基于振动测试数据的混凝土拱坝损伤识别研究

基于振动测试数据的混凝土拱坝损伤识别研究

大型节水项目的灾难损失通常是由结构的小裂缝引起的。由于自然和人为原因，混凝土坝无法避免各种损坏。因此，混凝土坝的早期评估和及时纠正非常重要。传统的基于位移场、应力场和温度场变化的监测方法难以及时、准确地识别损坏。近年来，通过结构振动测量信号来识别地板损伤的检测技术可以克服这一缺陷。利用该方法进行结构损伤检测的基本思路是,首先探测出结构振动响应或结构动态特性的变化,然后利用结构固有的特性如特征方程、振型的正交性等建立结构动态特性变化与结构参数变化的关系,进而判定结构损伤的位置和程度.许多学者对此进行了研究,并用神经网络在不计误差(忽略噪声等影响)的情况下,对损伤位置及损伤程度进行了成功识别.但由于土木工程结构的振动测试,尤其对于大型工程结构,必然会受到环境噪声的影响,因此,实测到的结构振动特性、响应等参数是不确定性的.而基于多变量模式分类的概率神经网络具有较强的容错性,可以处理受噪声污染的测试数据.有学者对概率神经网络识别结构损伤进行了探索和研究:Stefano和Sabia等研究了用概率神经网络(Probabilisticneuralnetwork)预测地震破坏机制;王柏生等将概率神经网络用于对建筑结构(6层框架)损伤位置的识别,并对神经网络的输入参数进行了研究;TamCM等用概率神经网络检测预应力砼桩的损伤.对于大型水利工程,如水坝,已有研究表明可用神经网络识别损伤的存在,但对于识别损伤位置,目前研究则较少.为此,作者尝试采用概率神经网络进行混凝土坝损伤位置的识别,主要通过对一混凝土拱坝损伤识别的数值模拟分析,说明基于振动测试数据利用概率神经网络识别混凝土拱坝损伤位置的可能性及其识别能力.1双线性概率密度估计模型概率神经网络是由多变量模式分类的Bayes准则发展而来的,其实质是一个分类器,根据概率密度函数的无参估计进行Bayes决策,从而得到分类结果.对于具有θA或θB的两类问题来说,一个p维矢量X={x1,x2,…,xi,…,xp}的测量集,基于Bayes决策准则来判断θ=θA(θB)的状态,可以表述为d(x)={θA[hAlAfA(X)＞hBlBfB(X)]θB[hAlAfA(X)＜hBlBfB(X)](1)式中:d(x)为检验矢量X的Bayes决策;hA,hB分别为θA和θB类的先验概率;lA为θA被错分为θB的损失,lB为θB被错分为θA的损失;fA(x)和fB(x)分别为θA和θB类的概率密度.对于损伤检测问题,一般假定h和l对所有类都是相同的,使用式(1)的关键就是评价概率密度函数.图1将输入样本分为两类概率神经网络,为4层的前向网络,包括输入层、模式层、累加层和输出层.输入层仅仅是将输入样本完全不变地传给模式层的各个节点(每一个模式层节点见图2),其功能是将输入节点传来的输入进行加权求和,然后经过一个非线性算子运算后,再传给累加层.非线性算子采用g(zj)=exp[(zj-1)/σ2](2)zj=x·wj(3)式中:x为输入的待分类的矢量;wj为给定量的权矢量.若x和wj都标准化到单位长度,式(3)等价于g(zj)=exp[-(wj-x)T)(wi-x)/2σ2](4)累加层只是简单地由对应于训练样本中同一类的模式层传来的输入进行累加,即fA(x)=m∑j=1g(zj)(5)式中:m为训练样本的个数.输出层,也称决策层,其节点见图3,它产生一个二值输出,其中权值c等于负的两类的先验概率比除以两类的训练样本数比,文中取c=-1.上述的概率神经网络完全等效于采用高斯核的多变量概率密度函数(PDF),式(6)的Bayes模式分类方法为fA(x)=1(2π)s/2σs1mm∑j=1⋅exp[-(x-xAJ)Τ(x-xAj)2σ2](6)式中:x为输入样本向量;s为样本向量的变量个数;xAj为属A类的第j个训练样本向量,在概率神经网络中作为权值;m为属A类的训练样本向量个数;σ为光滑系数.这是一种普通的概率神经网络,不需要学习;所谓的训练,就是将各类训练样本作为输入层与模式层的权值即可,同时,所有模式类都采用同一个光滑系数σ.当一组测试样本输入后,网络会输出一个值,如输出为1,表示将该组样本归为A类,-1表示归为B类.用概率神经网络进行结构损伤位置识别,首先必须确定可能的损伤位置,选取适宜的输入参数,通过对结构在各个可能损伤位置有损伤时的数值模拟分析,计算得到输入参数值作为训练样本,每一个损伤位置的样本作为一个类别,每个类别中可以只有一个训练样本,也可有多个训练样本.2模式层的频率变化文中用于混凝土拱坝损伤位置识别概率神经网络的构造为一个3层的前向网络.输入样本参数xi采用文献的组合参数,取结构的固有频率和少数选用点第一阶模态的水平分量改变值计算输入参数.输入向量为其中:fui,fdi分别为损伤前后的i阶频率;{Δφi}为第i阶模态变化向量;Δω2r为第r阶频率变化量,一般采用第1阶频率.可以证明NFRNi,DSNj只与损伤位置有关,而与损伤程度无关.模式层的每一个节点对应一个损伤类别.累加层与输出层合为累加输出层,其节点数也与损伤类别数相同,每一个输出节点对应一个损伤位置.累加式采用式(7)而非式(5),这主要是为了当训练样本个数m不同时便于比较fA(x)的大小.FA(x)=1mm∑j=1g(zj)(7)确定可能的损伤类别后,通过对结构在各个可能损伤位置有损伤时的数值模拟分析,计算得到各损伤类别的输入参数值作为训练样本;当一组测试样本输入构造好的网络后,神经网络输出值最大的输出节点所对应的损伤位置即为识别出的损伤位置.3凝土拱坝有限元模型为了研究损伤检测,用商业软件ANSYS建立响洪甸混凝土拱坝的三维有限元模型.坝体具体尺寸参见文献.有限元模型中关于坝体的主要力学参数见表1.模型用网格划分,共产生结点17931个结点,35533个单元.3.1坝体动力作用1)假定坝体材料是线弹性的,但不同部位的材料允许有不同的弹性常数;2)假定库水为不可压缩的流体,故库水对坝的动力作用即相当于附加质量Ma;3)假定人工边界范围以内的地基是“无质量的弹簧”,均匀的弹性体在形成整个系统的特征矩阵时,地基单元只考虑弹性,不考虑质量,以消除波的传播效应,避免人为的放大作用.文中采用子空间迭代法进行模态分析,先求解前10阶振型,然后进行模态扩展.3.2损伤位置与识别大坝在施工过程中由于不能保证施工质量和混凝土老化及温降的影响,随着使用年限的增加,坝体将会产生裂缝,导致整体刚度降低,从而使其动力特性改变.由于裂缝最终裂开时才对刚度具有较大的影响,故可不考虑裂缝中的初始应力和应变.考虑到水库中水的动水压力和坝基对大坝动力特性的影响,根据相关规范,库水对大坝动力特性的影响可以考虑附加质量法(以水库处于正常蓄水水位为准)。坝基对大坝动力特性的影响需根据不同的地质条件和坝型采取不同的有限元进行离散模拟.在坝体的不同位置,文中数值模拟了18个损伤(易出现裂缝的地方),具体位置见表2,图4.每一个位置的损伤(裂缝)有5种程度,裂缝深度分别为该处坝体截面深度的1/6,1/3,1/2,2/3,5/6,其中开裂1/2截面深度的损伤用于测试,其余4种用于训练.针对模拟的18种损伤,分别用ANSYA软件建立有限元模型,进行模态分析.取结构的前10阶固有频率和6个选用点(图4中点57,60,62,63,65,68)第一阶模态的水平分量的改变值计算输入参数,计算出每一类损伤的训练样本(4个)和测试样本的输入参数.为了考虑噪声影响,针对每类损伤,在5种噪声水平下,分别按式(8)随机产生4000个训练样本和1000个测试样本的输入参数.xi=x(1+εη)(8)式中:x为根据有限元计算的频率和模态分量计算出的输入参数;ε为噪声水平,分别为1%,2%,3%,5%,8%,10%;η为零均值、单位标准差的正态分布随机数.各个训练样本、测试样本之间,训练样本和测试样本之间的η相互独立.根据概率神经网络构造图(见图1),用Matlab编制概率神经网络训练程序,分别在不同的噪声水平下训练神经网络,每个损伤位置均训练1000次,每次针对随机产生的1个测试样本,由4个随机产生的训练样本作为对应的权值进行训练.根据相关研究,文中光滑系数σ取值0.25.至此,概率神经网络的训练已经完成.表3给出了在不同的噪声水平下概率神经网络损伤位置的识别结果.从表3可以看出,噪声水平较低时(1%,2%),所有损伤位置都可以识别,效果亦较理想;当噪声水平升高到8%时,除损伤3,16,17外,其他损伤位置的识别效果不理想;在10%的噪声水平下,所有损伤位置的识别效果均较差,正确识别率仅为19