一种基于人工神经网络的斜拉桥索力预测方法
专利名称：一种基于人工神经网络的斜拉桥索力预测方法
技术领域：
本发明涉及一种斜拉桥的拉索索力预测方法，特别是一种基于人工神经网络的斜拉桥索 力预测方法。
背景技术：
在大跨度斜拉桥的生命周期中，斜拉索索力是很重要的监测项目。定期实测所有斜拉索 的索力可以及时分析桥梁的运行状态，为大桥的安全运行提供必要的前提条件。由于大跨度 斜拉桥拉索数据量众多，同时测量斜拉桥的所有斜拉索的索力是相当费时费力的工作。实际 上，在桥梁健康监测过程中很少监测一座斜拉桥所有斜拉索的索力变化，而是仅仅监测少量 的几根关键斜拉索。当斜拉桥的某根拉索的索力发生变化时，其余拉索的索力也会相应发生 改变。由于桥梁结构系统的复杂性，各拉索索力的相互影响关系很难用传统的模型来表达。
发明内容
本发明所要解决的技术问题在于提供一种基于人工神经网络的斜拉桥索力预测方法，它 可由少量被监测拉索的索力预测出其余拉索的索力值，大大节省索力测量的时间和人力成本 ，具有较好的转化应用前景。
为解决上述技术问题，本发明的技术方案基于人工神经网络的斜拉桥索力预测方法。 该方法包括如下步骤，
(1) 实时监测斜拉桥部分拉索的索力值；并利用该索力值建立斜拉桥的索力预测人工 神经网络模型；
(2) 训练上述的索力预测人工神经网络模型，建立已知拉索索力与未知拉索索力变化 之间的映射模型；
(3) 根据被实时监测的斜拉桥部分拉索的索力值计算出未受监测的其他拉索的索力值 ，从而计算出全部拉索的索力。
上述的基于人工神经网络的斜拉桥索力预测方法中，所述的索力预测人工神经网络模型 采用三层结构，包括输入层、隐含层和输出层；输入层和输出层采用purelin作用函数，隐 含层采用log-sigmoid作用函数。
前述的基于人工神经网络的斜拉桥索力预测方法中，步骤(2)中所述索力预测人工神 经网络模型的训练过程采用误差反向传播算法。本发明的有益效果与现有技术相比，本发明可以在少量已知索力的基础上，利用人工 神经网络模型快速预测出其它未知索力的大小，实时监测整个斜拉桥所有拉索的索力变化， 解决了目前斜拉桥在拉索索力监测方面的难题，大大节省了测量索力的时间与人力、物力成 本，为确保大桥的安全运行提供了良好的技术保障，有利于斜拉桥的监测、养护及安全评估 ，具有良好的经济和社会效益。
图l是本发明的索力预测人工神经网络模型的结构示意图； 图2是本发明的算法程序框图。
下面结合附图和具体实施方式
对本发明作进一步的说明。
具体实施例方式
实施例l。设定斜拉桥已知的索力有8根，需预测余下的80根拉索的索力。
如图1所示，本发明的索力预测人工神经网络模型采用三层结构，含输入层、隐含层和 输出层，其中输入层采用purelin作用函数，隐含层采用log-sigmoid作用函数，输出层采用 purelin作用函数。输入层节点点数为有限的已知索力的受实时监测的斜拉索数目，在本实 施例中设置为8;输出层节点点数为余下的要预测索力的斜拉索的数目，在本实施例中，设 置为80;隐含层节点点数采用训练时收敛速度较快及使同一训练样本误差最小时的节点数， 在本实施例中，设置为256。初始权值矩阵采用足够小的初始权值，即abs(初始权值)〈0。在 本实施例中，采用符合条件的伪随机数发生器产生的数据。索力预测人工神经网络模型训练 的样本集为尽可能多的全部斜拉索实测索力数据。训练过程采用误差反向传播算法。检验样 本为全部斜拉索的实测索力数据。
在需要预测斜拉桥的索力时，先实时监测斜拉桥8根拉索的索力值；并利用该索力值建 立斜拉桥的索力预测人工神经网络模型；然后训练上述的索力预测人工神经网络模型，建立 已知的8根拉索索力与未知的余下80根拉索索力变化之间的映射模型；再根据被实时监测的8 根拉索的索力值计算出未受监测的余下80根拉索的索力值，从而计算出全部拉索的索力。
结合图2，索力预测人工神经网络模型的学习过程分两个阶段第一阶段是下向传播过 程给出输入的拉索索力，通过输入层经隐含层逐层处理并计算每个单元的实际输出值。第 二阶段是反向传播过程若输出层未能得到期望的索力输出值，则逐层递归地计算实际输出
索力与期望输出索力之差值(即误差)，以便根据此差调节权值。这两个过程的反复运用， 使得误差信号最小。实际上，误差达到所期望的要求时，网络的学习过程就结束了。当索力 预测人工神经网络模型训练完毕达到预定目标后，即可利用该模型预测斜拉桥全部斜拉索的索力。
本发明的实施方式不限于上述实施例，在不脱离本发明宗旨的前提下做出的各种变化均 属于本发明的保护范围之内。
权利要求
1.一种基于人工神经网络的斜拉桥索力预测方法，其特征在于包括如下步骤，(1)实时监测斜拉桥部分拉索的索力值；并利用该索力值建立斜拉桥的索力预测人工神经网络模型；(2)训练上述的索力预测人工神经网络模型，建立已知拉索索力与未知拉索索力变化之间的映射模型；(3)根据被实时监测的斜拉桥部分拉索的索力值计算出未受监测的其他拉索的索力值，从而计算出全部拉索的索力。
2.根据权利要求l所述的基于人工神经网络的斜拉桥索力预测方法， 其特征在于所述的索力预测人工神经网络模型采用三层结构，包括输入层、隐含层和输出 层；输入层和输出层采用purelin作用函数，隐含层采用log-sigmoid作用函数。
3.根据权利要求l所述的基于人工神经网络的斜拉桥索力预测方法， 其特征在于步骤(2)中所述索力预测人工神经网络模型的训练过程采用误差反向传播算 法。
全文摘要
本发明公开了一种基于人工神经网络的斜拉桥索力预测方法，它通过实时监测斜拉桥部分拉索的索力值并利用该索力值建立斜拉桥的索力预测人工神经网络模型，然后训练索力预测人工神经网络模型，建立已知拉索索力与未知拉索索力变化之间的映射模型，再根据被实时监测的斜拉桥部分拉索的索力值即可计算出未受监测的其他拉索的索力值，从而计算出全部拉索的索力。本发明解决了目前斜拉桥在拉索索力监测方面的难题，大大节省了测量索力的时间与人力、物力成本，为确保大桥的安全运行提供了良好的技术保障，具有良好的经济和社会效益。
文档编号G01L5/04GK101586996SQ20091030372
公开日2009年11月25日 申请日期2009年6月26日 优先权日2009年6月26日
发明者刘志杰, 谢晓尧, 彦 陈 申请人:贵州师范大学
技术领域：
本发明涉及一种斜拉桥的拉索索力预测方法，特别是一种基于人工神经网络的斜拉桥索 力预测方法。
背景技术：
在大跨度斜拉桥的生命周期中，斜拉索索力是很重要的监测项目。定期实测所有斜拉索 的索力可以及时分析桥梁的运行状态，为大桥的安全运行提供必要的前提条件。由于大跨度 斜拉桥拉索数据量众多，同时测量斜拉桥的所有斜拉索的索力是相当费时费力的工作。实际 上，在桥梁健康监测过程中很少监测一座斜拉桥所有斜拉索的索力变化，而是仅仅监测少量 的几根关键斜拉索。当斜拉桥的某根拉索的索力发生变化时，其余拉索的索力也会相应发生 改变。由于桥梁结构系统的复杂性，各拉索索力的相互影响关系很难用传统的模型来表达。
发明内容
本发明所要解决的技术问题在于提供一种基于人工神经网络的斜拉桥索力预测方法，它 可由少量被监测拉索的索力预测出其余拉索的索力值，大大节省索力测量的时间和人力成本 ，具有较好的转化应用前景。
为解决上述技术问题，本发明的技术方案基于人工神经网络的斜拉桥索力预测方法。 该方法包括如下步骤，
(1) 实时监测斜拉桥部分拉索的索力值；并利用该索力值建立斜拉桥的索力预测人工 神经网络模型；
(2) 训练上述的索力预测人工神经网络模型，建立已知拉索索力与未知拉索索力变化 之间的映射模型；
(3) 根据被实时监测的斜拉桥部分拉索的索力值计算出未受监测的其他拉索的索力值 ，从而计算出全部拉索的索力。
上述的基于人工神经网络的斜拉桥索力预测方法中，所述的索力预测人工神经网络模型 采用三层结构，包括输入层、隐含层和输出层；输入层和输出层采用purelin作用函数，隐 含层采用log-sigmoid作用函数。
前述的基于人工神经网络的斜拉桥索力预测方法中，步骤(2)中所述索力预测人工神 经网络模型的训练过程采用误差反向传播算法。本发明的有益效果与现有技术相比，本发明可以在少量已知索力的基础上，利用人工 神经网络模型快速预测出其它未知索力的大小，实时监测整个斜拉桥所有拉索的索力变化， 解决了目前斜拉桥在拉索索力监测方面的难题，大大节省了测量索力的时间与人力、物力成 本，为确保大桥的安全运行提供了良好的技术保障，有利于斜拉桥的监测、养护及安全评估 ，具有良好的经济和社会效益。
图l是本发明的索力预测人工神经网络模型的结构示意图； 图2是本发明的算法程序框图。
下面结合附图和具体实施方式
对本发明作进一步的说明。
具体实施例方式
实施例l。设定斜拉桥已知的索力有8根，需预测余下的80根拉索的索力。
如图1所示，本发明的索力预测人工神经网络模型采用三层结构，含输入层、隐含层和 输出层，其中输入层采用purelin作用函数，隐含层采用log-sigmoid作用函数，输出层采用 purelin作用函数。输入层节点点数为有限的已知索力的受实时监测的斜拉索数目，在本实 施例中设置为8;输出层节点点数为余下的要预测索力的斜拉索的数目，在本实施例中，设 置为80;隐含层节点点数采用训练时收敛速度较快及使同一训练样本误差最小时的节点数， 在本实施例中，设置为256。初始权值矩阵采用足够小的初始权值，即abs(初始权值)〈0。在 本实施例中，采用符合条件的伪随机数发生器产生的数据。索力预测人工神经网络模型训练 的样本集为尽可能多的全部斜拉索实测索力数据。训练过程采用误差反向传播算法。检验样 本为全部斜拉索的实测索力数据。
在需要预测斜拉桥的索力时，先实时监测斜拉桥8根拉索的索力值；并利用该索力值建 立斜拉桥的索力预测人工神经网络模型；然后训练上述的索力预测人工神经网络模型，建立 已知的8根拉索索力与未知的余下80根拉索索力变化之间的映射模型；再根据被实时监测的8 根拉索的索力值计算出未受监测的余下80根拉索的索力值，从而计算出全部拉索的索力。
结合图2，索力预测人工神经网络模型的学习过程分两个阶段第一阶段是下向传播过 程给出输入的拉索索力，通过输入层经隐含层逐层处理并计算每个单元的实际输出值。第 二阶段是反向传播过程若输出层未能得到期望的索力输出值，则逐层递归地计算实际输出
索力与期望输出索力之差值(即误差)，以便根据此差调节权值。这两个过程的反复运用， 使得误差信号最小。实际上，误差达到所期望的要求时，网络的学习过程就结束了。当索力 预测人工神经网络模型训练完毕达到预定目标后，即可利用该模型预测斜拉桥全部斜拉索的索力。
本发明的实施方式不限于上述实施例，在不脱离本发明宗旨的前提下做出的各种变化均 属于本发明的保护范围之内。
权利要求
1.一种基于人工神经网络的斜拉桥索力预测方法，其特征在于包括如下步骤，(1)实时监测斜拉桥部分拉索的索力值；并利用该索力值建立斜拉桥的索力预测人工神经网络模型；(2)训练上述的索力预测人工神经网络模型，建立已知拉索索力与未知拉索索力变化之间的映射模型；(3)根据被实时监测的斜拉桥部分拉索的索力值计算出未受监测的其他拉索的索力值，从而计算出全部拉索的索力。
2.根据权利要求l所述的基于人工神经网络的斜拉桥索力预测方法， 其特征在于所述的索力预测人工神经网络模型采用三层结构，包括输入层、隐含层和输出 层；输入层和输出层采用purelin作用函数，隐含层采用log-sigmoid作用函数。
3.根据权利要求l所述的基于人工神经网络的斜拉桥索力预测方法， 其特征在于步骤(2)中所述索力预测人工神经网络模型的训练过程采用误差反向传播算 法。
全文摘要
本发明公开了一种基于人工神经网络的斜拉桥索力预测方法，它通过实时监测斜拉桥部分拉索的索力值并利用该索力值建立斜拉桥的索力预测人工神经网络模型，然后训练索力预测人工神经网络模型，建立已知拉索索力与未知拉索索力变化之间的映射模型，再根据被实时监测的斜拉桥部分拉索的索力值即可计算出未受监测的其他拉索的索力值，从而计算出全部拉索的索力。本发明解决了目前斜拉桥在拉索索力监测方面的难题，大大节省了测量索力的时间与人力、物力成本，为确保大桥的安全运行提供了良好的技术保障，具有良好的经济和社会效益。
文档编号G01L5/04GK101586996SQ20091030372
公开日2009年11月25日 申请日期2009年6月26日 优先权日2009年6月26日
发明者刘志杰, 谢晓尧, 彦 陈 申请人:贵州师范大学
最新回复(0)