基于elman神经网络大跨度桥梁线形控制.docVIP

基于elman神经网络大跨度桥梁线形控制 　　摘要:大跨桥梁施工控制是桥梁施工中的一个重要环节,并以滹沱河大桥连续梁桥为背景,应用神经网络分析各施工阶段的累计节点位移、主要截面内力及应力的变化。基于MATLAB平台开发桥梁施工控制神经网络预测立模标高程序。仿真计算结果表明该方法可以有效的预测桥梁施工过程的变化，有效的指导施工的进行。提高施工质量。 　　 关键词:大跨度连续梁桥;施工控制;阶段应力;神经网络 　　 　　1.引言 　　 　　 　　 大跨度桥梁结构的分段施工,要经历一个长期而又复杂的施工过程以及结构体系转换过程[1]。随着施工阶段的推进,桥梁结构形式、荷载作用方式等都在不断变化。成桥结构受力状态是已经完成的各个工况或各个阶段受力状态叠加结果,因此,有必要通过施工控制掌握已完成阶段的结构受力性能,继而提供施工控制参数,保证后续施工的安全并保证最终成桥状态的结构受力性能及结构线形符合设计要求[2]。影响施工控制的因素众多[3],施工控制的首要任务是通过对结构实际反应信息的处理,求出符合实际结构的参数,确保施工的顺利进行。其中有的参数可以通过试验或直接量测的方法确定;而有的参数(如混凝土梁段自重、临时荷载大小及位置)与测量值之间的函数映射关系十分复杂,它们既不能通过直接量测方法,也难以通过试验的方法确定,只能通过一些控制理论的方法对它们进行分析,然后,将修正过的计算参数反馈到控制计算中去。现存的控制理论主要有影响矩阵识别法、最小二乘法、线性最小方差估计、小波估计、回归分析等。近年来,由于神经网络方法具有良好的记忆存储能力、联想能力,而且有良好的容错性和鲁棒性,所以广泛应用于桥梁的施工控制中[4-6]。本文基于MATLAB平台开发了桥梁施工控制神经网络预测立模标高程序。本文提出一种基于Elman神经网络的预测方法,该方法基于相关参数结果,并以重构的时间序列作为输入,采用Elman网络实现施工预测.仿真计算结果表明:该程序在学习训练后,能预测后续各节段的立模标高并具有良好的精度和鲁棒性。 　　2． Elman神经网络预测介绍 　　 Elman神经网络是Elman于1990年提出的,该模型在前馈网络的隐含层中增加一个承接层,作为延时算子,以达到记忆的目的 [4].Elman神经网络一般分为4层:输入层、中间层(隐含层)、承接层和输出层.输入层的单元仅起信号传输作用,输出层单元起线性加权作用.隐含层单元的传递函数可采用线性或非线性函数,承接层又称为状态层,用来记忆隐含层单元前一时刻的输出值并返回给输入,可以认为是一个一步延时算子.为了提高Elman神经网络的稳定性,本文采用traindx作为训练函数,该函数为动量及自适应的梯度递减训练函数。以梯度下降动量学习函数Learngdm作为学习规则,利用神经元的输入和误差、权值或阈值的学习速率和动量常数,来计算权值或阈值的变化率。分别以tansig函数、purelin函数作为隐层节点传递函数和输出层传递函数.用训练样本集合对Elman网络模型的参数进行标定,包括隐层节点数量和权值.对于具有一个隐层的Elman网络.选择合适的隐层节点个数是Elman网络设计的重要因素.如果能够为Elman网络选择出最佳的隐层神经元个数,则会在保证预测精度的同时,减少Elman网络学习和再学习的时间.目前,尚无普遍适用的隐层节点确定方法,绝大部分的Elman网络都采用经验方法确定隐层节点数量. 根据桥梁所具有的混沌特性[4],确定Elman网络输入节点为5,输出节点为1,隐层节点数量由试算法确定.根据已有经验,初步设定隐层节点数范围为16~36,然后用测试样本集合对Elman网络模型进行测试,评价其预测的效果,选择出最优模型. 　　3.桥梁结构分析 　　 1.1工程概况 　　 忻州至阜平高速公路忻州至长城岭段是山西通向东部京津唐环渤海湾经济区的关键通道，是山西省高速公路网“人字骨架、二纵十一横十二环”总体规划中第三横的重要组成部分。滹沱河大桥19－30＋40＋70＋40＋9－30m预应力砼连续箱梁、上跨朔黄铁路和东坪公路。桥梁全长997.5m。连续梁桥是双线直曲线梁,线间距4.6m,最小半径4500 m。一联全长为237.4 m(含两侧梁端至边支座中心各0.7 m)。全桥共分59个梁段,中支点A0号块长度13 m,一般梁段长度分成3.0 m、3.5 m和4.0 m合拢段长2.0 m;边跨直线段长11.7 m。箱梁各控制截面梁高分别为:端支座处及边跨直线段和跨中处为4.5m,边跨直线段总长11.7 m(含梁端至边支座中心0.7 m),中支点处梁高7.5 m,平段长3.0 m,梁高按圆曲线变化。梁体采用纵向、横向、竖向三向预应力体系。 　　 4.神经网络技术在滹沱河大桥线梁桥施工控制中