遗传算法和人工神经网络在结构参数识别中的应用

　　0 引 言

　　工程结构在长期的使用过程中难免会遇到各种损伤,如强震、台风、腐蚀、疲劳等自然灾害和老化,也可能由于使用、维护不当等人为因素对工程结构产生一定的负面影响。这些因素导致了结构承载能力和耐久性的降低,甚至影响到正常使用和运行安全。从正常使用和安全性的角度考虑,定期对过程结构进行健康诊断就显得尤为重要,而参数识别是其中非常重要的环节。

　　将基于静态应变及位移测量的结构参数识别问题转化为非线性优化问题,利用遗传算法与人工神经网络,求解此优化问题,判定出工程结构的健康状况或损伤程度。

　　1 基于位移反演结构参数的优化模型的建立

　　利用结构位移对结构参数进行反分析的力学模型[1]为

式中[K]为结构的整体刚度矩阵;{δ}为节点的位移向量;{F}为节点的等效荷载向量;δ= {δ₁,δ₂,,,δ_nd}T,δ_m={δ_m1,δ_m2,,δ_mnd}T分别为荷载作用下的计算位移和测量位移,nd为测量位移数量。

　　如模型误差和测量误差等在实际操作中不可避免。根据反问题控制解定义,令式(1)精确成立,式(2)仅能近似成立,使在相同输入条件下计算值与控制值误差最小。以最小方差为控制指标,则利用实测位移值反演结构参数的优化模型为

式中xi为待识别参数;ai和bi为其上下限由经验确定。

　　2 利用遗传算法和人工神经网络对优化问题进行求解

　　遗传算法是一种以适应度函数指导随机化搜索方向的启发式概率迭代全局搜索算法,它对优化空间进行随机搜索不需要灵敏度分析。

　　人工神经网络是模仿人脑工作方式而设计的一种具有大规模并行处理能力和高度的非线性映射能力的系统,它具有很强的鲁棒性、容错性和自学习性等。基于神经网络所建立的系统能够有效提取特征参数,达到误差的辨别与控制的目的。

　　利用遗传算法进行优化问题的求解首先要把问题的解表示成/染色体0,构成一个/染色体0群。在编程时/染色体0用二进制码串表示,也可以采用浮点数进行编码。先用一组二进制串代表一组待定识别参数,每个二进制串由若干子串组成,每个子串代表一个待定识别参数,然后计算个体的适应度S

　　采用遗传算法进行搜索是从一组出发,由于算法本身的原因若不加以处理往往效果不太理想,这里引进随机优化方法中的复合形算子,在遗传算法进化过程中完成选种之后,以复合形算子改造交配池中的最差个体,并使改造后的个体参与产生子代的杂交,并作为一个个体随父代最佳个体一起参与复制。改造过程[2]: