專利名稱：一種基于人工神經(jīng)網(wǎng)絡(luò)的斜拉橋索力預(yù)測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種斜拉橋的拉索索力預(yù)測方法，特別是一種基于人工神經(jīng)網(wǎng)絡(luò)的斜拉橋索 力預(yù)測方法。
背景技術(shù)：
在大跨度斜拉橋的生命周期中，斜拉索索力是很重要的監(jiān)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(tài)，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(shù)據(jù)量眾多，同時測量斜拉橋的所有斜拉索的索力是相當(dāng)費時費力的工作。實際 上，在橋梁健康監(jiān)測過程中很少監(jiān)測一座斜拉橋所有斜拉索的索力變化，而是僅僅監(jiān)測少量 的幾根關(guān)鍵斜拉索。當(dāng)斜拉橋的某根拉索的索力發(fā)生變化時，其余拉索的索力也會相應(yīng)發(fā)生 改變。由于橋梁結(jié)構(gòu)系統(tǒng)的復(fù)雜性，各拉索索力的相互影響關(guān)系很難用傳統(tǒng)的模型來表達(dá)。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題在于提供一種基于人工神經(jīng)網(wǎng)絡(luò)的斜拉橋索力預(yù)測方法，它 可由少量被監(jiān)測拉索的索力預(yù)測出其余拉索的索力值，大大節(jié)省索力測量的時間和人力成本 ，具有較好的轉(zhuǎn)化應(yīng)用前景。
為解決上述技術(shù)問題，本發(fā)明的技術(shù)方案基于人工神經(jīng)網(wǎng)絡(luò)的斜拉橋索力預(yù)測方法。 該方法包括如下步驟，
(1) 實時監(jiān)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(yù)測人工 神經(jīng)網(wǎng)絡(luò)模型；
(2) 訓(xùn)練上述的索力預(yù)測人工神經(jīng)網(wǎng)絡(luò)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(jù)被實時監(jiān)測的斜拉橋部分拉索的索力值計算出未受監(jiān)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(jīng)網(wǎng)絡(luò)的斜拉橋索力預(yù)測方法中，所述的索力預(yù)測人工神經(jīng)網(wǎng)絡(luò)模型 采用三層結(jié)構(gòu)，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(shù)，隱 含層采用log-sigmoid作用函數(shù)。
前述的基于人工神經(jīng)網(wǎng)絡(luò)的斜拉橋索力預(yù)測方法中，步驟(2)中所述索力預(yù)測人工神 經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程采用誤差反向傳播算法。本發(fā)明的有益效果與現(xiàn)有技術(shù)相比，本發(fā)明可以在少量已知索力的基礎(chǔ)上，利用人工 神經(jīng)網(wǎng)絡(luò)模型快速預(yù)測出其它未知索力的大小，實時監(jiān)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(jiān)測方面的難題，大大節(jié)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(shù)保障，有利于斜拉橋的監(jiān)測、養(yǎng)護(hù)及安全評估 ，具有良好的經(jīng)濟(jì)和社會效益。


圖l是本發(fā)明的索力預(yù)測人工神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)示意圖； 圖2是本發(fā)明的算法程序框圖。
下面結(jié)合附圖和具體實施方式
對本發(fā)明作進(jìn)一步的說明。
具體實施例方式
實施例l。設(shè)定斜拉橋已知的索力有8根，需預(yù)測余下的80根拉索的索力。
如圖1所示，本發(fā)明的索力預(yù)測人工神經(jīng)網(wǎng)絡(luò)模型采用三層結(jié)構(gòu)，含輸入層、隱含層和 輸出層，其中輸入層采用purelin作用函數(shù)，隱含層采用log-sigmoid作用函數(shù)，輸出層采用 purelin作用函數(shù)。輸入層節(jié)點點數(shù)為有限的已知索力的受實時監(jiān)測的斜拉索數(shù)目，在本實 施例中設(shè)置為8;輸出層節(jié)點點數(shù)為余下的要預(yù)測索力的斜拉索的數(shù)目，在本實施例中，設(shè) 置為80;隱含層節(jié)點點數(shù)采用訓(xùn)練時收斂速度較快及使同一訓(xùn)練樣本誤差最小時的節(jié)點數(shù)， 在本實施例中，設(shè)置為256。初始權(quán)值矩陣采用足夠小的初始權(quán)值，即abs(初始權(quán)值)〈0。在 本實施例中，采用符合條件的偽隨機數(shù)發(fā)生器產(chǎn)生的數(shù)據(jù)。索力預(yù)測人工神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練 的樣本集為盡可能多的全部斜拉索實測索力數(shù)據(jù)。訓(xùn)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(shù)據(jù)。
在需要預(yù)測斜拉橋的索力時，先實時監(jiān)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(yù)測人工神經(jīng)網(wǎng)絡(luò)模型；然后訓(xùn)練上述的索力預(yù)測人工神經(jīng)網(wǎng)絡(luò)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(jù)被實時監(jiān)測的8 根拉索的索力值計算出未受監(jiān)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(jié)合圖2，索力預(yù)測人工神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)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(jīng)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(jù)此差調(diào)節(jié)權(quán)值。這兩個過程的反復(fù)運用， 使得誤差信號最小。實際上，誤差達(dá)到所期望的要求時，網(wǎng)絡(luò)的學(xué)習(xí)過程就結(jié)束了。當(dāng)索力 預(yù)測人工神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完畢達(dá)到預(yù)定目標(biāo)后，即可利用該模型預(yù)測斜拉橋全部斜拉索的索力。
本發(fā)明的實施方式不限于上述實施例，在不脫離本發(fā)明宗旨的前提下做出的各種變化均 屬于本發(fā)明的保護(hù)范圍之內(nèi)。
權(quán)利要求
1.一種基于人工神經(jīng)網(wǎng)絡(luò)的斜拉橋索力預(yù)測方法，其特征在于包括如下步驟，(1)實時監(jiān)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(yù)測人工神經(jīng)網(wǎng)絡(luò)模型；(2)訓(xùn)練上述的索力預(yù)測人工神經(jīng)網(wǎng)絡(luò)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(jù)被實時監(jiān)測的斜拉橋部分拉索的索力值計算出未受監(jiān)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(jù)權(quán)利要求l所述的基于人工神經(jīng)網(wǎng)絡(luò)的斜拉橋索力預(yù)測方法， 其特征在于所述的索力預(yù)測人工神經(jīng)網(wǎng)絡(luò)模型采用三層結(jié)構(gòu)，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(shù)，隱含層采用log-sigmoid作用函數(shù)。
3.根據(jù)權(quán)利要求l所述的基于人工神經(jīng)網(wǎng)絡(luò)的斜拉橋索力預(yù)測方法， 其特征在于步驟(2)中所述索力預(yù)測人工神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程采用誤差反向傳播算 法。
全文摘要
本發(fā)明公開了一種基于人工神經(jīng)網(wǎng)絡(luò)的斜拉橋索力預(yù)測方法，它通過實時監(jiān)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(yù)測人工神經(jīng)網(wǎng)絡(luò)模型，然后訓(xùn)練索力預(yù)測人工神經(jīng)網(wǎng)絡(luò)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(jù)被實時監(jiān)測的斜拉橋部分拉索的索力值即可計算出未受監(jiān)測的其他拉索的索力值，從而計算出全部拉索的索力。本發(fā)明解決了目前斜拉橋在拉索索力監(jiān)測方面的難題，大大節(jié)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(shù)保障，具有良好的經(jīng)濟(jì)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(yōu)先權(quán)日2009年6月26日
發(fā)明者劉志杰, 謝曉堯, 彥 陳 申請人:貴州師范大學(xué)