用人工神經(jīng)網(wǎng)絡診斷水工建筑結構的地震損壞

茹反反

（福建水利電力職業(yè)技術學院，366000，永安）

一、引 言

汶川大地震是新中國成立以來破壞性最強、波及范圍最廣的一次地震。大地震帶來的損失十分巨大，而次生災害的發(fā)生則更是雪上加霜，帶來的損失有時比地震還大。對于災區(qū)來說，能及時、正確地診斷震區(qū)水工建筑物如大壩等的地震損壞程度是防止次生災害的一個重要保證。人工神經(jīng)網(wǎng)絡（簡稱ANN）的研究已有30多年歷史，它是涉及生物、電子、計算機、數(shù)學和物理學的交叉學科，有著廣泛的應用前景，目前人們已成功地將其應用于人工智能領域的許多方面，如圖像壓縮、字符識別等，我們也可利用其進行結構損壞診斷。

二、BP人工神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡實質上是一種采用反向傳播學習算法的多層前饋網(wǎng)絡。從結構上講，BP網(wǎng)絡是一種分層型網(wǎng)絡，由輸入層、隱層和輸出層組成。層與層之間采用全互連方式，同一層單元之間不存在相互連接。

隱層可以有一個或多個，隱層中的神經(jīng)元均采用S型變換函數(shù)。三層前饋神經(jīng)網(wǎng)絡能以任意精度完成任何連續(xù)函數(shù)的映射。

BP算法是非循環(huán)多級網(wǎng)絡的訓練算法，其學習過程由正向傳播和反向傳播組成。輸入值經(jīng)過非線性變換，從輸入層經(jīng)隱層單元逐層處理，并傳向輸出層，每一層神經(jīng)元的狀態(tài)將影響到下一層神經(jīng)元狀態(tài)，如果在輸出層不能得到期望的輸出，則轉入反向傳播，通過修改各神經(jīng)元權值，使誤差信號最小。

三、基于神經(jīng)網(wǎng)絡的水工建筑結構地震損壞評估

水工建筑結構受動力荷載作用而損壞將影響它的動力學特性。因此，從受損結構測得的動力反應與正常狀況下的反應比較中，必然包含了關于損壞構件及其位置和程度的信息，這些信息以傳統(tǒng)方法是很難提取出來的，必須有一套指導因果顯式關系的規(guī)則，而且利用這樣關系的方法也要預先開發(fā)好。

由于神經(jīng)網(wǎng)絡的方法是利用訓練過程提取因果關系，然后將它存儲到一個神經(jīng)網(wǎng)絡模型的連接強度上。網(wǎng)絡的自組織與學習能力消除了提取因果關系的必要性。

選取的神經(jīng)網(wǎng)絡模型以包含因果關系的適當信息接受訓練。因此，第一步要取得受損的與完好的結構地震反應資料，這可通過結構反應的實測、模型試驗或數(shù)值模擬實現(xiàn)。

在確定神經(jīng)網(wǎng)絡模型時，要決定其結構形式和訓練算法。接著用一組訓練用數(shù)據(jù)組中未曾出現(xiàn)過的數(shù)據(jù)去測試。訓練過的網(wǎng)絡是否有普遍性，往往取決于所選擇網(wǎng)絡結構的合適性與對評估損壞所需有關信息是否豐富。

對剪切型三層框架建筑模型在各種地震波作用下進行加速度時程測量，包括將測量儀放在頂層和放在第二層兩種情況。將所測得的加速度時程反應數(shù)據(jù)通過FFT（快速富利哀變換）處理轉換至頻域。然后在所得的加速度幅值譜上，從0～20Hz范圍內等距地取出200個點的相應幅值作為神經(jīng)網(wǎng)絡的輸入。參見圖1。

神經(jīng)網(wǎng)絡的形式是單隱層的BP網(wǎng)絡。輸入層設有200個PE，它們輸入采集的加速度幅值譜值，輸出層的3個PE代表建筑各層層間柱子構件，其活性值取在0～1之間，0代表完全破壞，1代表無損壞，中間的數(shù)值代表以構件剛度降低百分數(shù)表達的損壞程度。

四、BP神經(jīng)網(wǎng)絡的訓練

BP神經(jīng)網(wǎng)絡模型結構如圖2所示。

輸入層有200個處理單元，它們分別從富利哀譜中接受譜位輸入。隱層由10個處理單元組成。輸出層的三個處理單元分別代表結構構件的三種損壞狀態(tài)。

對該網(wǎng)絡模型，可用42個加速度頻譜所代表的不同情況來訓練。它們從設置在框架上的加速度傳感器記錄轉換而得，這些譜值中包含著哪個構件是受損的以及損壞程度的信息，具體是指以下方面：

①對于6個不同的地震記錄，所有輸出PE的活性值接近于1.0，即沒有構件損壞(6個情況）；

②構件1（第一層）對6個地震記錄的損壞程度，即剛度折減75%和50%，相當于活性水平0.25和0.50（12 個情況）；

③構件2（第二層）對6個地震記錄的損壞程度，即剛度折減75%和50%（12個情況）；

④構件3（第三層）對6個地震記錄的損壞程度，即剛度折減75%和50%（12個情況）。

這42個實例分批提交給神經(jīng)網(wǎng)絡模型進行訓練，第一批是相應于所有地震記錄的無損與50%損壞的頻譜；第二批是相應于75%損壞的頻譜。通過1200～1400 周期（epoch，是對所有輸入進行一次完整的前饋與誤差反傳所作運算）迭代而收斂。其中采用了0.2的學習率和10%的最大允許誤差。這個用于構件損壞評估的單隱層BP模型的訓練，其輸出PE活性值的結果與期望的活性值之間應符合得相當好。

五、神經(jīng)網(wǎng)絡模型的測試

上述的網(wǎng)絡模型在通過42種訓練樣本的訓練以后，再對它進行測試，以檢驗它對其他的損壞狀態(tài)（譬如對60%損壞狀態(tài)）的識別是否同樣好。

為此，可將三層框架的各層構件剛度降低60%后，再在相同地震波作用下取得加速度反應譜值，以此作為輸入重復上述的訓練，就可得到測試結果。

六、結 語

網(wǎng)絡模型不一定能正確地識別構件損壞程度。引起這種差錯的其中一個主要因素可能是網(wǎng)絡沒有被提供足夠多的信息來區(qū)分不同構件的損壞狀態(tài)。我們可以采取一些措施進行補救，譬如，選擇合適的傳感器數(shù)量和安放位置來正確而恰當?shù)夭蹲浇Y構的振動特性。在第二、第三層上分別設置傳感器，以增加輸入信息量。此外，還可嘗試改變網(wǎng)絡模型的結構，選用兩個隱層，更好地區(qū)分不同損壞狀態(tài)和識別60%損壞的構件。

[1]王效岳，劉好明，劉曉麗.改進BP神經(jīng)網(wǎng)絡在城市工業(yè)用電量預測中的應用[J].自動化技術與應用，2007（12）.

[2]林濟群.人工智能及其在工業(yè)上的應用講義[M].福州：福州大學出版社，2002.