基于BP神经网络方法拱桥拱肋吊装线形控制.pdfVIP

基于BP 神经网络方法的拱桥拱肋吊装线形控制 聂竹林 武汉理工大学土木工程与建筑学院，武汉(430070 ） E-mail ：niezhulin2006@163.com 摘 要：神经网络是一种模拟人脑结构和功能的信息处理系统，介绍将神经网络方法用于钢 管混凝土劲性骨架拱桥施工控制中，对拱肋预拱度偏差进行预测。实例表明:神经网络利用 实测样本的自学习功能，对桥梁施工预拱度有较好的预测精度。 关键词：施工控制，神经网络，线形控制，偏差预测 1. 前言 在大跨度拱桥施工中，结构实际线形很难与设计计算的理论线形完全吻合。造成误差的 原因是多方面的，其中包括设计参数的误差(如拱桥跨径、拱轴线形、矢跨比、材料特性、 截面特性、容重、混凝土收缩和徐变参数等的差异)、施工误差(拱肋制作误差、线形安装误 差、管内灌注混凝土的密实度误差、混凝土配合比误差等)、测量误差(温度影响、视觉误差) 、 结构分析模型误差等。就施工拱肋的预拱度而言，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。虽然有些参数误差引起的标高变化可通过物理－力学模型予以分析，但 仅通过标高的差值来反推上述诸多原因的实际参数值有相当的难度(其涉及反演的适定性: 即反问题的存在性、唯一性和稳定性问题) 。况且有些原因的影响机理尚不十分明确，并含 相当的随机因素。施工控制的任务是使桥梁结构的实际状态尽可能与设计状态相一致，其手 段是通过前期预测和后期调整来实现。关于设计参数的识别和调整通常采用卡尔曼滤波法、 [1] 灰色理论法和递推最小二乘法等 。 人工神经网络是一种模拟人脑结构和功能的信息处理系统，具有学习和容错等特点。它 起步于50 年代初，虽几经周折，到80 年代后期国内外再次兴起神经网络热潮，并成功地运 用于许多领域。本文将神经网络方法应用于拱桥施工控制中。通过拱桥拱肋吊装就位后且肋 间接头尚未合龙前各节段己产生的标高偏差，训练BP 网络，让自学习后的网络预测施工中 拱肋各节段任意位置尤其是万能杆件支架与拱肋支点位置处的预拱度偏差，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:神经网络的预测结果与实际 发生状态的测量值比较接近，能很好地控制桥梁施工线形。 2. BP 网络简介 BP (back error propagation) 网络是目前应用最为广泛的一类神经网络，其预测能力是通 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。BP 网络 建立了输入矢量和输出矢量之间的全局非线性映射关系，并通过有导师训练实现函数逼近。 目前，BP 神经网络被广泛应用于工程实际来处理随机模糊影响因素和目标的非线性映射关 系，取得较为理想的结果。 2.1 神经网络基本理论[2] BP 网络是人工神经网络的一种，它可以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。基本的BP 网络分为三层，如图1 所示，其构成包 括输入层、隐含层和输出层，同层单元之间不相连。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隐含层逐层处理，并传向输出层，每一层 - 1 - 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。 图1 3 层BP 网络模型 I (l 1,2,L,L ) O (n 1,2, L, N ) 输入层和输出层有与网络输入变量 l 及输出变量 n 相应的L N M (M 2L =+1)