基于神经网络重力坝损伤识别输入参数的研究.doc

基于神经网络重力坝损伤识别输入参数的研究摘 要：在神经网络识别结构损伤的过程中选取容易得到、识别精度 高、损伤敏感性高的参数，损伤识别精度将人大提高为克服使用单一结 构特征物理量作为神经网络输入参数而带来的缺陷，文章以武都水库非溢 流坝段为例，利用径向基函数神经网络对重力坝损伤的识别展开研究，提 出将结构固有频率和固定点模态分量组合作为输入参数，对比选用不同输 入参数的损伤输出信息结果表明，使用组合参数作为输入参数对重力坝 进行损伤位置识别、损伤程度预测是实用可行的关键词：重力坝；径向基神经网络；损伤识别；输入参数引言结构工程在使用较长时间后往往会产生不同程度的损伤，使得结构的 安全性和耐久性降低，因此迫切需耍寻找到高效准确的损伤识别方法，对 损伤结构进行维修加周结构出现损伤后自身的某些特性也随Z发牛变 化，许多问题涉及非线性变化，变量之间的关系复杂，难以用确切的数学、 力学模型来解决基于神经网络的结构损伤诊断方法不需要结构动力特性 的先验知识，在非线性模式识别和分类具备很强的非线性映射能力，因而 广泛运用在结构工程实际问题研究中，如大型空间网架结构，桥梁结构， 多层及高层框架结构，地下隧道，海洋平台等方向。

神经网络方法不但具 有处理数据的能力，口具备对知识的学习和记忆的能力，能够滤出噪声干 扰正确识别结构损伤信息，Wu[l]早在1992年就证明神经网络是结构动力 学系统识别的有效工具对于独立构件和简单模型的损伤检测现在已有许 多研究，但针对大型复杂的实际工程，现有的研究仍然不够，它们的健康 诊断和损伤识别无法从单一结构特征物理量反应的损伤信息中得到推断， 损伤识别的结果受到如何选定神经网络输入参数及其表达形式的影响，因 而需要获得结构的多种特征物理量，利用这些数据结合神经网络方法对结 构进行损伤诊断，确定输入参数时尽量选择对结构影响大的特征量混凝土大坝发生损伤其动力特性也会随之改变，由于大坝结构的老 化、损伤对动态参数的敏感度低于机械故障诊断中动态参数的敏感度，对 测试技术和分析水平耍求高，已有学者选用基于结构动力特性的神经网络 损伤识别对大坝结构进行损伤诊断文章通过分析参数的敏感性，针对适 用于重力坝损伤识别的高敏感性参数的选取展开研究1神经网络方法人工神经网络（Artificial Neural Network,简称神经网络或ANN） 是对人脑或自然神经系统若干基本特征的抽象与模拟，由大量神经元广泛 互连而成，它不但具有处理数值数据的一般计算能力，还具有处理知识的 思维、学习、记忆能力，广泛应用于许多领域［2］。

相比于其他神经网络方法，径向基神经网络有明显优势，它具有结构 简单、训练便捷、迅速收敛、高度非线性映射能力、不易陷入局部最小等 优点，能逼近任何非线性函数它是以函数逼近理论为基础而构造的一类 三层前向网络，它包含输入层、隐含层和输出层输入向量x的维数对应 输入层的每一个输入节点，将单元知识传递输入信息到隐含层，隐含层的 每个隐含节点对应一个训练数据点，隐含节点与输出层中每个线性单元连 接2输入参数的选择在目前对结构进行健康监测和损伤识别的各种方法中，利用动态特性 分析法进行损伤检测最为广泛应用，针对不同结构选择合适的模态数据或 其导出值，影响着损伤检测的难易程度和检测结果的准确性模态性质（如 固有频率、振型模态和曲率模态）是结构物理参数的函数，结构发生损伤, 这些模态性质就会随之产生相应的变化；在损伤识别中，输入参数应该能 够敏感地反映结构损伤，因此输入参数的选择对控制神经网络的输出结果 精度尤为重耍经常选用特征物理量作为神经网络输入参数的有：振动响应信号、位 移、应变、速度、频率、频率变化比、模态、曲率等采用不同的输入参 数或参数组合，对损伤敏感性的影响不同，大量损伤诊断研究都选用结构 频率作为损伤指标，但有学者研究证明模态频率对损伤并不敏感［3］,任 意两阶模态的频率变化率，仅仅与损伤位置有关，与损伤程度无关。

范进 胜［4］采用振型曲率比作为输入参数，试验讨论得到该种方法可以准确识 别出结构的损伤位置，对损伤程度的大小也能做出比较瞿伟廉［5］采用 损伤前后应变模态差作为输入参数，应变模态对结构局部损伤较为敏感， 能直接反映结构的损伤状态鞠彦忠［6］采用固有频率、第一振型模态、 振型、作为输入参数，得出振型对损伤位置的变化比频率敏感，损伤引起 的变化高阶频率比低阶频率更敏感，同有频率的改变对位于下部杆件的损 伤比对上部更敏感万小朋［7］以悬臂梁的损伤识别为例，固定端的振型 变化受结构损伤的影响更大，不同位置和不同程度的损伤使得结构第一阶振型改变率发生明显变化，验证了采用第一阶振型改变率作为输入参数可 用于识别小损伤，在试验中获得结构的第一阶振型操作简单，容易实现， 测量误差较小张刚刚［8］采用参数频率、振型模态、曲率模态三种指标 作为输入参数，对斜拉索损伤进行研究，得到振型与曲率为输入参数对损 伤识别获得良好效果，其中曲率模态对桥梁损伤的敏感度最高韩西［9］ 把结构损伤识别问题分为损伤判断、损伤定位、损伤程度三个阶段，定位 损伤采用位置的频率变化平方比作为输入参数，判别损伤程度的频率变化 比作为输入参数，证实了该方法具有较好的识别效果o在已有研究的基础上，文章利用径向基函数神经网络对重力坝损伤识 别展开研究，提出将结构固有频率和固定点模态分量组合作为输入参数， 对比选用不同输入参数的输出损伤信息。

3数值模拟分析数值模拟分析选取武都大坝19#右岸非溢流坝段为例进行研究，将模 型结构进行简化，假定坝体材料为弹性体,在坝体上游面模拟动水压力, 选用ABAQUS有限元软件建立二维有限元模型为简化计算选取大坝震后 易损伤的坝颈段下游面划分为多个区域，设置水平裂缝模拟大坝结构损伤 状态选择训练样本时要将损伤情况尽可能包含在内，综合考虑选择在距 坝顶 2/19, 2. 33/19, 2.67/19, 3/19, 3. 33/19, 3.67/19, 4/19 坝高处, 用大写字母A、B、C、D、E、F、G表示七类不同位置的裂缝，每处裂缝分 为7种损伤程度,分别为该处坝体截面的宽度的0. 1、0. 2、0. 3、0. 4、0. 5、 0.6倍，共得到43组训练样本，获得大坝结构不同损伤情况下的动力特性（如图l）o神经网络输入参数分为三个对照组，I组选取结构前八阶固有频率，II组选取八个指定点的一阶模态水平分量，III组选取结构前 四阶固有频率和四个指定点的一阶模态水平分量神经网络理想输出参数 为(ya, yb, yc, yd, ye, yf, yg), yx表示结构在x的损伤量，例如(0, 0, 0, 0.35, 0, 0, 0)表示损伤发生在结构下游面D处，程度为0.35。

将各组选定的特征物理量作为网络的输入向量，结构损伤状态作为输 出参数，建立损伤分类训练样本集，将样本集送入神经网络进行训练，得 到结构特征物理量变化与损伤状态之间的映射关系选取四种样本用来测 试该方法对于损伤的识别精度，对比各对照组的神经网络输出结果(如表 l)o对以上三组损伤识别结果，对损伤位置识别效果和损伤程度识别误差 进行分析，得到以下结论：采用频率变化率作为输入参数容易获得，训练 速度快，能准确识别损伤位置，对识别程度识别结果误差较大采用固定 点第一节模态水平分量作为输入参数训练速度较慢，能够精确识别损伤位 置，且损伤程度识别结果较为准确采用将二者结合的组合参数作为输入 参数训练神经网络，相对于其他两组该方法具有明显优势，能准确识别出 损伤位置、识别损伤程度，有良好的损伤识别精度4结束语文章通过对理论分析和武都大坝结构的数值模拟分析，对比几组不同 输入参数的神经网络损伤识别结果结构的固有频率是容易获得，与测量 位置无关且测量精度高，将结构固有频率作为输入参数反映了结构整体动 态特性，但它对结构特征的局部变化不够敏感将结构模态振型作为输入 参数，有很好的识别精度，但该方法不易判断振型节点附近的损伤，应针 对具体情况选择合理的分析点。

将组合参数的方法用于重力坝损伤识别，结合二者优点，避开单一输 入参数带来的缺陷，具有良好的识别效果，识别精确度和神经网络训练速 度明显优于单一输入参数，可进一步检验该方法用于实际结构的有效性参考文献[1] 朱宏平•结构损伤检测的智能方法[M]•人民交通出版社，2009.[2] Wu X, Ghaboussi J, Garrett Jr J H. Use of neural networks in detection of structural damage[J]・ Computers & Structures, 1992, 42 (4)： 649-659.[3] Cawley P, Adams R D・The location of defects in structures from measurements of natural frequencies[J]・Journal of Strain Analysis, 1979； 14： 49-57.[4] 范进胜，杜守军•利用神经网络进行框架结构损伤识别的研究 [C]//第14届全国结构工程学术会议论文集(第三册)，2005.[5] 瞿伟廉，陈伟•多层及高层框架结构地震损伤诊断的神经网络方法[J]•地震工程与工程振动,2002, 22 (1)： 43-48.[6] 鞠彦忠，阎贵平，陈建斌，等•用小波神经网络检测结构损伤[J]・ 工程力学，2003, 20 (6)： 176-181.[7] 万小朋，李小聪，鲍凯，等•利用振型变化进行结构损伤诊断的研 究[J]•航空学报,2003, 24 (5)： 422-426.[8] 张刚刚，王春生，徐岳•基于径向基函数神经网络的斜拉桥损伤识别[J]•长安大学学报：自然科学版,2006, 26 (1)： 49-53.[9] 韩西，张伟，钟厉•基于神经网络技术的结构损伤检测[J]・中南公 路工程，2007, 31 (5)： 15-18.。