基于神经网络的管道损伤识别分析.pdfVIP

第43卷第35期山西建筑Vol.43No.35

•22•2017年12月SHANXIARCHITECTURDec.2017

文章编号：1009-6825(2017)35-0022-03

基于神经网络的管道损伤识别分析

马談

(沈阳市建设工程质量检测中心，辽宁沈阳110004)

摘要:利用有限元软件对管道模拟，获得模态参数作为神经网络的输入样本，采用BP,RBF网络的方法对损伤前后的某管道工

程进行分析，对比并探讨两种方法在管道损伤识别中的训练结果，实现了对管道的损伤定位和损伤程度的识别。结果表明对于小

样本径向基神经网络(RBF)较BP网络有较大的优势。

关键词：径向基（RBF)神经网络,BP神经网络，管道，损伤识别

中图分类号:U177文献标识码:A

〇引言位置。

管道工程是城市建设的重要组成部分，是城市生命线工程的1_2结构损伤程度标定的理论分析

重要组成部分。管道工程位置通常较为隐蔽，无论是日常工作的在已确定的结构损伤区域，只有少量的单元与损伤有关，针

维护管理，或是发生损伤检修故障都不容易进行。这就迫切需要对损伤区域，用实测的频率信息就能有效地明确结构损伤程度。

管道系统安全可靠地运行，同时也对管道正常服役提出了较高的

Aco?=[史JT[A/C][^);]=[史=1，2,…，m)

要求。而传统的人工检测方法需要大量人力，检查结果主观性较j=i

大，检测灵敏度低，只能识别较严重的损伤，而且检查周期较长，(2)

对管道正常服役造成较大的影响。其中为损伤单元数;m为实测频率数为第j损伤单元

神经网络具有将反问题正问题化的功能[1_3]，神经网络具有在未损伤前的刚度矩阵;％为损伤修正因子。

良好的非线性映射能力，将工程结构损伤辨识、定位等反问题转2人工神经网络

化为正问题。这是由于神经网络通过学习建立的映射模型相当人工神经网络有联想推理、自适应识别与模拟人类思维的能

于事先计算好的蓝本，在识别过程中利用该蓝本进行非线性插力,经过科学学习，能够找出输人一输出之间的映射关系。

值。因此将训练成型的神经网络用于结构损伤的实时监测是行2.1BP神经网络

之有效的方法。2.1.1BP网络的结构

本文采用数值模拟方法获得管道的固有频率,将其作为神经BP模型是目前研究最多、应用最广泛的ANN模型。图1是

网络的输人样本。应用BP神经网络和径向基神经网络的方法进三层的BP网络结构。BP网络为输人层、输出层以及一个或多个

行分析，得到管道损伤位置和单元损伤程度与其固有频率之间的隐层节点互连而成的多层网。

映射关系。应用本文的训练样本，实现了管道的损伤识别，并验

证了RBF神经网络较BP神经网络具有很强的逼近分类和学习速

度，模型误差的影响不大,不会因残缺测量信息影响损伤检测

精度。

1结构固有频率的损伤分析理论

在管道的在线监测中，频率易于获得，且精度较高，通过监测

频率的变化来识别结构损伤最为简单[4]。研究表明提取结构损