一種基于人工神經網絡的斜拉橋索力預測方法技術

本發明專利技術公開了一種基于人工神經網絡的斜拉橋索力預測方法，它通過實時監測斜拉橋部分拉索的索力值并利用該索力值建立斜拉橋的索力預測人工神經網絡模型，然后訓練索力預測人工神經網絡模型，建立已知拉索索力與未知拉索索力變化之間的映射模型，再根據被實時監測的斜拉橋部分拉索的索力值即可計算出未受監測的其他拉索的索力值，從而計算出全部拉索的索力。本發明專利技術解決了目前斜拉橋在拉索索力監測方面的難題，大大節省了測量索力的時間與人力、物力成本，為確保大橋的安全運行提供了良好的技術保障，具有良好的經濟和社會效益。

【技術實現步驟摘要】

本專利技術涉及一種斜拉橋的拉索索力預測方法，特別是一種基于人工神經網絡的斜拉橋索 力預測方法。
技術介紹
在大跨度斜拉橋的生命周期中，斜拉索索力是很重要的監測項目。定期實測所有斜拉索 的索力可以及時分析橋梁的運行狀態，為大橋的安全運行提供必要的前提條件。由于大跨度 斜拉橋拉索數據量眾多，同時測量斜拉橋的所有斜拉索的索力是相當費時費力的工作。實際 上，在橋梁健康監測過程中很少監測一座斜拉橋所有斜拉索的索力變化，而是僅僅監測少量 的幾根關鍵斜拉索。當斜拉橋的某根拉索的索力發生變化時，其余拉索的索力也會相應發生 改變。由于橋梁結構系統的復雜性，各拉索索力的相互影響關系很難用傳統的模型來表達。
技術實現思路
本專利技術所要解決的技術問題在于提供，它 可由少量被監測拉索的索力預測出其余拉索的索力值，大大節省索力測量的時間和人力成本 ，具有較好的轉化應用前景。為解決上述技術問題，本專利技術的技術方案基于人工神經網絡的斜拉橋索力預測方法。 該方法包括如下步驟，(1) 實時監測斜拉橋部分拉索的索力值；并利用該索力值建立斜拉橋的索力預測人工 神經網絡模型；(2) 訓練上述的索力預測人工神經網絡模型，建立已知拉索索力與未知拉索索力變化 之間的映射模型；(3) 根據被實時監測的斜拉橋部分拉索的索力值計算出未受監測的其他拉索的索力值 ，從而計算出全部拉索的索力。上述的基于人工神經網絡的斜拉橋索力預測方法中，所述的索力預測人工神經網絡模型 采用三層結構，包括輸入層、隱含層和輸出層；輸入層和輸出層采用purelin作用函數，隱 含層采用log-sigmoid作用函數。前述的基于人工神經網絡的斜拉橋索力預測方法中，步驟(2)中所述索力預測人工神 經網絡模型的訓練過程采用誤差反向傳播算法。本專利技術的有益效果與現有技術相比，本專利技術可以在少量已知索力的基礎上，利用人工 神經網絡模型快速預測出其它未知索力的大小，實時監測整個斜拉橋所有拉索的索力變化， 解決了目前斜拉橋在拉索索力監測方面的難題，大大節省了測量索力的時間與人力、物力成 本，為確保大橋的安全運行提供了良好的技術保障，有利于斜拉橋的監測、養護及安全評估 ，具有良好的經濟和社會效益。附圖說明圖l是本專利技術的索力預測人工神經網絡模型的結構示意圖； 圖2是本專利技術的算法程序框圖。下面結合附圖和具體實施方式對本專利技術作進一步的說明。 具體實施例方式實施例l。設定斜拉橋已知的索力有8根，需預測余下的80根拉索的索力。如圖1所示，本專利技術的索力預測人工神經網絡模型采用三層結構，含輸入層、隱含層和 輸出層，其中輸入層采用purelin作用函數，隱含層采用log-sigmoid作用函數，輸出層采用 purelin作用函數。輸入層節點點數為有限的已知索力的受實時監測的斜拉索數目，在本實 施例中設置為8;輸出層節點點數為余下的要預測索力的斜拉索的數目，在本實施例中，設 置為80;隱含層節點點數采用訓練時收斂速度較快及使同一訓練樣本誤差最小時的節點數， 在本實施例中，設置為256。初始權值矩陣采用足夠小的初始權值，即abs(初始權值)〈0。在 本實施例中，采用符合條件的偽隨機數發生器產生的數據。索力預測人工神經網絡模型訓練 的樣本集為盡可能多的全部斜拉索實測索力數據。訓練過程采用誤差反向傳播算法。檢驗樣 本為全部斜拉索的實測索力數據。在需要預測斜拉橋的索力時，先實時監測斜拉橋8根拉索的索力值；并利用該索力值建 立斜拉橋的索力預測人工神經網絡模型；然后訓練上述的索力預測人工神經網絡模型，建立 已知的8根拉索索力與未知的余下80根拉索索力變化之間的映射模型；再根據被實時監測的8 根拉索的索力值計算出未受監測的余下80根拉索的索力值，從而計算出全部拉索的索力。結合圖2，索力預測人工神經網絡模型的學習過程分兩個階段第一階段是下向傳播過 程給出輸入的拉索索力，通過輸入層經隱含層逐層處理并計算每個單元的實際輸出值。第 二階段是反向傳播過程若輸出層未能得到期望的索力輸出值，則逐層遞歸地計算實際輸出索力與期望輸出索力之差值(即誤差)，以便根據此差調節權值。這兩個過程的反復運用， 使得誤差信號最小。實際上，誤差達到所期望的要求時，網絡的學習過程就結束了。當索力 預測人工神經網絡模型訓練完畢達到預定目標后，即可利用該模型預測斜拉橋全部斜拉索的索力。本專利技術的實施方式不限于上述實施例，在不脫離本專利技術宗旨的前提下做出的各種變化均 屬于本專利技術的保護范圍之內。權利要求1.，其特征在于包括如下步驟，(1)實時監測斜拉橋部分拉索的索力值；并利用該索力值建立斜拉橋的索力預測人工神經網絡模型；(2)訓練上述的索力預測人工神經網絡模型，建立已知拉索索力與未知拉索索力變化之間的映射模型；(3)根據被實時監測的斜拉橋部分拉索的索力值計算出未受監測的其他拉索的索力值，從而計算出全部拉索的索力。2.根據權利要求l所述的基于人工神經網絡的斜拉橋索力預測方法， 其特征在于所述的索力預測人工神經網絡模型采用三層結構，包括輸入層、隱含層和輸出 層；輸入層和輸出層采用purelin作用函數，隱含層采用log-sigmoid作用函數。3.根據權利要求l所述的基于人工神經網絡的斜拉橋索力預測方法， 其特征在于步驟(2)中所述索力預測人工神經網絡模型的訓練過程采用誤差反向傳播算 法。全文摘要本專利技術公開了，它通過實時監測斜拉橋部分拉索的索力值并利用該索力值建立斜拉橋的索力預測人工神經網絡模型，然后訓練索力預測人工神經網絡模型，建立已知拉索索力與未知拉索索力變化之間的映射模型，再根據被實時監測的斜拉橋部分拉索的索力值即可計算出未受監測的其他拉索的索力值，從而計算出全部拉索的索力。本專利技術解決了目前斜拉橋在拉索索力監測方面的難題，大大節省了測量索力的時間與人力、物力成本，為確保大橋的安全運行提供了良好的技術保障，具有良好的經濟和社會效益。文檔編號G01L5/04GK101586996SQ20091030372公開日2009年11月25日 申請日期2009年6月26日 優先權日2009年6月26日專利技術者劉志杰, 謝曉堯, 彥 陳 申請人:貴州師范大學本文檔來自技高網...

【技術保護點】
一種基于人工神經網絡的斜拉橋索力預測方法，其特征在于：包括如下步驟，?。ǎ保崟r監測斜拉橋部分拉索的索力值；并利用該索力值建立斜拉橋的索力預測人工神經網絡模型；?。ǎ玻┯柧毶鲜龅乃髁︻A測人工神經網絡模型，建立已知拉索索力與未知拉 索索力變化之間的映射模型；?。ǎ常└鶕粚崟r監測的斜拉橋部分拉索的索力值計算出未受監測的其他拉索的索力值，從而計算出全部拉索的索力。

【技術特征摘要】

【專利技術屬性】
技術研發人員：謝曉堯，劉志杰，陳彥，
申請(專利權)人：貴州師范大學，
類型：發明
國別省市：52[中國|貴州]