BP和RBF在桥梁损伤识别中的应用比较.pdf

《BP和RBF在桥梁损伤识别中的应用比较.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2013年第5期·151·第39卷总第175期SichuanBuildingMaterials2013年10月DOI:10.3969/j.issn.1672-4011.2013.05.070BP和RBF在桥梁损伤识别中的应用比较王生(中铁十八局集团建筑安装工程有限公司,天津300308)摘要:本文通过某桥对应变、挠度、振动、温度和这是由于输出区间为(0,1),正好满足网络的输出要求。动态轴重五个方面的监测数据的处理,得到能够反映桥梁Threshold=[01;01;01;01;01;01]工作状态的几个相关特征参数,

2、然后根据这些参数以及设net=newff(threshold,[13,2],{‘tansig’,‘logsig’},定的损伤指标和损伤级别,分别进行BP和RBF神经网络‘trainlm’);的训练,经过比对两次的训练误差、收敛速度等方面,最其中,变量threshold定义了输入向量的最大值和最小终选用RBF神经网络来实现对桥跨结构的损伤评估。值。网络参数见表2。关键词:BP神经网络;RBF神经网络;损伤识别表2网络参数+中图分类号:U441．4文献标志码:B训练函数学习函数性能函数文章编号:1672-4011(2013)05-0

3、151-02trainlmlearngdmmse2)网络训练与测试。网络训练过程是一个不断修正权1工程概况值和阈值的过程,通过调整,使网络的输出误差达到最小,某桥为连续钢构桥,笔者根据桥梁结构特点和安全运满足实际应用的要求。训练函数trainlm是利用Levenberg-行的要求,对其进行了应变、挠度、振动、温度和动态轴Marquardt算法对网络进行训练的。网络训练结果为:重五个方面的实时在线监测。健康监测的各个子系统运行TRAINLM,Epoch0/1000,MSE0．471248/0．001,以来,工作状态良好,性能可靠。

4、经过比对实验,该系统Gradient2．1168/1e-010能够真实的反映桥梁的各个待测参数,并且具有自动归纳TRAINLM,Epoch19/1000,MSE0．000158792/分类的功能。表1为该桥数据汇总表格样式。0．001,Gradient0．0373991/1e-010表1某桥左幅桥的数据训练样本TRAINLM,Performancegoalmet.输入向量目标向量可见,经过19次训练后,网络的性能就达到了要求,日期挠度振动频率应力温度载重通行量挠度应力如图1所示。并利用原始样本输入数据进行网络训练,得/mm/Hz

5、/MPa/℃/万t/万辆状态状态到逼近误差曲线,如图2所示。其中,项目(挠度、振动、应力)为对应的每个月的最Performanceis0.000158792，Goalis0.0011000.04大值,项目(温度、载重、通行量)为对应月的统计数值,0.030.0210-1目标向量是挠度和应变两项的期望输出值。笔者利用Mat-0.010lab平台的神经网络工具箱,根据这些参数以及设定的损伤10-2-0.01-0.02指标和损伤级别,分别进行BP和RBF神经网络的训练,逼近误差-0.0310-3经过比对两次的训练误差、收敛速度等方面,

6、最终选用-0.04-0.0510-4-0.06RBF神经网络来实现对桥跨结构的损伤评估。Training-BlueGoal-Black0246810121416180510152025StopTraining19Epochs训练数据/组2基于BP网络的损伤识别图1BP网络训练误差曲线图2BP网络逼近误差曲线采用BP算法的多层前馈网络是至今为止应用最广泛的3基于RBF网络的损伤识别神经网络,BP网络是一种具有三层或三层以上的神经网络,包括输入层、中间层(隐层)和输出层。对于一般的模径向基函数(RBF)网络是一种典型的局部逼近神经网

7、式识别问题,三层网络可以很好地被解决,因此在这里,络。对于每个输入输出数据对,只需对少数权值做调整,笔者建立一个三层BP网络。其学习速度快。1)BP网络的MATLAB设计。由于网络输入变量已经1)RBF网络的MATLAB设计。利用函数newrb创建一确定,需要进行归一化处理,这里将其变换在[0,1]的范围个径向基神经网络是一个不断尝试的过程,通过不断增加内,经过归一化处理的数据对于神经网络更容易训练和学中间层神经元的个数,直到网络的输出误差满足预先设定习。因为原始数据幅值大小不一,有时候相差还比较悬殊。的值为止。径向基函数的扩展

8、速度SPREAD越大,函数的如果直接投入使用,测量值大的波动就垄断了神经网络的拟合就越平滑。但是,过大的SPREAD意味着需要非常多学习过程,使其不能反映小的测量值的变化。的神经元以适应函数的快速变化。如果SPREAD设定过小,可利用以下代码来创建以上刚刚设计的