基于BP神经网络的桥梁移动荷载参数识别.pdf

交通与土木工程河南科技Henan Science and Technology总第807期第13期2023年7月基于BP神经网络的桥梁移动荷载参数识别万李兴1,2(1.长沙理工大学土木工程学院，湖南长沙410114；2.武汉汇科质量检测有限责任公司，湖北武汉430050)摘要：【目的目的】为了研究不同类型输入样本对移动荷载参数神经网格识别模型效率和精度的影响，并为移动荷载参数识别提供可靠的理论方法依据。【方法方法】通过ANSYS有限元分析和MATLAB大数据处理方法，开展了不同样本参数组合对桥梁移动荷载识别精度和效率影响的研究，分析了不同样本训练的BP神经网络对移动荷载参数识别效率与精度的影响。【结果结果】研究结果表明：挠度和应变混合样本作为输入参数时的BP神经网络识别效率可分别提升22.46%和34.15%，该BP神经网络对于载重的识别精度相较于挠度样本和应变样本训练下的BP神经网络可分别提升5.46和 8.25%，对于车速的识别精度相较于挠度样本和应变样本训练下的 BP神经网络分别可提升15.64%和16.27%。【结论结论】采用挠度和应变混合样本提供输入参数的BP神经网络性能可靠，可为桥梁移动荷载参数识别研究提供重要的参考。关键词：移动荷载参数识别；BP神经网络；数值仿真；桥梁工程中图分类号：U441文献标志码：A文章编号：1003-5168（2023）13-0082-04DOI：10.19968/ki.hnkj.1003-5168.2023.13.016Identification of Bridge Moving Load ParametersBased on BP Neural NetworkWAN Lixing1,2(1.School of Civil Engineering,Changsha University of Science and Technology,Changsha 410114,China;2.Wuhan Huike Quality Inspection Co.,Ltd.,Wuhan 430050,China)Abstract：Purposes This paper aims to study the influence of different types of input samples on the identification efficiency and accuracy of the neural network identification model of moving load parameters,and to provide areliable theoretical basis for moving load parameter identification.Methods The influence of different sampleparameter combinations on the accuracy and efficiency of bridge moving load identification was carried outthrough ANSYS finite element analysis and MATLAB big data processing methods.The influence of BP neural networks trained on the efficiency and accuracy of moving load parameter recognition was analyzed.Findings The results show that the recognition efficiency of BP neural network when deflection and strain mixedsamples are used as input parameters can be increased by 22.46%and 34.15%,respectively,and the recognitionaccuracy of the BP neural network for load can be improved by 5.46%and 8.25%compared with the BP neuralnetwork under deflection samples and strain sample training,respectively,and the recognition accuracy of vehiclespeed can be improved by 15.64%and 16.27%compared with BP neural network trained on deflection samplesand strain samples,respectively.Conclusions Therefore,the BP neural network using mixed deflection andstrain samples as input parameters is reliable,which can provide an important reference for the identification ofbridge moving load parameters.Keywords：identification of moving load parameters;BP neural network;numerical simulation;bridge engineering收稿日期：2023-02-10作者简介：万李兴（1998），男，硕士，研究方向：服役桥梁耐久性。第13期830引言随着我国基础建设的快速发展，大量桥梁建成并投入使用，为保证交通干线的高效运行，桥梁运营状态下的健康性能监测尤为重要。准确高效识别桥梁结构移动荷载各参数是对其各项性能监测分析的关键环节，同时对桥梁结构安全性能进行评估、可靠性分析及桥梁交通量统计也具有重要的工程实践意义。1相关研究目前，测量车辆轴载的仪器为汽车轴重仪称重设备，车辆速度监测多采用磁电式车速传感器。但在实际应用中，磁电式车速传感器与汽车轴重仪称重设备独立工作，其采集方式均为直接测量目标值，虽然准确度较高，但汽车轴重仪须预埋在桥梁结构内，一旦老化损坏需破坏桥梁结构才可维修更换，造价高昂。相比上述直接测量移动荷载参数的方法，研究者们提出了以桥梁动态响应参数间接识别移动荷载参数参量的方法。韩万水等1通过理论推导和仿真算例论证了小波有限元法（WFEM）应用于大跨径连续梁桥移动荷载载重识别的可行性。潘楚东等2在既有移动荷载正则化识别方法的基础上，考虑桥梁未知初始条件的影响，提出了基于稀疏正则化的移动荷载参数识别新方法。王宁波等3将桥梁控制截面应变响应作为研究对象，采用影响线拟合的思路对移动荷载参数展开了识别研究。杨慧等4通过对不同激活函数和训练算法研究及模型试验论证了BP神经网络的激活函数组合和训练方法对移动荷载识别的精度影响。赵煜5提出了多参数输入设计理论，探讨了对单一荷载识别精度问题，但未考虑不同车速下的识别敏感性问题。李忠献等6-8通过建立不同模型优化了简支梁桥和连续梁桥等结构的荷载识别方法。笔者在BP神经网络对移动荷载识别研究的基础上，探讨了不同样本作为输入参数时BP神经网络识别的敏感性，通过数值模拟数据训练集比较了不同样本对BP神经网络训练性能的影响，并通过测试数据验证了混合样本的BP神经网络在移动荷载参数识别中具有较高的精度和效率。2基于 BP 神经网络的桥梁移动荷载参量识别2.1样本库建立2.1.1样本建立原则。建立桥梁移动荷载参数识别的神经网络结构，关键在于准确得到输入参数和输出参数之间的对应关系。综合考虑车辆载重、行驶速度和作用车道，并对其进行合理的简化，在桥梁瞬态分析计算中载重分别取5 t、10 t、15 t、20 t；车速水平分别取36 km/h、45 km/h、72 km/h、90 km/h；作用车道简化为每片箱梁梁顶，即1#、2#、3#号梁（梁号布置方式如图1所示）。将上述三因素排列组合，建立48种移动荷载工况。图1有限元模型2.1.2桥梁数值仿真分析。以某预应力混凝土小箱梁桥为背景，在 ANSYS中建立该桥梁的数值仿真模型,ANSYS桥梁瞬态分析中，按上述要求计算每种工况作用下桥梁控制截面的应变和位移，在数据初始处理中将预应力效应引起的初始位移和应变影响消除，获得仅考虑移动荷载作用下的桥梁响应数据作为样本。以工况一（载重 5 t，车速36 km/h，作用1#梁）通过桥梁时的响应为例，绘制控制截面应变和挠度响应时程曲线，判断样本库数据质量。工况一作用下各片梁挠度和应变跨中时程曲线如图2所示。以样本1为例，工况一作用下桥梁各梁控制截面峰值为样本数据，取每片梁三个控制截面对应的挠度和应变峰值为特征值，则每个样本工况包含挠度、应变特征值各15个（5片梁*3控制截面）。所有工况作用下的样本集共计48组，每组样本包含挠度、应变各15个特征值，以此建立样本数据库。将48组样本数据按3 1分组，分别作为训练样本和测试样本。样本分类见表1。表1样本分类样本库挠度样本应变样本混合样本训练样本特征值总数75%*48*1575%*48*1575%*48*15*2测试样本特征值总数25%*48*1525%*48*1525%*48*15*22.2神经网络模型本研究重点讨论不同样本对BP神经网络的识别精度和效率影响，因此，在MATLAB中建立BP神经网络模型，分别调用表1中三类样本作为输入参WYWX万李兴.基于BP神经网络的桥梁移动荷载参数识别84第13期数，采用合适的激活函数与学习方法展开训练。通过对比三类神经网络模型的迭代次数、训练时间、平均绝对百分比误差（MAPE）和决定系数（R2），论证基于动挠度和动应变的桥梁移动荷载参数识别合理性。2.3移动荷载工况识别分析上述样本库建立后，在MATLAB中按表1中三类样本分别建立三组BP神经网络模型，每组神经网络采用相应的样本对网络模型开展训练，依次为网络1（挠度样本）、网络2（应变样本）和网络3（混合样本）。完成神经网络结构建立和训练后，在该神经网络中调用对应测试样本，识别样本数据所对应的移动荷载工况，并比较不同神经网络迭代次数、训练时间、MAPE和R2，以此评价基于动挠度和动应变的箱梁桥移动荷载识别的可行性。输入不同移动荷载参数的网络训练情况见表2，网络3和网络1、2相比，网络3的训练时间、迭代次数、MAPE均得到提升，同时网络3的R2超过0.9，远大于网络1和网络2。即采用挠度和应变的混合样本作为网络输入参数开展模型训练时，神经网络的训练效率和准确性均得到提升。表2输入不同参数的网络训练情况网络类别网络1网络2网络3训练时间/s2.763.252.14迭代次数/次475562339MAPE0.0770.0840.051R20.8850.8940.911为进一步验证三组神经网络识别性能，进行各组神经网络对测试样本的实际输出与预期输出对比,其中n=12为测试样本组总数。不同神经网络移动荷载参数识别对比如图3所示。网络、网络和网络分别表示挠度样本训练的神经网络模型、应变样本训练的神经网络模型和混合样本训练的神经网络模型。由图3可知网络的识别工况与预期工况越接近，则表明神经网络识别精度最高。如图3（a）所示，三类网络识别车速普遍出现低车速（36 km/h、45 km/h）识别精度较高，高车速（90km/h）识别误差大，但网络车速识别均值方差明显小于网络和网络，即采用混合样本训练的神经网络与挠度样本和应变样本训练的神经网络相比，在移动荷载车速识别精度上有较大提升。如图3（b）所示，三类神经网络识别结果较为理想，但采用混合样本训练的神经网络模型的识别值与真实值更加接近，识别（a）车速（b）载重图3移动荷载参数识别对比024681012样本11010090807060504030车速/（km/h）真实值网络识别值网络识别值网络识别值024681012样本302520151050移动荷载载重/t真实值网络识别值网络识别值网络识别值（a）挠度（b）应变图2各片梁跨中截面响应时程曲线0.00-0.05-0.10-0.15-0.20挠度/cm0.00.51.01.52.0时间/s1#梁2#梁3#梁4#梁5#梁0.00.51.01.52.01#梁2#梁3#梁4#梁5#梁时间/s3.53.02.52.01.51.00.50.0微应变/万李兴.基于BP神经网络的桥梁移动荷载参数识别第13期85精度得到明显提升。经测试样本验证，采用混合样本训练的神经网络对移动荷载各工况参数识别是可行的，各移动荷载参数的识别精度明显优于挠度样本和应变样本训练的神经网络。3结论本研究通过分析不同样本作为输入参数对神经网络识别移动荷载参数的效率与准确度的影响，论证了动挠度与动应变作为混合样本输入参数的神经网络能够完成对移动荷载参数的识别，并得出以下结论。样本集差异对BP神经网络的识别性能有直接影响。挠度和应变混合样本作为输入参数时的BP神经网络识别效率可分别提升22.46%和34.15%。挠度和应变混合样本作为输入参数时的BP神经网络对于载重的识别精度相较于挠度样本和应变样本训练下的 BP 神经网络可分别提升 5.46和8.25%，对于车速的识别精度相较于挠度样本和应变样本训练下的 BP神经网络可分别提升 15.64%和16.27%。研究表明，可以通过测量桥梁在车辆行驶下的应变和挠度响应实现移动荷载参数的识别，为桥梁运营维护与性能评估提供技术参考。参考文献：1 韩万水，李彦伟，乔磊，等.基于车-桥耦合振动理论的移动荷载识别 J.中国公路学报，2013，26（1）：74-86.2 潘楚东，余岭，刘焕林，等.考虑初始条件影响的移动荷载识别稀疏正则化方法 J.振动工程学报，2018，31（5）：734-743.3 王宁波，任伟新，李苗.基于影响线的桥梁移动荷载识别 J.振动与冲击，2013，32（3）：129-133.4 杨慧.基于动态响应的简支梁桥移动荷载识别研究D.包头：内蒙古科技大学，2014.5 赵煜，李冉冉，周勇军，等.基于BP神经网络的桥梁移动荷载识别精度 J.科学技术与工程，2021，21（15）：6446-6453.6 李忠献，陈锋.基于时间元模型的复杂桥梁结构移动荷载识别 J.天津大学学报，2006（9）：1043-1047.7 李忠献，陈锋.简支梁桥与多跨连续梁桥上移动荷载的识别与参数分析 J.工程力学，2006（12）：91-99.8 李忠献，陈锋.基于梁格法的桥梁移动荷载识别J.土木工程学报，2006（12）：83-87.万李兴.基于BP神经网络的桥梁移动荷载参数识别