人工神经网络在混凝土结构领域的应用综述_王玺德.pdf

DOI：10.13905/ki.dwjz.2022.12.017人工神经网络在混凝土结构领域的应用综述REVIEW ON APPLICATIONS OF ARTIFICIAL NEURAL NETWORK IN CONCRETE STRUCTURE FIELD王玺德，欧阳鹏（青岛理工大学土木工程学院，山东 青岛 266525）WANG Xide,OU Yangpeng（School of Civil Engineering,Qingdao University of Technology,Shandong Qingdao 266525,China）【摘要】人工神经网络在几十年的不断优化，学习能力不断提高。不同种类的人工神经网络的优势运用到混凝土结构的强度预测、裂缝分析和健康监测等方面。对文献进行总结，汇总了BP神经网络、卷积神经网络和小波神经网络在混凝土领域的最新研究成果，并提出了仍存在的问题和发展方向，为后续的拓展研究提出参考。【关键词】BP神经网络；卷积神经网络；小波神经网络；混凝土结构【中图分类号】TU528.1【文献标志码】A【文章编号】1001-6864（2022）12-0075-04Abstract：The learning ability of artificial neural network is constantly improved in decades.The advantages of different kinds of artificial neural networks are applied to the strength prediction,crack analysis,and health monitoringof concrete structures.The literatures are reviewed associated with latest research progress of BP neural network,convolutional neural network,and wavelet neural network applied in concrete structures.The existing problems anddevelopment direction are put forward,which may provide the reference for the subsequent research.Key words：BP neural network;convolutional neural network;wavelet neural network;construction of concrete0引言人工神经网络是根据生物神经网络建立的运算模型，是由大量神经元相互连接并进行信号传输、接收和处理。人工神经网络是生物神经元的仿真形式，每个神经元带有输入和输出两个端口，多个神经元组成的人工神经网络包括输入层、输出层和隐藏层，其中隐藏层是位于输入层和输出层之间的全部层级1。1943年，McCulloch和Pitts根据神经网络首次建立了数学模型-MP模型。并在几十年的发展中，形成了单层神经网络、前馈神经网络、反馈神经网络以及随机神经网络等。随着数学科学和计算机科学的进一步发展，促进了人工神经网络更为多样化的发展进程。从20世纪90年代开始，我国神经网络在混凝土结构领域应用，1996年姜绍飞等2将人工神经网络应用于矿井结构的外包钢混凝土框架柱设计，发现神经网络具有良好的适应性。1997年杨朝晖等3通过神经网络方法对混凝土强度进行预测，开辟了混凝土强度预测的新方法。1998年金伟良等4首次提出根据单层神经网络进行混凝土的预测碳化分析。在20世纪初，神经网络成为混凝土领域的研究热点，2001年陈华根等5利用神经网络对现浇混凝土的内部水化热做了预测分析，并对混凝土的板的质量进行判断。2002年吴大宏等6应用神经网络对多种荷载作用下混凝土梁裂缝的发展特性进行建模研究，证明了其可行性。此外2004年洪锦祥等7运用小波神经网络和BP神经网络对混凝土强度预测分析进行对比，发现小波神经网络具有收敛速度快、精度高、可靠度高的优点。神经网络不断在混凝土结构领域应用，但基本的神经网络创新却并不多，大多是应用传统的神经网络理论对多种材料混凝土强度、多种混凝土结构荷载工况以及结构损伤识别等方面进行预测分析。经过近十年的发展，人工神经网络在混凝土结构的应用逐渐成熟，并为后续的创新和发展奠定了理论基础。近年来，人工神经网络在混凝土结构领域的应用出现了更多的研究成果，对多种人工神经网络的特点和优势进行总结，归纳了多种人工神经网络在混凝土领域的应用实例，并提出了还未解决的理论问题，为后续的研究方向做出参考。1BP神经网络BP神经网络具有深度学习的前馈神经网络，它的基本思想是梯度下降法，计算过程由正向计算过程和反向计算过程组成8，其基本结构如图1所示。信号通过输入层进入隐含层，经过函数计算后输出结果，再将输出结果与实际数值比较后计算误差，误差逐步反带并修改函数权重继续输出结果，不断地重复学习训练最终拟合出最优解。75低温建筑技术Dec.2022 No.294-建筑材料研究及应用BP神经网络通过不同影响因素之间的关系和使用不同的算法建立模型，并经过大量试验数据的学习，对混凝土强度进行预测。王凤来等9提出了使用BP神经网络预测灌孔砌块砌体的抗压强度，基于砂浆强度对砌块强度的影响建立BP神经网络模型。通过对预测值的误差评定，发现预测的强度值与试验值误差小，具有良好的准确性。杜颜胜等10提出了使用BP神经网络预测矩形钢管混凝土强度模型，通过其预测钢管混凝土柱强度规律与使用规范计算得到的强度规律比较发现，模型预测的强度值呈现非线性比规范计算得到的直线更加准确，而且规范计算得到的承载力安全性偏低，为规范修正承载力提供参考。李扬等11通过BP神经网络对侵蚀后的混凝土动弹性模量进行了预测分析，以盐溶液的质量分数和盐溶液的侵蚀时间作为输入参数进行构建BP神经网络模型，并通过试验研究验证了BP神经网络的准确性。周宏元等12基于试件尺寸和再生粗骨料替代率的考虑建立了BP神经网络模型，通过对预测结果分析，可以准确预测再生粗骨料的名义抗压强度，为再生混凝土构件的设计规范提供参考。上述研究可以看出，BP神经网络在混凝土领域的应用范围较广，包括了材料强度、结构耐久性和配合比设计。虽然能够满足混凝土结构设计和性能方面的预测要求，但提高其收敛速度、预测精度仍是相关学者追求的目标。另外 BP 神经网络的理论计算方法也是不断优化，崔凤坤等13提出了一种BP神经网络与粒子群算法相结合的方法对桥梁的可靠度值进行分析。BP神经网络拟合非线性化的结构极限状态方程，然后粒子群算法根据方程找到可靠度指标。结果表明BP神经网络和粒子群算法相结合，能够补充传统BP神经网络的缺点和不足，提高了计算效率和精度，能够为工程应用起到指导作用。陈庆等14基于遗传算法（GA）对BP神经网络的优化，提出了超高性能混凝土的配合比设计方法。通过GA-BP神经网络预测不同配合比的强度结果表明，GA对BP神经网络的权值和阈值的优化使其比传统的BP神经网络预测的强度更加准确，同时可以调节配合比参数找到所需要的强度，减少试验成本。王伟等15基于井壁承载力的随机性大等问题，提出了一种随机因子和层间均方误差优化的BP神经网络混凝土预测模型。通过预测承载力结果表明，对评价函数进行优化后的神经网络具有良好的承载力预测能力，同时能有效的减小过拟合的问题，提高了预测精度。随着神经网络理论的发展，BP神经网络的算法优化逐渐成为热点，其预测精度也逐渐提高。但大多研究文献还是混凝土构件或混凝土材料方面的建模研究，对于整体框架结构，以及材料的动力学特性的预测分析仍然较少，一方面，影响因素众多，难以建立比较完善的样本库，BP神经网络难以得到充分的训练，而导致随机性较强，泛化能力较差；另一方面，对于动力学特性，BP神经网络难以建立时间变量，如何解决以上两个问题，可能是未来BP神经网络在混凝土结构领域的一个方向。2卷积神经网络卷积神经网络由卷积层、化成层、全连接层，基本结构如图2所示。其主要应用在图像处理，通过卷积层进行特征提取组成，检测到图像具有多个特征时采用多个卷积核即多过滤器。化成层保留像素最大特征值来最大减少图像的数据量，提高识别效率，但仍然保持图像原有的特征。全连接层将每个化成层的特征值展开成一维数组拼接起来，经过训练后的数组与识别图像的数组相对比。BP神经网络对裂缝识别需要对图片进行繁琐的处理，而卷积神经网络可以对图片中的裂缝快速学习。Cha等16提出了一种窗口滑动扫描的卷积神经网络识别裂缝的方法，虽然能够有效地识别大部分环境下拍摄图像中的裂缝，但很难提供具体裂缝尺寸。Cao等17提出了一种完全卷积神经网络自动识别检测裂缝的方法，通过对混凝土裂缝的学习构建框架，进行语义分割从而实现裂缝的识别。通过验证发现该方法能够准确的识别裂缝路径和裂缝的密度变化。刘震卿等18提出了一种U-Net分割算法和卷积神经网络相结合识别裂缝的方法，与上述Cha提出的方法相比具有更强的鲁棒性、更强的有效性和更准确的检测。在训练集更小的情况下达到了较高的准确率，减图1BP神经网络的基本结构输入层隐含层输出层X1X2XNy1y2yNZ1Z2ZN图2卷积神经网络结构输入层卷积层池化层卷积层池化层 全连接层76少了大量的人力劳动。Young-JinCha等19在一种快速地基于区域的卷积网络方法（Fast-R-CNN）和区域建议网络（RPN）的基础上，提出了Faster-R-CNN用于混凝土裂缝的检测，通过训练对象检测器和建议生成器的端到端网络，提高了准确性和计算效裂，降低了计算成本，并可以实时进行检测。Dongho Kang等20提出了一种利用快速区域建议卷积神经网络（Faster-R-CNN）算法的集成来检测裂纹区域的自动裂纹检测、定位和量化方法。利用不同的边界框和改进的管状流场（TuFF）算法将裂纹像素从检测到的裂纹区域中分割出来。采用一种改进的距离变换方法（DTM）对裂纹尺寸进行像素测量。经验证发现，该方法在复杂背景和环境条件下，能够很好地分割出像素级的混凝土裂缝，并能够大大提高准确性。余加勇等21基于无人机识别裂缝的问题，提出了无人机及Master R-CNN卷积神经网络识别裂缝方法。通过无人机识别裂缝的尺寸与人工测量结果分析，发现准确率和召回率都较高，尺寸误差小。无人机进行拍摄和神经网络的学习能够自动识别裂缝的尺寸和位置，实现远程自动识别裂缝。降低了人工检测的风险、节省资源。通过以上文献可以看出，卷积神经网络在混凝土结构领域的应用发展时间较短，近几年逐渐成为热点。卷积神经网络在混凝土结构领域目前来看大多是关于混凝土裂缝识别方面的应用，这也是由于卷积神经网络在处理图像分类识别方面具有优秀的性能，能够精确地对混凝土裂缝进行识别分析，但需要在巨大的图像样本库条件下，进行充分训练才能有效提高识别精度，如何减小训练代价和提高其学习效率成为关键。另外卷积神经网络对复杂结构和大跨度结构裂缝提取的精度和效率还有进一步提升的空间，目前识别细小裂缝仍有一定的困难。3小波神经网络小波神经网络（WNN）是小波分析与人工神经网络发展产生的一种分层的、多分辨率的前馈型神经网络。由于小波函数的多样性，小波神经网络具有更多的选择性和更好的逼近效果，具有较强的函数学习能力和推广能力及广阔的应用前景。艾永明等22基于非线性自回归移动平均方法，提出动态模糊小波神经网络对大型复杂的桥梁进行全局和局部损伤识别方法，结果表明在识别损伤时的收敛速度、识别精度，捕捉动态特征等方面有了明显的提升，并运用于工程的实际案例。汤博文等23采用不同模态的小波神经网络识别简支梁和连续梁模型不同程度的损伤，并能够识别结构的损伤程度。廖俊文等24提出应变模态小波神经网络方法，能够精准的识别多种损伤工况，能够在不同层数和跨度的框架结构精确找