[发明专利]深度神经网络和贝叶斯网络耦合建网的结构安全评估方法

说明书

本发明提出深度神经网络和贝叶斯网络耦合建网的结构安全评估方法，包括以下步骤；步骤S1：对土木结构各DNN‑HBN耦合网节点进行编号；首先对外荷载及各构件响应进行编号，其变量类型为连续型；再为各构件响应节点和荷载节点设置离散隐藏节点，并设置离散的BN体系节点，其具有“安全”和“失效”两种状态，状态概率之和为1；步骤S2：通过有限元模型计算生成样本库；步骤S3：定义结合DNN和HBN的耦合网拓扑；步骤S4：同步进行DNN的训练和HBN的参数学习，得到DNN‑HBN耦合网；步骤S5：有监测证据输入耦合网时，对土木结构的体系状态概率进行推理，以推理得到的失效概率作为结构安全评估的依据；本发明可在不完备监测证据下推理得到复杂结构体系的失效概率。

技术领域

本发明涉及土木工程技术领域，尤其是深度神经网络和贝叶斯网络耦合建网的结构安全评估方法。

背景技术

近年来我国建造了大量高耸、跨度大、形式多样复杂的土木工程结构，如超高层建筑、大跨度桥梁等。此类结构构件数量众多、力学行为存在复杂的非线性，同时构件几何尺寸、材料性能、边界和连接条件、外荷载等都存在不确定性，给结构安全运营带来重大挑战，有必要进行实时监测。目前结构健康监测系统获取的数据类型多样，在时间维度上体量大，同时受安装成本和布设条件的限制，传感器数目往往不足，造成数据在空间维度上不完备。因此，如何在不完备监测数据下结合土木结构的物理力学模型，对结构进行实时智能安全评估是保障土木结构安全运营的关键一环，这一点上传统的人工检测方法难以实现，而人工智能方法提供了潜在的解决方案。

深度神经网络(Deep Neural Network，DNN)是人工智能中的一种含有多隐含层的机器学习方法，各神经元变量为确定值，通过大量样本训练后，具有对输出层各神经元进行计算的功能。与传统浅层神经网络(如BP网络)相比，DNN为含有更多隐含层的深层非线性网络结构，能更深刻地揭示海量数据中所承载的复杂而丰富的信息。由于土木结构构件往往数量众多，导致所需分析的网络节点体量大，节点间逻辑关系复杂。因此利用具备深度输入-输出非线性表达能力的DNN是一种可行的途径。但由于神经网络的黑盒运行机制，使得结构输入-输出间关系缺乏明确的物理意义和逻辑关系，也不便于处理不确定性变量。

与此同时，贝叶斯网络(Bayesian Networks,BN)属于人工智能领域中概率图模型的一种，其拓扑为显式表示形式，可通过节点和有向弧体现结构构(部)件间逻辑关系。节点可表示为构件或体系，节点变量可定义为构件响应或体系所处状态，以状态概率体现不确定性。节点间因果关系通过有向弧表达，节点变量间以联合概率分布进行推理和计算，可实现不完备数据下的推理。按节点变量类型，BN可分为离散型、连续型及混合型，比如离散节点变量具有表示结构体系“安全”和“失效”两种状态，状态概率之和为1。若能将BN与DNN进行结合，则可将确定性的构件响应与不确定性的结构体系失效概率进行有机融合，避免复杂的非线性力学分析，实现对结构的智能安全评估。

现有土木结构安全评估方法大致包含外观调查评定法、层次分析法、专家系统法、荷载试验法、模糊数学法、可靠度理论法以及人工智能方法等。其中多数方法涉及复杂的力学分析或系统建模，且时效性较差，难以实现实时评估和预警。结构健康监测系统收集到的数据体量大、类型多，通过人工智能方法处理海量数据并实现在线智能安全评估是一种可行的途径，但也存在以下难点：1)输入与输出数据须尽量一一映射，输出层神经元数目远大于输入层时，训练得到的神经网络泛化和预测能力弱；2)需找到能评价整个体系的输出指标。比如利用人工智能方法得到局部位移指标后，再通过层次分析法进行安全评估，还是未能解决层次分析法的主观因素影响，实质上只是利用机器代替了人工巡检，与传统方法无异。3)工程结构包含各种不确定性，采用确定性评估指标难以准确反映工程实际。

具体到DNN应用于复杂结构时，还存在随机梯度下降过程中梯度变化剧烈、深度网络训练收敛慢、梯度弥散或梯度爆炸、过拟合或欠拟合等问题。此外DNN各神经元均为确定性变量，如何与不确定性的体系安全评估指标进行耦合建模也是一个难点问题。