改进BP神经网络在大跨径桥梁施工控制中的应用.pdfVIP

改进BP 神经网络在大跨径桥梁施工控制中的应用 吴天鹏，邱明喜 武汉理工大学土木工程系，武汉 （430070 ） E-mail：wutianpeng520@163.com 摘 要：大跨径预应力混凝土连续刚构桥常常采用对称悬臂浇筑法施工，由于受诸多因素影 响,标高的实测值与理论计算值有一定的差异,只有通过前期预测和后期调整相结合,才能保 证成桥实际状态同设计要求一致，神经网络可利用实测样本的自学习达到此目的。针对BP 神经网络收敛差的缺点，采用基于MATLAB 神经网络工具箱中的LMBP 算法的改进神经网 络模型对桥梁施工预拱度进行了预测。实例表明该方法的预测精度高，在云南保龙高速公路 某连续刚构桥的施工控制中得到较好的应用。 关键词：大跨径连续刚构桥，施工控制，施工预拱度，LMBP 神经网络 中图分类号： U448.23 1. 前言 近年来，大跨度连续刚构桥由于墩梁固结、行车平顺舒适、抗震性能好、跨越能力强、 便于悬臂施工等优点在国内得到广泛的应用。采用对称悬臂浇注的施工方法在施工期间不影 响桥下通航或行车，而且充分利用了预应力混凝土承受负弯矩能力强的特点，提高了桥梁的 跨越能力。在大跨径桥梁施工控制中最重要的工作是对施工预拱度和成桥线形的计算和控 制。实际施工中，虽然可以采用各种施工计算方法算出个施工阶段的预拱度值、挠度等控制 参数，但结构的实际变形却未必能达到预期的效果。造成误差的原因是多方面的，其中包括 设计参数的误差(如材料特性、截面特性、容重、混凝上收缩和徐变参数等的差异) 、施工误 差(悬臂浇筑时挂篮、模板、混凝上重量、附加荷载、预应力损失参数等的变化) 、测量误差 (温度影响、视觉误差)等。就施工截面的预拱度而言，实际测量值与理论计算值的偏差是以 上因素综合影响的结果。目前, 已经应用于工程实践中的施工控制方法有参数识别法、灰色 [1][2][3] 预测控制系统、卡尔曼滤波法、最佳成桥状态法、顺推法、无应力状态控制法等 。 BP 神经网络是目前应用最为广泛的一类神经网络,因采用在 1986 年问世的反向传播法 BP 算法而得名。神经网络的预测能力是通过自学习得到锻炼的,其学习规则和误差反向传播 法的计算公式可参考有关文献[4][5] 。本文将改进BP 神经网络方法应用于桥梁施工控制中。 通过大跨度桥梁混凝土悬臂现浇节段已产生的标高偏差,训练 BP 网络,让自学习后的网络预 测后续节段施工中可能发生的偏差,从而对其立模标高进行调整, 以达到与设计值尽量一致的 目的。应用结果表明，该模型的预测结果与实际发生状态的测量值比较接近，能很好的控制 桥梁施工线形。 2 ．改进BP 神经网络模型的建立 2.1 BP 网络简介 BP 网络是一类前向无反馈的神经网络,它可通过对若干样本的自学习,建立网络输入变 量与输出变量之间的全局非线性映射关系。这是目前应用最为广泛的一类神经网络,因采用 1986 年问世的反向传播法(BP)算法而得名。它的基本构成包括输入层、隐含层和输出层, 同 层单元之间不相连( 图 1)。BP 网络可以看成是一个从输入到输出的高度非线性映射,通过对 简单非线性函数进行多次拟合，可近似于复杂的非线性函数。 BP 算法的学习过程由正向传播和反向传播组成。正向传播过程中,输入模式从输入层经 - 1 - 隐含层逐层处理,并传向输出层,每一层神经元的状态仅影响下一层神经元的状态。如果在输 出层不能得到期望的输出,则转入反向传播,将误差信号沿原来的连接通路返回,通过修改各 神经元的权值,使得误差信号最小。 输入层 隐层 输出层 图1 3 层BP 网络示意 2.2 BP 网络算法及改进 [6] 由于神经网络具有连续函数表现定理 ，选用图1 所示的三层B