D.E.R.U.評等法探討

（6）可計算橋梁之各種分析指標，並作優選排列

表 4 D.E.R.U.評等法之評估準則

查項目(第 21 項為「其他」)，但若有新增加檢查項目時，表格

前訓練，但對於其他利用 D.E.R.U.評等法進行檢測的機關或人員 橋梁重要性之權重值，計算出橋梁狀況指標(Condition Index, CI)與優選指標(Priority Index,PI)，進而結合橋梁功能性評估 之功能指標(Functional Index, FI), 而達到分析橋梁整體性優 選指標(Overall Priority lndex, OPI)的整體評估。

6.D.E.R.U.檢測程序

一座橋梁之構件既多且雜，為避免受檢測橋梁構件有遺漏，應

制定檢測標準作業程序。基於作業習性及一般常理，目視檢測程序

施、橋墩基礎、橋墩墩體、支承/支承墊、止震塊/防震拉桿、

表 6 D.E.R.U.檢測表格

（5）檢測員意見

本欄供檢測員填寫個人對此橋之意見，包括對整體橋梁結構 安全性及服務性之評估及是否應安排作進一步之檢測等。本欄並 附記 D.E.R.值及劣化維修急迫性之簡表，供檢測員參考。

2.4.5 台灣地區橋梁管理系統

台灣地區橋梁管理系統(Taiwan Bridge Management System, TBMS)，

一套具層級觀念，供交通部、營建署和其所屬單位如交通部國道高速公路 局、交通部公路總局、臺灣鐵路管理局、各縣市政府以至於各鄉鎮市公所 使用之橋梁管理系統，藉由系統化、有效率的電腦化管理方法，以協助橋 梁管理機關提高橋梁服務水準，確保橋梁結構穩定性與安全性及維護陸路 運輸機能，以最經濟有效的方式執行橋梁管理工作減輕政府負擔［2］。

本管理系統網址為 http: //bms.iot.gov.tw/ ，為交通部運輸研究所 與中央大學開發完成，相關資料庫在 90 年 8 月建檔完成並開放提供國內各

提供其他模組所需要的參考資訊。

7.地理資訊模組：

本模組係利用 GIS 圖形界面提供使用者更為簡易的橋梁查詢方 式，可以將橋梁直接顯示在地圖上，在圖面上可直接得知橋梁的交 通機能與相關地理資訊，經由此模組可以在圖面上查詢橋梁的基本 資料與檢測資料。

8.整合性決策模組:

整合性決策模組的功能，為如何在有限的預算下，評選出決策 期中的每一年度所應進行維修或改善工作的最佳橋梁組合，以達整 體最大效益。

2.4.6 橋梁評估指標

橋梁評估指標利用橋梁檢測所得之 D、E、R 資料，以及相關的橋梁基 本資資料，可分別為檢測橋梁計算其狀況指標(CI)、優選指標(PI)、功能 指標( FI)以及整體優選指標(OPI)等四種指標，以上四種橋梁指標分別依 橋梁之結稱性及功能性評估橋梁之整體狀況，提供橋梁管理者一個概略性 的判斷，以作為橋梁維修優選排序之依據［12］。

經實際操作系統發現，台灣地區橋梁管理系統目前僅提供以上四種指 標中狀況指標(Cl)，故本研究亦針對狀況指標(Cl)作探討，以下就狀況指 標加以介紹。

狀況指標(Condition Index, CI)：

不同組合構件對於橋梁之重要性有所不同，故計算橋梁之狀況指標時，管 理系統對不同組合構件給予不同之權重，並根據該座橋梁所有構件目視檢 測結果計算而得之構件狀況指標，再考量構件權重後計算而得［11］。

單構件狀況指標（IC^ij）：

（1）

組合構件狀況指標（ICⁱ）：

（2）

橋梁狀況指標（CI）：

（3）

其中

內定值 a=1 n =構件數目

Wi =各組合構件對橋梁重要性權重

其中 Wi 權重係由管理系統參照高速公路局之「高速公路橋梁管理系統」訂 定橋梁各組合構件(1~20 項) 重要性權重，詳表 7。

表 7 各組合構件對橋梁重要性權重表

構 件 權重 構 件 權重 構 件 權重

橋墩保護措施 6 副構件(隔梁) 6 橋台 6

橋墩基礎 8 橋面版或絞接版 7 翼牆／擋土牆 5

橋墩墩體 7 引道路堤 3 磨擦層 3

支承墊 5 引道護欄 2 排水設施 4

止震塊/防震拉桿 5 河道 4 緣石及人行道 2

伸縮賵 6 引道路堤保護措施 3 護欄 3

主構件(大梁) 8 橋台基礎 7

資料來源［1］

以上系統之權重係經集合高速公路局有關橋梁檢測人員研商結果所訂 定橋梁各組合構件重要性之權重［1］。

目前台灣地區橋梁管理系統由台灣各橋梁管理單位使用中，然台灣各 預測；Vanluchene 與 Sun 討論混凝土簡支梁設計問題；Ganett、Cohn 和 Ghaboussi 提供了類神經網路在土木建築結構工程的可能應目之綜合剖

具，並以橋上儀器實測資料為內容，進行系統識別了解碧潭橋之動力特性。

檢測個項目之權重值，並建立其評估維修優選模式［8］。

陳克劼嘗試以公路總局轄下部份的省道橋梁檢測資料及相關基本資 料，應用類神經網路為分析工具，建立起省道橋梁劣化因素與劣化情形的 的因果關係，初步瞭解省道橋梁未來的劣化趨勢，期望在日後的橋梁檢測 及橋梁維護時能及早因應，並作妥善處理，以達到節省人力，物力，讓資 源有作效利用。該研究確實能將構建劣化因素及劣化評估建立相關性及模 式化，並表示類神經工具的確具有輔助判斷及針對未來預測之功能［4］。

葉長青藉由橋梁構件權重前 30%之重要構件來預測整體橋梁之健康狀 況，以建立整體橋梁健康狀況預測模型。針對橋梁之各重要構傋件，本研 究分別找出影響其劣化之顯著因子，並透過類神經模型預測各重重要構件 之劣化趨勢，進而推估預測整體橋梁之劣化趨勢［21］。

第三章 研究方法

本研究係採用類神經網路應用於橋梁狀況之預測，以下將針對本論文 所採用之類神經網路做扼要之介紹，並說明相關輸入及輸出資料。

3.1 類神經網路介紹（Artificial Neural Network，ANN）

經查相關文獻提出較精確的定義為:「類神經網路是一種計算系統，包 含軟體和硬體，它使用大量簡單的相連人工神經元(neuron) 來模仿生物神 經網路的能力。」［4］，類神經網路是「一種基於腦與神經系統研究所啟發 的資訊處理技術」。它可以利用一組範例(即系統輸入與輸出所組成的資料) 建立系統模型(輸入與輸出間的關係) ，有了這樣的系統模型便可用於推 估、預測、決策、診斷［13、21］。下圖為真實系統與系統模型（類神經網 路）之比較。

圖 4 真實系統與系統模型（類神經網路）之比較［22］

3.1.1 生物神經元

樹突(Dendrites) 3.軸突(Axon) 4.突觸(Synapse)等四部分，其示意圖如圖 5，各部分說明如下［13］。

圖 5 生物神經元模型圖［22］

圖 6 神經信號之傳遞示意圖［22］

3.1.2 人工神經元模型

現介紹人工神經元模型(Artificial Neuron)，人工神經元又稱為處理 單元(Processing unit)，每一個處理單元的輸出以扇狀送出，成為其它許 多處理單元的輸入［23］。人工神經元(Artificial Neuron)是最基本的類 神經網路處理單元，一個人工神經元包括了結點、門檻值、轉換函數以及 輸入和輸出值，其架構(如圖 7 所示)，輸入值（XI~Xn)藉由各自權重(WI~Wn) 加總後與門檻值(Θ)進行比對，透過門檻值的過濾，繼而傳給活化函數

3.W^ij連結加權值(Syoaptic Weight）：

人工神經元用一組加權值來模擬突觸的運作:正值的加權值代 Summation) (不同時間到達的刺激相加)」和「空間性相加(Spatial Summation) （刺激型和抑制型的刺激相加）」會將所有到達後級突

觸的刺激加以整合。此一複雜的過程，在簡單的工神經元的模型 中，通常以一個加法單元來工簡化此過程［4、13］。

5.θ^j 閥值(Bias)：

在軸突丘部位所呈現的整體細胞膜電位，若超過一門檻值，則 活化電位脈衝才會激發。在人工神經元的模型中，以閥值θ^j模擬

［4、13］。

6. f 活化函數 (Activation Function）：

軸突丘的整體細胞膜電位若超過一門檻值，則活化電位脈衝會 被激發，整個傳遞而來的資訊在這裡被調變(Modulation)處理［4、

13］。

圖 7 人工神經元模型圖［13］

3.1.3 類神經網路之學習規則

從經驗中學習是大腦特性之一，類神經網路中利用各種不同的學習演 算法來模擬此一特性。學習演算法就是藉著訓練過程來調整類神經網路中 各神經元間的「連結」強弱，亦即模擬各層神經元將所要隱合的知識 (knowledge or intelligence)放入神經元間的「連結權重」，於訓練完成

後，所有的知識就儲存於這些連結權重上［24］。

通常我們以權重值的大小來代表神經元間連結的強弱，如果單從改變 網路神經元間連結強弱的學習演算法來分類，大致可分成監督式學習 (supervised learning)與非監督式學習(un-supervised leaning)二類，

以下簡要說明［24］。

1.監督式學習(supervised learning) :

學習的過程中，我們會給予類神經網路一個訓練範例，每一個

2.非監督式學習(unsupervised learning) :

其特色在於訓練過程中只需提供輸入資料，而不提供輸出資

倒傳遞類神經網路(Backpropagation Neural Network)模式於 1986 年 類神經網路的研究帶入了新的里程碑，因該年發表的書中詳細介紹了倒傳 遞網路原理，因利用倒傳遞類神經網路通用差距法則(generalized delta ™ le)，使得類神經網路克服了 XOR(exclusive or 互斥或)問題，並且以理論 證明此種演算法的收斂性，此種模式已成為目前最廣為使用也最具代表性 的網路［4］。

倒傳遞類神經網路模式是目前類神經網路學習模式中最具代表性，反 應用最普遍的模式。已發表的應用至少在數千個以上，不勝枚舉。倒傳遞 類神經網路基本原理是利用最陡坡降法(Gradient Steepest Descent Method)的觀念將誤差函數予以最小化［23］。

倒傳遞類神經網路應用在諸如語音辨識、影像壓縮、訊號過濾及文字 識別等各個領域中，皆獲致良好的成效［4、13］。

3.1.5 網路架構

倒傳遞類煩神經網路常使用的線性及非線性轉換函數(轉換函數用於 模仿生物神經元的非線性處理能力，是一個將從其它神經元傳入之輸入 值，加權乘積後再予轉換成神經元的輸出)如圖 8～圖 10 所示，其它可微分 的轉換函數，如有需要也可用於倒傳遞類神經網路［4］。

圖 8 正切雙彎曲轉移函數圖［4］

圖 9 線性轉移函數圖［4］

圖 10 對數雙彎曲轉移函數圖［4］

倒傳遞類神經網路之架構包含輸入層、隱藏層及輸出層，其架構圖如 圖 11 所示，說明如下［23］。

1.輸入層

用以表現網路的輸入變數，其處理單元數目依問題而定，使用線性 轉換函數，即 f(x)=x。

2.隱藏層

用以表現輸入處理單元間的交互影響，其處理單元數目並無標準方 法可以決定，經常需以試驗方式決定其最佳數目。使用非線性轉換 函數。網路可以不只一層隱藏層，也可以沒有隱藏層。

用以表現輸入處理單元間的交互影響，其處理單元數目並無標準方 法可以決定，經常需以試驗方式決定其最佳數目。使用非線性轉換 函數。網路可以不只一層隱藏層，也可以沒有隱藏層。