹 板 厚 度 太 薄 ；内 外 温 差 较 大 ；竖 向 预 应 力 筋 构 造 形 式 不 合理 等 在 支 座 处 产 生 正 弯 矩 ；预 应 力 作 用 过 强 ；反 拱 过 大 混 凝 土 收 缩 ｛直 接 接 触 水 面 ；钢 筋 锈 蚀 ｛铺 装 层 厚 度 不 足 一
长 江 大 学 学报 （ 自科 版 ） ２ ０ １ ３ 年７ 月号 理工上旬刊 第 ｌ ｏ 卷 第１ ９ 期
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｙ ａ ｎ ｇ ｔ ｚ ｅ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ（ Ｎ ａ ｔ Ｓ ｃ ｉ Ｅ ｄ ｉ ｔ ） Ｊ ｕ １ ． ２ ０ １ ３ ，Ｖｏ １ ． １ ０ Ｎｏ ． １ ９
粱 顶 死
设 计 阶 段 顶 板 横 向 预 应 力 考 虑 不 足 现 浇 箱 梁 分 批 浇 注 时 间 不 合 理 ，混 凝 土 收 缩 差 值 大 ，造 成 箱 梁 悬 臂 根 部 先 出 现 裂 缝 ， 而 裂缝 将 沿着 薄 弱 方 向开 展 北 方 地 区除 冰 盐 中 的氯 离 子 或 是 沿 海 地 区 海 水 中 的所 含 的 氯 离 子 导 致 主 粱 刚 度 褪 化 ；混 凝 土 的收 缩 和 徐 变 ；主 粱 正 弯 矩 区底 板 和 负 弯 矩 区 顶 板 纵 向 预 应 力 有 效 性 的 降低 ；荷 载 的增 加
基于神经网络的桥梁安全性评估
武汉理工大学硕士学位论文基于神经网络的桥梁安全性评估姓名：章灵加申请学位级别：硕士专业：结构工程指导教师：徐家云20051101Ｎｅｔ＝ｎｅｗｒｂｅ（Ｐ，Ｔ，ＳＰＲＥＡＤ）；其中，Ｐ为输入向量，Ｔ为目标向量，它们可从表３－１中得到。
ＳＰＲＥＡＤ为径向基函数的分布密度，ＳＰＲＥＡＤ越大，函数越光滑，这里取１．２。
由于网络的建立过程就是训练过程，因此，此时得到的网络ｎｅｔ已经是训练好了的。
接下来对网络进行仿真，验证其预测性能。
代码为：ｙ＝ｓｉｍ（ｎｅｔ，ｐ＿ｔｅｓ０其中，Ｐｔｅｓｔ为网络的测试样本，从表３－１中得出。
运行结果为：０．８３０４０．４６８２０．１４５４０．９８６４经过反归一化处理，可得受弯承载率ｒ＝１．０６４４０．７４２８０．４５６１１．２０２９同实际值ｒ＝１．０５７００．７９４０Ｏ．３２７１．１１５相比较，可得出预测误差如图３．６所示．图３－６网络预测误差曲线表３－２验算样本仿真结果与文献ｆ２９】试验实际结果、公式计算结果的比较序号ｒ‘０巳（％）ｅｗ（％）１３１．０５７０１．０６４４１．１０５００．７００１４．５４１２１４０．７９４００．７４２８０．９１２０６．０４４８１４．８６１５１５０．３２７００．４５６１０．５４２２３９．４８０１６５．８１０４１６１．１１５１．２０２９１．０８５６７．８８３４２．６３７０其中：ｒ、‘、０、巳、ｅｗ分别为试验梁实际承载率、还原处理后的网络仿真承载率、由文献ｍ１按裂缝宽度拟和计算公式求得的承载率；误差图３．７训练误差曲线（中间层神经元数目：１０）图３－８训练误差曲线（中间层神经元数目：１３）２６图３－９训练误差曲线（中间层神经元数目：１６）将３种情况下的误差进行比较，如图３．１０所示，可见中间层神经元个数为１３时，网络的预测性能最好。
图３．１０预测误差对比曲线由图３－６和图３．１０综合比较可见，对于预测精度来说，ＢＰ网络明显不如ＲＢＦ网络，而且ＢＰ网络的训练的时间明显大于ＲＢＦ网络，其训练速度比较慢。
基于卷积神经网络的桥梁损伤识别方法应用研究
第36卷第2期2018年4月青海大学学报J o u rn a l o f Q in g h a i U n iv e rs ityVol.36 No.2Apr.2018基于卷积神经网络的桥梁损伤识别方法应用研究李雪松1，林逸洲2，马宏伟1>3*，聂振华2(1.青海大学土木工程学院，青海西宁810016; 2.暨南大学力学与土木工程学院，广东广州510000;3.东莞理工学院，广东东莞523808)摘要：目前桥梁健康监测系统普遍存在数据量过大无法高效分析的缺点。
为了改善健康监测系统数据灾难问题，本文提出基于卷积神经网络（C N N)的桥梁损伤识别方法。
通过简支梁振动试验，取得9个测点加速度数据训练C N N,测试网络识别准确率，分析C N N在桥梁损伤识别应用中的有效性。
在此基础上分析各种激励大小对C N N桥梁损伤识别影响，以及模拟真实环境在信号中添加噪声测试C N N性能。
结果表明：C N N具有在噪声环境以及弱激励环境下良好的损伤识别性能。
本文方法的阶段性试验成果能为桥梁监测系统数据灾难问题提供新的解决思路。
关键词：卷积神经网络;损伤识别；简支梁试验；弱激励环境中图分类号:T U317 文献标志码:A文章编号：006 -8996(2018)02 -0041 -06D O I：10.13901/j.c n k i.q h w x x b z k.2018.02. 007Application of bridge damage identification based onconvolutional neural networkL I X u e s o n g1,L I N Y iz h o u2,M A H o n g w e i1,3,N I E Z h e n h u a2(1. S ch o o l o f C iv il E n g in e e rin g,Q in g h a i U n iv e r s ity,X in in g810016，C h in a;. S ch o o l o f M e c h a n ic sa n d C o n s tru tio n E n g in e e rin g,J in a n U n iv e r s ity,G u a ng zh o u510000,C h in a;3.D o n g g u a n U n iv e rs ity o f T e c h n o lo g y,D o n g g u a n523808 ,C h in a)A b s t r a c t：T h e c u rre n t b rid g e h e a lth m o n ito rin g system s ha ve th e d is a d v a n ta g e o f too la rg e d a ta v o lu m e to h ig h- e ffic ie n c y a n a ly s is.T o im p ro v e th e d a ta d is a s te r o f h e a lth m o n ito rin g s y s te m,th is p ap e r p re se n ts a b rid g e dam age id e n tific a tio n m e th o d b ased on C o n v o lu tio n a l N e u ra l N e tw o rk(C N N).N in e p o in ts o f a c c e le ra tio n d a ta tra in e d C N N w e re o b ta in e d th ro u g h th e v ib ra tio n test o f s im p le s u pp o rte d beam s to te st th e a c c u ra c y o f n e tw o rk id e n tific a tio n,a n d th e e ffe c tiv e n e s s o f C N N in th e a pp lic a tio n o f b rid g e dam age id e n tific a tio n w as a n a ly z e d.B ased on t h is,th e in flu e n c e s o f v a rio u s i nc e n tiv e sizes on th e dam age ide n tific a tio n of C N N b ridg e s w e re in v e s tig a te d,a n d th e p e rfo rm a n c e o fC N N w as te ste d b y a d d in g n o is e to th e re a l e n v iro n m e n t.T h e e x p e rim e n ta l re s u lts show th a t C N Nhas good dam age id e n tific a tio n p e rfo rm a n c e u n d e r n o is y e n v iro n m e n t a n d w e a k ly te n se a tm o s p h e re.T h e p re lim in a r y re s u lts o f th is m e th o d c a n p ro v id e a n e w s o lu tio n to th e d a ta d is a s te r o f b rid g e m o n ito rin g s y s te m.K e y w o r d s:c o n v o lu tio n n e u ra l n e tw o rk;dam age id e n tific a tio n；s im p le b e a m e x p e rim e n t;w e a k e xc ita tio n e n v iro n m e n t基于振动信号的桥梁损伤识别问题自20世纪90年代以来一直是学者们关注的热点问题之一[1],收稿日期:2017-11-01基金项目：青海省科学技术厅项目（2016 - ZJ-721)国家自然科学基金项目（11472146)作者简介：李雪松（1993 — )，男，内蒙古兴安盟人，青海大学在读硕士研究生。
基于深度学习的桥梁结构损伤识别技术研究
基于深度学习的桥梁结构损伤识别技术研究近年来，基于深度学习的桥梁结构损伤识别技术成为了智能桥梁管理的重要研究领域。
传统的桥梁管理方法主要依靠人工巡检和检测设备，工作量大且效率低下，而基于深度学习的结构损伤识别技术可以通过对巡检数据的分析实现自动化的结构健康监测，从而提高桥梁管理的效率和准确性。
桥梁在长期使用过程中，受到了各种自然和人为因素的破坏，如自然灾害、重载运输、恶劣气候等。
桥梁的结构损伤表现为裂纹、腐朽、变形等问题，如果不及时发现和处理，将会对桥梁的安全和使用寿命带来严重威胁。
因此，研究基于深度学习的桥梁结构损伤识别技术对桥梁的健康管理具有重要意义。
深度学习是一种人工智能技术，通过多层神经网络对数据进行自适应分析，学习数据背后的规律和特征。
在桥梁结构损伤识别中，深度学习可以对各种损伤模式进行自动分类和识别，减少了人工巡检的工作量，提高了识别的准确性和效率。
桥梁结构损伤识别主要依赖于巡检数据，而传统的巡检方法主要通过人工巡检和使用传感器设备进行。
人工巡检的缺点是工作量大、效率低下、精度不足，而传感器设备的安装、维护、数据处理等需要大量的人力和物力投入。
而基于深度学习的损伤识别技术可以通过对大量的巡检数据进行训练，实现自动化的桥梁健康监测。
在桥梁结构损伤识别中，深度学习算法主要包括卷积神经网络（Convolutional Neural Network，CNN）、长短时记忆网络（Long Short-Term Memory，LSTM）等。
其中，CNN是一种适用于图像分类的深度学习算法，能够对桥梁巡检的图像数据进行特征提取和学习，实现自动化的结构损伤分类和定位。
而LSTM则是一种适用于序列数据分析的深度学习算法，可以对桥梁巡检数据的时间序列特征进行学习，实现对桥梁结构损伤的时间预测和监测。
近年来，基于深度学习的桥梁结构损伤识别技术已经取得了一定的研究进展。
例如，加拿大多伦多大学的研究人员开发了一种基于CNN的桥梁表面损伤识别算法，能够对桥梁表面的裂纹和腐朽进行自动化识别和分类。
模糊神经网络在桥梁评估中的应用的开题报告
模糊神经网络在桥梁评估中的应用的开题报告1. 研究背景及意义随着现代交通的快速发展，桥梁作为连接城市的重要交通枢纽，其安全性更是直接关系到人们的生命财产安全。
目前，桥梁的评估主要采用静力学方法，即基于牛顿力学定律和材料力学原理，考虑外部载荷对桥梁的影响，进行静力学分析并评估桥梁的安全性。
然而，静力学评估存在一些限制，如难以考虑复杂条件下的桥梁变形、破损等问题，导致评估结果较为保守或者不准确。
因此，研究如何运用新的评估方法来提高桥梁评估的准确性和效率已成为研究人员关注的热点。
模糊神经网络作为一种灵活结构、能够针对不确定信息进行处理的神经网络，具有数据挖掘和预测分析的能力。
因此，将模糊神经网络应用于桥梁评估，能够利用其优点，帮助研究人员减少数据处理难度，实现相对比较准确的评估结果。
因此本文选用模糊神经网络方法研究桥梁评估，探索其在工程中的应用，具有重要的研究价值和实际意义。
2. 研究内容及方法本文将运用模糊神经网络模型进行桥梁的评估，主要研究内容包括以下两个方面：（1）收集桥梁相关的静力学测试数据、现场数据以及其他相关数据，并将这些数据加工成神经网络所需要的格式。
（2）建立基于模糊神经网络的桥梁评估模型。
首先，根据数据特征选择合适的神经网络结构。
其次，对数据进行预处理，包括数据标准化、采样等。
接着，开始训练模型，根据训练数据集，通过反向传播算法不断调整神经元之间的权重和偏置，以使模型输出结果与实际结果最接近。
最后，利用训练好的模型对测试数据进行测试和预测，得出桥梁的评估结果。
3. 研究预期成果及意义本文将研究模糊神经网络在桥梁评估中的应用，通过构建合理的模型并运用有效的算法，实现桥梁结构的安全评估。
本文预期成果有两个方面：（1）构建基于模糊神经网络的桥梁评估模型，有效解决桥梁评估中存在的数据分析难题，提升评估准确度。
（2）实现模型的推广应用，通过更好地应用模糊神经网络模型，充分发挥模型特点，为桥梁评估提供更加合理和准确的评估结果。
桥梁结构损伤识别研究现状与展望
桥梁结构损伤识别研究现状与展望桥梁结构损伤识别是指通过对桥梁结构的监测和数据分析，发现并评估结构损伤的程度和位置。
损伤识别技术的不断发展，对于保障桥梁安全运行和维护桥梁结构具有重要意义。
本文将介绍桥梁结构损伤识别的研究现状，并展望未来的研究方向。
桥梁结构损伤识别的方法主要分为基于模型的方法和基于信号处理的方法。
基于模型的方法通过建立桥梁结构模型，将实际监测数据与模型数据进行比较，以发现结构损伤。
基于信号处理的方法则通过分析桥梁结构的振动响应信号，利用信号处理技术识别出结构损伤的位置和程度。
目前，基于模型的方法主要包括有限元方法和神经网络方法。
有限元方法通过将桥梁结构离散化为有限个单元，利用力学原理进行结构损伤识别。
神经网络方法则通过训练神经网络以学习桥梁结构的损伤模式，从而进行损伤识别。
基于信号处理的方法主要包括频域分析和时域分析，其中频域分析通过分析结构的振动频率响应来识别损伤，时域分析则通过分析结构的振动时间历程来进行损伤识别。
目前，这些方法在桥梁结构损伤识别中都得到了广泛的应用，但也存在一些问题。
有限元方法和神经网络方法的计算量大，对计算机性能要求高，频域分析和时域分析则对信号的采集和噪声处理要求较高。
因此，针对不同的情况需要选择合适的损伤识别方法。
随着科技的不断发展，桥梁结构损伤识别也将迎来更多的发展机遇。
随着传感器技术和数据采集技术的发展，将会有更加准确和实时的损伤识别方法。
同时，随着计算机性能的提高和人工智能技术的发展，将会有更加高效和准确的损伤识别算法。
基于深度学习等技术，可以建立更加精细和复杂的桥梁结构损伤模型，提高损伤识别的准确性和鲁棒性。
另外，可以通过多学科交叉，将生物学、化学等其他领域的技术与损伤识别相结合，开拓新的研究方向。
例如，生物学中的细胞损伤识别方法可以应用于桥梁结构的损伤识别中，化学中的物质损伤识别方法也可以与桥梁结构损伤识别相结合。
在应用方面，未来桥梁结构损伤识别技术将更加注重实际应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
∑e i
2
( 3)
神经网络的预测性能用测试样本的预测平均绝 对误差率 e abs来评价 : t t -t 1 ( 4) ∑ n i =1 t 式中 : t t , t 分别为测试样本的预测值和实际值 . e abs =
n
3. 4 桥梁“ 等级” 评估预测的神经网络法
74
华 南 理 工 大 学 学 报( 自 然 科 学 版)
第 32 卷
பைடு நூலகம்
对各桥梁“等级” 进行评估预测 , 用到的是神经 网络的矢量分类及模式识别功能 . 由于在模式识别 时 , 往往存在训练样本复杂 、 数据量庞大 、学习困难 和误识别率高等问题 , 本文中分别使用几种常用的 神经网络模型对桥梁进行 “ 等级” 评估预测 , 并比较 了它们的评估效果 . 文中所构建的神经网络全部利 用 Matlab 神经网络工具箱实现 . 3. 4. 1 应用 LM 算法的前向网络 本文中使用 了具 有三 个隐 层的 前向 网 络 , 用 LevenbergMarquardt 算法( 简称 LM 算法) 进行训练 . LM 算法比常规的 BP 算法的收敛速度快很多 . 在第 一层隐层 , 使用双曲正切 S 形函数 ( Hyperbolic Tangent) 作为传递函数 , 在其他层隐层和输出层都使用 对数 S 形函数( Logsigmoid) 作为传递函数 , 保证输 出的数值范围为[ 0 , 1] . 方法一 : 网络只有一个输 出单元 , 输出值域 为 [ 1 , 4] . 网络仿真输出 , 经四舍五入后 , 输出{ 1,2, 3, 4} 中的一个数 , 分别对应着{ 一 , 二 , 三 , 四} 级桥梁 . 采用 8 76 , 12 -10 -10 , 14 -12 -10 , 16 14 12 四种三隐层前向网络( 327 个训练样本 , 673 个测试 样本) , 对所提供的样本数据进行训练和测试 , 发现 网络对测试样本的正确预测率最高只达46 . 4 %, 预 测平均绝对误 差率 e abs 为 44 . 7 %. 即只 有 46 . 4 %的 桥梁“ 等级” 被准确评估 , 而平均每座桥的评估误差 为0 . 447 个等级 . 预测效果不好 . 方法二 : 网络采用 4 个输出单元 . 每个单元输出 只能等于 0 或 1 , 当某个单元等于 1 时 , 其他单元只 能等于 0 . 每个单元对应一种桥梁等级 . 网络仿真输 出时 , 利用 Matlab 的竞争函数 compet( ) , 让 4 个输出 单元中 , 取值最大的单元等于 1 , 而其他单元等于 0 , 这样确保网络只输出一种桥梁等级 . 采用 8 -7 -6 , 12 -10 -10 , 14 12 10 , 16 14 -12 四种三隐层前 向网络( 327 个训练样本 , 673 个测试样本) , 对桥梁 “ 等级” 进行预测 , 发 现 12 -10 -10 网络 在 MSE 目 标为 0 . 1 时取得最好的预测效果 , 测试样本的准确 预测率为 55 . 7 %, 预测平均绝对 误差率 e abs 为 34 . 7 %. 3. 4. 2 LVQ 网络 学习向 量量化 ( Learning Vector Quantization , 简 称 LVQ) 是在监督状态下对竞争层进行训练的一种 算法 . 它允许对输入将被分到哪一类进行指定 . 竞争
1 现有的桥梁评估方法
桥梁评估通常是一个由浅入深 、循序渐进的过 程. 这一特性可称为评估的层次性 . 在开始评估时 , 通常采用容易收集到的信息 , 借助简单适用的评估 方法 , 以便获得初评结果 . 若对初评结果把握不大或 需要更精确的分析 , 则需通过详细的调查收集更多 信息或选择更先进 、更复杂的分析方法 , 对结构进行 再评估 . 评估的层次性反映出评估过程本身的经济
第 32 卷 第 9 期 2004 年 9 月
华 南 理 工 大 学 学 报 (自 然 科 学 版 ) Journal of South China University of Technology ( Natural Science Edition)
Vol . 32 No . 9 September 2004
文章编号 : 1000-565X( 2004) 09-007204
用人工神经网络方法评估桥梁缺损状况 ＊
韩大建 杨炳尧 颜全胜
( 华南理工大学 建筑学院 , 广东 广州 510640)
摘 要 : 针对现有桥梁评估方法存在的不足 , 介绍了一种应用神经网络进行桥梁缺损状 况评估的方法 , 并对几种常见的人工神经网络模型的评估效果进行了比较 . 利用广东省内 1018座桥梁的养护数据 , 对神经网络进行训练和测试 , 发现使用神经网络对桥梁进行评 估 , 能够取得比较好的评估效果 . 使用神经网络方法对桥梁“ 等级” 进行评估 , 其准确率超 过 60 %, 平均每座桥的评估误差为 0 . 25 个等级 . 关键词 : 人工神经网络 ; 桥梁评估 ; 学习向量量化网络 ; 径向基网络 ; Elman 网络 中图分类号 : U445 . 7 +1 文献标识码 : A
属性 , 即尽可能避免无谓的人力 、 物力的浪费 . 桥梁评估工作包括信息的收集与处理 , 信息的 处理是桥梁评估工作的难点 . 目前已有一些桥梁缺 损状 况评 估 方法 , 例 如 : 张 永 清的 层 次分 析 评估 法[ 1] ; 我国《公路养护技术规范》 JTJ 073 — 96 的桥梁 评估方法[ 2] ; 桥梁缺损状况指数 BCI[ 3] ; 美国 《国家 桥梁结构调查与评价的记录和编码指南 》 的 SR 指 数[ 4] 等 . 还有一些方法 , 基本原理大同小异 , 即 : 首先由 专家对感兴趣的指标作模糊分级 , 并给出指标的权 重 , 作出行业的地区标准 ; 使用时 , 对实桥的规定指 标用模糊分级进行 评分 , 并加 权求和 , 得到评价结 论. 总之 , 以上这些方法 , 都想利用一个数学模型( 或 者一或几个公式) , 根据各构件的评分 , 计算出桥梁 的总体评分 , 从而确定桥梁缺损状况等级 , 提出相应 的养护对策 . 这些方法存在如下问题 : ( 1) 该数学模 型( 或公式) 与实际问题之间存在误差问题 , 也就是 说该模型能够以多大的精度反应各构件状况与桥梁 总体状况之间的复杂关系 ? ( 2) 这些模型 ( 或公式) 中的参数是在 对某一地区桥梁统计的 基础上得到 的 , 由于不同地区的实际条件 ( 气候条件 、行车交通 流量条件等) 不同 , 用适合某一地区的参数去评价另 一地区就不一定合适了 . ( 3) 不同类型不同结构形式 的桥梁有其自身的特点 , 使用相同的模型 ( 或公式) 带来的误差会比较大 .
3. 3 目标误差和预测性能的评价
训练的目 标误 差用 MSE ( Mean of Squared Errors) 来表示 , 其中 e i 为误差率 , 则有 1 MSE = n
n i =1
3 用于桥梁缺损状况评估的神经网络 系统设计
本文所做的工作 , 是选用恰当的神经网络模型 , 利用桥梁养护专家对桥梁评估 产生的桥梁评 估例 子 , 对这些桥梁评估样本数据进行学习 , 使神经网络 具有桥梁养护专家的评估能力 , 然后对各桥梁进行 评估预测 , 最后与桥梁养护专家对桥梁的评估状况 进行比较 , 检验神经网络对桥梁评估的能力 . 本文所 用到的样本数据是广东省范围内的 , 其他地区只要
为了保证桥梁正常运营 , 必须对桥梁的状况进 行正确地评估 , 确定桥梁安全性等级 , 为桥梁养护工 作安排提供科学依据 . 对桥梁状况的评价工作 , 一方 面为平时桥梁养护工作提供养护对策 , 另一方面为 桥梁退化研究提供原始数据 . 桥梁状况的评价模型 更是桥梁管理系统的基础模型 , 它为桥梁管理系统 中的决策支持和退化仿真模块提供了原始数据 . 所以 说 , 对桥梁状况评价的研究是基础的和重要的工作 . 本文中使用了人工神经网络方法对桥梁进行评 估 , 结果表明该方法能够对桥梁缺损状况进行有效 地评估 .
[6 ]
, 得到神经网络的输出值 A :
VV min A= ( A -A min) +A min ( 1) V max V min max 对于神经网络的输出值 A , 可按式( 2) 转换为变 量V : A -A min V= ( V -V min) + V min ( 2) A max A min max 各构件评分的取值范围为[ 0 , 5] , 神经网络的取 值限制范围为[ 0 , 1] .
收稿日期 : 2004 -02 -25 ＊基金项目 : 广州市科技攻关引导项目( 2002Z3-D3031) 作者简介 :韩 大建( 1940 -) , 女 , 教授 , 主 要从事 建筑与 桥 梁结构方面的研究 . E -mail :ardjhan @scut . edu . cn
第 9 期
韩大建 等 :用人工神经网络方法评估桥梁缺损状况
73
2 桥梁缺损状况评估的神经网络方法
神经网络对非线性问题有强大且准确的映射能 力. 1987 年 , Robert Hecht-Nielsen 提 出了 Kolmogorov 多层神经网络映射存在定理 , 从理论上证明了 , 包含 一个隐层的三层神经网络可对任何连续的非线性函 数进行任意精度的逼近 . 神经网络的这个特性 , 使其 [5 被广泛应用到各个领域 ] 中 . 另外 , 神经网络不需要复杂的建模分析过程 , 它 能对样本进行学习 , 学习样本数据中隐含的规律 , 精 确地确定输入数据和目标之间存在的映射关系 ; 神 经网络还具有较好的鲁棒性 ( 容错性 ) 、过滤噪声和 在线应用等特性 . 利用神经网络进行桥梁缺损状况评估有以下优 点: ( 1) 由于它不需要复杂的建模分析过程 , 从而能 够避免在建模分析过程中对实际问题的假设和简化 带来的误差 , 提高桥梁评估的精度 . ( 2) 利用它“ 可对 任何连续的非线性函数进行任意精度逼近”的特性 , 可以以更高的精度建立构件等级评分与桥梁总体评 分之间的关系 . ( 3) 不同地区可以根据本地不同的情 况 , 使用适合本地情况的样本数据对神经网络进行 训练 , 从而得到适合本地情况的规律 , 使得桥梁缺损 状况评估结果与本地实际情况相符合 . ( 4) 可以从多 个角度对桥梁进行评估 . 例如 , 可以从专家的角度对 桥梁进行评估 . 首先 , 让桥梁养护方面的专家对一些 桥梁进行评估 , 产生一些桥梁评估例子 , 通过对这些 例子的学习 , 最后使得神经网络具有桥梁养护专家 的桥梁评估能力 . 再如 , 可以从桥梁本身特性对桥梁 状况进行估计 . 通过对大量例子的学习 , 建立桥梁的 总体状况与桥梁本身特性( 结构形式 、材料 、通车时 间、 交通流量 、 气候条件 、平时养护状况等特征) 之间 的映射关系 . 总之 , 使用神经网络进行桥梁缺损状况 评估 , 能够克服传统方法固有的局限 , 它的一些优点 是传统方法不能做到的 .