基于BP神经网络的斜拉桥主梁标高预测研究.pdfVIP

第42卷第34期山西建筑Vol.42No.34

•160•2016年12月SHANXIARCHITECTUREDec.2016

文章编号：1009-6825(2016)34-0160-03

基于BP神经网络的斜拉桥主梁标高预测研究

刘胜重

(华南理工大学，广东广州510640)

摘要:通过建立某斜拉桥仿真模型，分析了主梁线型变化趋势及影响其数值的因素，并利用BP神经网络,建立了一个非线性映

射关系，预测了后续节段的前端标高，将预测值与仿真值作了比较,验证了BP神经网络预测大跨度斜拉桥主梁线形的可行性。

关键词:BP神经网络,大跨度斜拉桥，标高预测，仿真模型

中图分类号:U448.27文献标识码:A

〇引言值在达到要求时或训练次数达到预设值时，训练结束，储存该权

人工神经网络（ArtificialNeuralNetwork,即ANN)最早出现于值、阈值，供下步仿真使用。

20世纪80年代，它是通过模拟生物神经元工作原理，利用数学方

法建立模型，反复的“拟合一反馈一修正一拟合”把输人和输出建

立一个非线性的映射关系。我们可以利用这种关系解决很多领

域的问题。随着计算机的普及我们可以在计算机中完成这个复

杂的运算过程，所以近几年来人工神经网络在模式识别、智能机

器人、预测估计、生物、医学、经济等领域广泛运用，解决了许多其

他方法难以解决的问题。本文拟通过惠东范和港大桥实例预测

其主梁线型变化趋势。

9〇年代，我国和国外许多学者进一步丰富和发展了神经网络1.3改进BP算法

领域。尤其是利用它的非线性系统的控制问题。1975年Albus训练集的归一化处理。BP网的输人值物理量各不相同，数

提出了小脑模型关节控制器（CMAC)，Miller等人以此作为基础，值相差很大，如果不进行处理，会导致网络权系数的量级相差很

进一步研究非线性动态系统控制问题。1993年Bulsari提出了以

大，影响网络的映射精度和自学习的收敛性。如何既做到不影响

乘积Sigmoid函数作为激发函数，得出了神经网络非线性逼近的数据间的信息联系，又能使网络学习的效率和网络收敛的速度得

构造描述。1997年罗忠等人对CMAC的收敛性和hash编码对它以提高，为此归一化法提供了解决这个问题的方法。一般是将各

的影响作了矩阵分析并且证明。人工神经网络在实际工程领域输人量归一至[0,1]，由于Sigmoid函数具有饱和非线性特性，值

的运用发展快速。例如华南理工大学韩大建、陈太聪、苏成利用域在[0,0.1]和[0.9,1]区域内曲线很平缓，造成网络学习效率

BP神经网络对斜拉桥施工过程中的混凝土的弹性模量识别；同低、收敛速度慢。因此将输人向量归一化至(〇.1，〇.9)区间。

济大学陈德伟、荆国强、黄铮用神经网络的方法评估桥梁在温度

作用下的挠度行为等等。

本文以惠东范和港跨海大桥为例，按照设计要求建立Midas/其中，为两个常量，可根据数据验算确定。

civil模型。通过温度荷载仿真出成桥状态下中跨1号~23号节2Midas模型仿真结果与分析

段的前端标高，由1号~17号节段建立人工神经网络模型，18号~

2.1案例概况

23号作为预测数据。

范和港大桥主桥的总体布置为（52.5+99.5+300+99.5+

1BP神经网