楊 永，李海濱,2

(1.內(nèi)蒙古工業(yè)大學(xué) 理學(xué)院，呼和浩特 010051；2.內(nèi)蒙古工業(yè)大學(xué) 工程訓(xùn)練教學(xué)部，呼和浩特 010051)

1994年，鐘萬勰[1-2]將運動方程轉(zhuǎn)入Hamilton體系，在時域上給出了運動方程以積分形式的解，同時針對該解中的矩陣指數(shù)函數(shù)提出了精細積分算法，該方法避免了計算機中的截斷誤差，將矩陣指數(shù)的計算精度提高到了計算機的精度。但是由于非齊次項的任意性，如何有效處理精細積分法解中的積分是一個需要解決的問題。Zhong等[3-4]將非齊次項在每個積分區(qū)段進行線性化近似，提出了精細時程法，但是精確的遞推格式需要對系統(tǒng)矩陣求逆，并且當(dāng)步長較大時，線性化的假設(shè)會導(dǎo)致計算誤差增大。為解決這一問題，顧元憲等[5]提出了增維精細積分算法，將非齊次項看做狀態(tài)變量納入求解過程中，從而將非齊次項方程轉(zhuǎn)化為齊次方程，保證了計算精度。但是此類算法對非齊次項的形式有一定的要求，只適用于荷載項為幾種特殊項的情況。高小科等[6-10]將精細積分與數(shù)值積分法相結(jié)合，直接對積分解中的積分項進行求解，避免了矩陣的求逆，常用的數(shù)值方法有辛普森、科茨、高斯等方法，但由于需要選擇積分點，所以需要額外計算積分點的矩陣指數(shù)。富明慧等[11-12]利用遞推算法和矩形積分公式，提出了廣義精細積分算法(generalized precise time step integration method,GPTSIM)，在非齊次項為多項式、指數(shù)函數(shù)以及三角函數(shù)情況下，具有優(yōu)越的計算性能。但對于其他形式的非齊次項，需要先對非齊次項進行擬合，此時數(shù)值解的精度主要取決于非齊次項擬合的精度。王海波等[13]在廣義精細積分算法的基礎(chǔ)上，結(jié)合泰勒級數(shù)對其進行了推廣，但是實質(zhì)仍是采用多項式擬合非齊次項。同時，在現(xiàn)有的積分計算方法中，步長對結(jié)果的影響較大。選擇合適的步長往往較為困難。

本文將精細積分法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出一種基于對偶神經(jīng)網(wǎng)絡(luò)的積分算法。不同于其他的數(shù)值積分方法，該方法分別利用一組神經(jīng)網(wǎng)絡(luò)A和B逼近被積函數(shù)和原函數(shù)，利用神經(jīng)網(wǎng)絡(luò)對任意非線性函數(shù)逼近的能力，實現(xiàn)對任意復(fù)雜形式函數(shù)的積分。本文采用對偶神經(jīng)網(wǎng)絡(luò)對精細積分解中的積分項進行計算，在保證高精度的同時，不對非齊次項的形式進行任何假定，同時避免了對矩陣求逆。通過算例，驗證了本文方法在任意荷載形式下均有良好的計算精度。

1 精細積分法

在結(jié)構(gòu)動力分析中，一般動力學(xué)方程為

(1)

式(1)的初始條件為

(2)

(3)

得

代入式(1)得

(4)

式(4)可以寫為

(5)

其中，

此時，式(5)的解可以寫為

(6)

式(6)為動力方程的解，對其進行離散化處理，記時間步長為Δt，有

(7)

令T=exp(H·Δt)，得

(8)

式中，T為傳遞矩陣，可利用加法定理精確算得

T=exp(H·Δt)=[exp(H·Δt/m)]m]

(9)

令Δτ=Δt/m，取m=2N,當(dāng)N取20時，Δτ很小，由泰勒級數(shù)可得

exp(H·Δτ)≈I+H·Δτ+(H·Δτ)2/2=I+Ta

(10)

從而

(11)

(12)

由于exp(-x)的存在，上述的積分計算困難。除常用的數(shù)值計算方法外，富明慧提出了一種廣義積分算法，在式(12)中f(x)為多項式、指數(shù)函數(shù)和三角函數(shù)情況下，廣義積分算法可以直接使用。但在實際應(yīng)用中，荷載項的形式往往很復(fù)雜，本文提出一種對偶神經(jīng)網(wǎng)絡(luò)積分算法，能夠適用于任意形式的荷載項。

2 對偶神經(jīng)網(wǎng)絡(luò)積分法的原理

一個對偶神經(jīng)網(wǎng)絡(luò)包含A、B兩個前向型BP神經(jīng)網(wǎng)絡(luò)。其中，神經(jīng)網(wǎng)絡(luò)A用來學(xué)習(xí)積分算式中的被積函數(shù)，另一個神經(jīng)網(wǎng)絡(luò)B，會通過與神經(jīng)網(wǎng)絡(luò)A在權(quán)值和激活函數(shù)上的特定聯(lián)系，由神經(jīng)網(wǎng)絡(luò)A來確定，用于構(gòu)建積分被積函數(shù)的原函數(shù)。神經(jīng)網(wǎng)絡(luò)B的結(jié)構(gòu)框圖如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)B原函數(shù)示意圖Fig.1 Schematic diagram of original function of neural network B

神經(jīng)網(wǎng)絡(luò)B中網(wǎng)絡(luò)輸出和輸入變量間函數(shù)關(guān)系如式(13)所示

(13)

對神經(jīng)網(wǎng)絡(luò)B確定的函數(shù)關(guān)系式(13)左右兩側(cè)同時對變量x進行求導(dǎo)數(shù)，得到式(14)

(14)

令

(15)

則式(14)可以改寫為

(16)

圖2 神經(jīng)網(wǎng)絡(luò)A被積函數(shù)示意圖Fig.2 Schematic diagram of integrand function of neural network A

(17)

神經(jīng)網(wǎng)絡(luò)A與神經(jīng)網(wǎng)絡(luò)B為一對關(guān)于變量的積分對偶神經(jīng)網(wǎng)絡(luò)，簡稱對偶神經(jīng)網(wǎng)絡(luò)。

式(17)中

(18)

由上述可知，通過訓(xùn)練被積函數(shù)樣本點集合，則可以通過對偶神經(jīng)網(wǎng)絡(luò)方法獲得被積函數(shù)的原函數(shù)，在此基礎(chǔ)上，可以根據(jù)牛頓萊布尼茨公式得出積分值，至此實現(xiàn)了積分的計算。

3 對偶神經(jīng)網(wǎng)絡(luò)求解積分項

對于計算結(jié)果中需要進行積分的式(8)

式中，T可由精細算法算得。

設(shè)積分項的被積函數(shù)為yk(τ)=exp[H(tk+1-τ)]·F(τ)，其中，H為n×n矩陣，F(xiàn)(τ)為n×1矩陣，輸出yk(τ)為n×1矩陣。

圖3 被積函數(shù)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.3 Schematic diagram of integrand function network structure

y(τ)=NETAk(τ)

(19)

圖4 原函數(shù)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.4 Schematic diagram of original function network structure

Y(τ)=NETBk(τ)

(20)

至此，式(8)可以寫成

(21)

由上述計算過程可知，對偶神經(jīng)網(wǎng)絡(luò)積分法保留了數(shù)值積分的特點，在計算過程中只需要各時間點的荷載值，對函數(shù)的形式并無任何要求，因此能夠適用于任意荷載形式。

4 算 例

算例一

通過上述積分來檢驗本文算法的精度，同時與富明慧等研究中的廣義積分算法進行比較。

廣義積分算法選用不同冪級數(shù)階次在t=0處擬合函數(shù)ln(1+t)，K為選用冪級數(shù)的階數(shù)。

對偶神經(jīng)網(wǎng)絡(luò)計算步驟如下：

步驟1構(gòu)建神經(jīng)網(wǎng)絡(luò)A學(xué)習(xí)被積函數(shù)etln(1+t)，隱層和輸出層的激活函數(shù)分別為sigmoid、purelin，神經(jīng)網(wǎng)絡(luò)層數(shù)為3層，隱層單元個數(shù)為30，輸入層單元個數(shù)為1，輸出層單元個數(shù)為1。

步驟2將t的取值范圍[0,0.1]進行50等分取值構(gòu)成網(wǎng)絡(luò)A輸入樣本，計算函數(shù)etln(1+t)的值做為網(wǎng)絡(luò)A的輸出樣本。

步驟3訓(xùn)練神經(jīng)網(wǎng)絡(luò)A，訓(xùn)練誤差設(shè)置為1×10-6，最大訓(xùn)練步數(shù)2 000。訓(xùn)練完成后，由式(15)即可得到原函數(shù)網(wǎng)絡(luò)B，神經(jīng)網(wǎng)絡(luò)B的隱層和輸出層激活函數(shù)分別為softplus、purelin。

計算結(jié)果如表1所示(表中結(jié)果加粗字體部分為與精確解不同部分)。

表1 神經(jīng)網(wǎng)絡(luò)積分法和廣義積分法結(jié)果與精確解比較Tab.1 Comparison of the results of neural network integration method and GPTSIM with the exact solution

由表1中數(shù)據(jù)可以看出，廣義積分法在冪級數(shù)階數(shù)較低的時候精度較差，隨著冪級數(shù)擬合階數(shù)的提高，精度逐步提高。這是因為廣義積分法中需要先采用冪級數(shù)對積分項進行擬合，然后利用遞推格式得到積分結(jié)果。而一些復(fù)雜函數(shù)在冪級數(shù)擬合過程會產(chǎn)生較大的誤差，所以廣義積分法的精度取決于擬合精度。而對偶神經(jīng)網(wǎng)絡(luò)積分法采用一個神經(jīng)網(wǎng)絡(luò)A擬合積分項，根據(jù)萬能逼近原理，一個三層神經(jīng)網(wǎng)絡(luò)能夠逼近任意函數(shù)，在神經(jīng)網(wǎng)絡(luò)A無限逼近被積函數(shù)的同時，神經(jīng)網(wǎng)絡(luò)B無限逼近原函數(shù)。通過調(diào)整隱層單元的個數(shù)，對偶神經(jīng)網(wǎng)絡(luò)積分法能夠達到高精度。通過對比，神經(jīng)網(wǎng)絡(luò)在擬合樣本容量為50的情況下就已經(jīng)達到與五階廣義積分法解的同等精度，表明了本文對偶神經(jīng)網(wǎng)絡(luò)積分具有較高精度。同時，通過提高樣本容量，也能進一步提高對偶神經(jīng)網(wǎng)絡(luò)的積分精度。

算例二

運動方程

其中，

步驟1構(gòu)建神經(jīng)網(wǎng)絡(luò)A學(xué)習(xí)被積函數(shù)exp[H(tk+1-τ)]·F(τ)，由于H為4×4矩陣，F(xiàn)(τ)為4×1矩陣，因此設(shè)置神經(jīng)網(wǎng)絡(luò)A的輸出層單元個數(shù)為4，其輸入層單元個數(shù)為1，隱藏層單元個數(shù)為30，隱層和輸出層激活函數(shù)分別為sigmoid、purelin。

步驟2將τ在區(qū)間[tk,tk+1]范圍內(nèi)100等分取值構(gòu)成神經(jīng)網(wǎng)絡(luò)A輸入樣本，計算函數(shù)exp[H(tk+1-τ)]·F(τ)的值做為神經(jīng)網(wǎng)絡(luò)A的輸出樣本。

步驟3訓(xùn)練神經(jīng)網(wǎng)絡(luò)A，訓(xùn)練誤差設(shè)置為1×10-6，最大訓(xùn)練步數(shù)2 000。訓(xùn)練完成后，由式(15)即可得到原函數(shù)網(wǎng)絡(luò)B，神經(jīng)網(wǎng)絡(luò)B的隱層和輸出層激活函數(shù)分別為softplus、purelin，神經(jīng)網(wǎng)絡(luò)B的網(wǎng)絡(luò)權(quán)值由神經(jīng)網(wǎng)絡(luò)A確定。

為便于比較，取與解析精細積分法相同步長0.28。計算結(jié)果如表2所示(表中結(jié)果加粗字體部分為與精確解不同部分)。

表2 x1,x2位移Tab.2 Displacement of x1,x2

從表2中數(shù)據(jù)可以看出，在荷載為常數(shù)荷載時，精細時程積分的計算結(jié)果與精確解在有效位數(shù)內(nèi)完全一致，具有足夠的計算精度。這是因為精細時程積分法假設(shè)非齊次項在步長[tk,tk+1]范圍內(nèi)是線性的，當(dāng)荷載項為常數(shù)時，由于步長時間較小，精細時程積分的線性化假設(shè)對計算結(jié)果影響較小。但是精細時程積分法在計算中需要對矩陣H求逆，限制了精細時程積分法的應(yīng)用范圍。而對偶神經(jīng)網(wǎng)絡(luò)積分法對積分項進行直接積分，使用神經(jīng)網(wǎng)絡(luò)對積分函數(shù)進行逼近，因此不涉及矩陣求逆，同時可以看出，神經(jīng)網(wǎng)絡(luò)積分法的計算結(jié)果在有效位數(shù)內(nèi)與精細時程積分完全一致，說明了對偶神經(jīng)網(wǎng)絡(luò)積分在避免矩陣求逆的同時也保證了精度。而威爾遜-θ法隨著時間的增長，誤差不斷增大。

算例三

運動方程

本算例的荷載為非線性正弦荷載，其解析解為

分別采用精細時程積分以及直接積分法中的科茨公式、高斯公式和GPTSIM與本文對偶神經(jīng)網(wǎng)絡(luò)積分法進行對比。GPTSIM采用泰勒級數(shù)展開形式下的廣義精細積分法，并經(jīng)過精度修正。

由于對偶神經(jīng)網(wǎng)絡(luò)計算積分對函數(shù)形式?jīng)]有要求，因此算例三對偶神經(jīng)網(wǎng)絡(luò)積分法的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)與算例二相同，神經(jīng)網(wǎng)絡(luò)A的輸出層單元個數(shù)為4，輸入層單元個數(shù)為1，隱藏層單元個數(shù)為30，訓(xùn)練誤差設(shè)置為1×10-9，最大訓(xùn)練步數(shù)5 000。計算步驟也與算例二相同。

計算結(jié)果如表3所示(為方便比較，列出x1的值，表中結(jié)果加粗字體部分為與精確解不同部分)。

表3 x1位移Tab.3 Displacement of x1

算例3的激勵為正弦荷載，具有振蕩性。由表3數(shù)據(jù)可以看出，不同于常數(shù)荷載，在非線性荷載情況下，精細時程積分法的計算結(jié)果隨著時間的增加，精度明顯降低，這是因為時程積分在對時間域內(nèi)的荷載進行了線性化假設(shè)，而非線性荷載線性化產(chǎn)生的誤差會隨著時間增長不斷累積，導(dǎo)致計算結(jié)果誤差也不斷增大?？拼墓健⒏咚构皆谡液奢d情況下給出了較高精度的解，說明了傳統(tǒng)的數(shù)值積分方法仍是保證動力方程精細積分高精度的有效積分算法。GPTSIM和對偶神經(jīng)網(wǎng)絡(luò)算法在6位有效數(shù)字內(nèi)都與精確解一致，GPTSIM是在荷載為多項式、三角函數(shù)、指數(shù)函數(shù)情況下歸納出的一種遞推算法，因此本算例中GPTSIM精度較高，對于其他形式的荷載，需要先擬合成三次樣條函數(shù)、傅里葉級數(shù)、泰勒級數(shù)等形式。因此與精細時程積分法類似，GPTSIM的誤差除了計算誤差外，還來源于擬合誤差。而對偶神經(jīng)網(wǎng)絡(luò)對荷載形式?jīng)]有任何要求，同時還保證了計算的高精度。

5 結(jié) 論

(1)本文基于精細積分法和神經(jīng)網(wǎng)絡(luò)，提出了一種用于求解動力方程的計算方法。該方法針對動力方程在哈密頓體系下得到的積分形式的解，利用一組神經(jīng)網(wǎng)絡(luò)同時逼近被積函數(shù)和原函數(shù)，從而實現(xiàn)解中積分項的求解。計算過程中避免了矩陣求逆，具有對步長不敏感、不用對非齊次項進行假設(shè)等優(yōu)點。最后通過算例表明，本方法是神經(jīng)網(wǎng)絡(luò)與精細積分的有效結(jié)合，是一個精準(zhǔn)有效的算法。

(2)本文方法是對精細積分法的一種拓展，利用對偶神經(jīng)網(wǎng)絡(luò)方法對動力方程哈密頓體系下積分解中的涉及到的積分進行求解，將精細積分法的應(yīng)用范圍拓展到線性荷載、簡諧荷載以外的任意非齊次項形式。同時，對偶神經(jīng)網(wǎng)絡(luò)積分法本質(zhì)是一種數(shù)值積分計算方法，能夠適用于大部分積分問題，具有廣闊的應(yīng)用前景。