神经网络技术在土木结构健康监测中应用发展.docVIP

神经网络技术在土木结构健康监测中应用发展 　　随着社会经济的发展,土木结构建设的趋势是“高、大、长”,因而对结构安全性的要求也越来越高,建立大型结构的智能健康监测系统已成为土木工程学科发展的重要领域[1, 2]。 　　一个完整的智能健康监测专家系统简单来说可以分为三个部分[3],即信号采集、信号处理和损伤诊断。其中损伤诊断是健康监测的核心问题,是对结构进行安全性评估和维护决策的基础。目前损伤诊断方法有多种,而人工神经网络(简称ANN)诊断技术在知识获取、并行推理、适应性学习、联想推理、容错能力等方面具有较大的优越性。 　　 　　1. 神经网络在损伤识别诊断中得应用 　　神经网络技术之所以适合于结构损伤诊断,主要有三个原因[4],①训练过的神经网络能够存储有关过程的知识,根据对象的正常历史数据训练网络,然后将此信息与当前测量数据进行比较,以确定损伤。②神经网络具有滤出噪声及在有噪声情况下得出正确结论的能力。③神经网络具有分辨损伤原因及损伤类型的能力。 　　损伤诊断可分为无模型识别法(Free-Model)和有模型识别法(Model-Based)两大类[5]。 　　无模型识别是指损伤识别过程中不需要建立结构的数学与力学模型,完全基于结构现场实时检测数据并考虑专家经验建立结构状态知识库,然后采用人工神经网络诊断技术进行诊断。因为结构在不同状态下其本身的某些往往会发生变化,这些变化包含了结构损伤位置和损伤程度的信息,根据结构特性变化分析就可以反演结构是否存在损伤以及损坏位置和损伤程度。这是一个反分析过程,需要建立结构关键性能指标变化与结构状态的非线性关系。人工神经网络通过对实测数据加专家经验建立的知识信息进行学习,通过权值记下所学过的样本知识并掌握输入、输出之间复杂的非线性关系。在诊断过程中,根据实测关键性能指标的变化与储存在已建知识库的各种状态的损伤识别量进行模式匹配来进行结构的损伤检测与诊断。建立在实测数据基础上的专家数据知识库,其知识信息具有真实性、连续性、准确性,可以不断更新。 　　基于模型的损伤诊断技术是在结构健康诊断过程中,通过建立精细的能够反映结构的真实形态的结构数学与力学模型,分析计算结构在各种状态下的参数指标,辅助实测数据以及考虑专家经验建立结构状态知识信息库,利用人工神经网络的模式识别功能进行结构损伤状态的诊断。所谓精细的模型是指理论分析的数据应该和实测数据吻合得较好,两者偏差要在允许范围内,这与设计分析所需建立的计算模型相比要求更加严格,如果用于损伤识别的模型存在较大的模型误差,会使计算的参数产生与损伤引起的参数改变相当,甚至更大的偏差,就可能使基于这些参数改变的损伤检测方法识别结果较差,甚至失效。 　　通常采用有限元法建立结构力学模型作为损伤诊断的基准参考。进行精细有效的有限元动力分析,一种方法是利用商业化软件如ANSYS、ABAQUS和ADINA等。但这些程序对于一些结构有特殊要求的分析就无能为力,例如混凝土坝考虑动水压力影响下的动力分析。这就需要利用自编程序来进行分析,但是工作量较大。但已有的有限元模型修正技术仅适用“小误差模型”的修正[6],而较大“误差”的情况则属于非适定的、非线性的问题。人工神经网络强大的非线性映射功能就非常适合解决结构模型修正中非线性问题[7]。建立结构有限元力学模型,选择不同的材料物理参数与边界条件可以计算不同的结构响应,因此结构响应和结构设计变量之间存在复杂的映射函数关系,这种近似映射函数关系用常规方法来确定比较困难。在前苏联数学家Kolmogorov提出的任意连续函数表示定理基础上,Robert HN提出了Kolmogorov多层神经网络映射存在定理,从理论上论证了一个任意的连续函数都能与一个三层神经网络建立映射关系。这为人工神经网络用于结构模型修正提供了理论基础[7]。 　　 　　2. 基于神经网络损伤诊断的两级识别策略 　　采用人工神经网络方法对结构损伤的发生、定位和损伤类型与程度进行研究,可以采用基于网络判别指标过滤方法的两级识别策略[8]。 　　2.1 自适应神经网络方法检测结构损伤 　　自适应神经网络方法(Auto-associate Neural Network)利用健康结构在正常情况下的序列测量数据作为训练人工神经网络的输入和输出数据X,Y,依次构造一个自相关的神经网络Net=T(X→Y)。训练完成后,将输入数据X再次输入已训练的神经网络Net以便得到一组网络输出数据,比较测量数据Y和网络输出数据的差值向量,采用某种距离测度函数加以测量形成健康结构的判别指标。判别指标可以采用结构某个动力特性参数加以构造,也可将多个动力特性参数同时考虑加以构造。具体结构中最终如何构造判别指标,需要根据结构特点进行判别指标对结构损伤的敏感度的分析加以确定