鋼筋混土橋梁類神經網路監測系統之研發

1

行政院國家科學委員會專題研究計畫成果報告

鋼筋混土橋梁類神經網路監測系統之研發

The Development of Neur al Networ k Monitor ing Systems of

Reinfor ced Concr ete Br idges

計畫編號：NSC 87-2211-E-002-039

執行期限：86 年 8 月 1 日至 87 年 7 月 31 日

主持人：劉佩玲 國立台灣大學應用力學研究所

一、中文摘要 本計畫發展一套利用類神經網路監測 鋼筋混凝土橋樑安全的系統。進行監測 時，以一部固定質量的測試車等速駛過橋 樑，並量測橋樑底部的伸長量訊號，擷取 訊號之極大、極小值輸入類神經網路，再 由網路的輸出判別橋樑損壞的位置及程 度。橋樑監測系統是由數個平行類神經網 路組成，所採用的類神經網路是多層逆傳 系統，每一個類神經網路負責監測橋樑部 份區域。訓練網路所需的訊號，是以有限 元素法分析各種受損橋樑產生。 關鍵詞：類神經網路、橋樑、監測、破壞 偵測。 Abstr act

This project develops a neural network system to monitor the safety of a reinforced concrete bridge. A truck of constant mass is driven at constant speed through the target bridge. Sensors mounted on the bridge record the longitudinal elongation of the bridge. Then, the data are processed by a neural net-work system to determine the locations and levels of damages of the bridge. The moni-toring system is composed of several multi-layered, back-propagation neural networks. Each network monitors certain areas of the bridge.

Keywor ds: Artificial Neural Network, Truss,

Monitoring, Damage Detection.

二、緣由與目的 隨著台灣經濟高度的成長，都市人口 大幅的增加，交通運輸的需求量也越來越 大，也就因為如此，扮演交通運輸重要角 色的各類橋樑越來越多，除了一般跨越河 流或鐵路的橋樑、都市要道的高架橋，乃 至現今的大眾捷運系統都是不同型式的橋 樑結構。 台灣位處歐亞及菲律賓板塊之環太平 洋地震帶，隨時有可能發生強烈地震，造 成橋樑之損壞，因此對於規劃中或是超過 使用期限的橋樑，如何事先指出其缺陷並 補強之，以免造成生命財產之損失是極為 重要的課題。 在近幾年的文獻中，有許多利用結構 測試資料反算結構材料性質的研究，也就 是所謂的系統識別。本研究的主持人就曾 經提出以模態、動態及靜態試驗配合最佳 化法來識別結構性質(1995, 1996, 1997)。然 而，當結構趨向巨大而複雜時，反算的困 難度就大大地提高。有鑑於此，另一個研 究方向：以類神經網路取代以往的數學模 型和反算過程，在近年來愈來愈受到重 視。 類神經網路並不是最近才出現的新理 論，事實上，早在1943年第一個神經元運 算模型就已經由 McCulloch 和 Pitts 提 出，但是將類神經網路應用在結搆系統的 損害偵測和識別上，應該算是一個較新的 嘗試。Wu (1991)、Elkordy等人 (1994)、 Tsou等人 (1994)、Barai 與Pandey (1995)、 羅 (1995) 都曾嘗試以類神經網路來偵測

2 (1995) 都曾嘗試以類神經網路來偵測結構 的破壞。本研究的主持人在86年的研究計 畫就曾以類神經網路發展一套桁架結構的 監測系統，發現類神經網路頗具有應用的 潛力。 三、研究方法與結果 　　 類神經網路是由一些神經元所連結而 成的平行分散處理系統，其中各神經元都 有一個作用函數來處理經過加權的輸入訊 號。這些加權數便是系統的主要參數，可 經由訓練而漸漸收斂至最佳值。就如編寫 一般電腦程式必須選定算則，使用類神經 網路也必須根據所要完成的任務選擇適用 的網路架構。 本研究所採用的多層逆傳網路是由輸 入層、隱藏層及輸出層組成。其中每一層 都包含許多結點，而相鄰層的結點完全互 相連結。網路是以前匱方式處理訊號，即 輸入訊號一路往前處理傳送，不再將處理 結果回匱於系統。 訓練網路時，必須提供網路多組輸入 資料及正確答案。在訓練橋樑監測系統的 類神經網路之前，必須先收集橋樑在各種 損壞狀況的資料，以供網路訓練之用。最 理想的訓練資料當然是由真實橋樑量測的 振動訊號，但是要得到真實橋樑在各種損 壞狀況下的振動訊號是不太可能的，因此 我們以ABAQUS及FEAP有限元素分析程 式，產生鋼筋混凝土橋樑在各種損壞情況 下，受車輛行駛的振動訊號，以做為訓練 資料庫。 設計類神經網路系統時，會遇到一個 關鍵性的問題，就是如何選擇適當的特徵 向量作為網路的輸入值。特徵向量選擇適 當與否對一個網路的表現具有決定性的影 響。我們觀察橋樑的位移、加速度、應變 等振動訊號後，發現應變曲線可以很清楚 地顯示量測區域是否損壞，但是應變規若 沒有直接貼在損壞區域上，則無法偵測出 破壞，因此，我們改以橋樑底部的伸長量 作為觀測訊號。 我們以一座三跨連續樑作為算例，將 橋樑可能的損壞位置分為九個區域，分別 稱為1L、1M、1R、2L、2M、2R、3L、3M 及3R，其中1，2，3表示跨度，L，M，R 表示在一跨的左邊、中間或右邊。我們觀 察輸入參數的特性，得到以下結論： 1. 區域 1L 和 3R 伸長量的極值，只有在 量 測 區 域 本 身 損 壞 時 才 會 有 明 顯 變 化，其他區域損壞時，則幾乎看不出差 異。 2. 區域 1R 的伸長量，不論其極大值或極 小值都會受其他區域損壞的影響，但是 只有區域 1R 或區域 2M 損壞時，其極 大、極小值的絕對值才會同時明顯增 加。區域 3L 的極值也和區域 1R 有同 樣的特性，即只有區域 3L 本身或區域 2M 損壞時，其極大、極小值的絕對值 才會同時明顯增加。換句話說，區域 2M 損壞，區域 1R 及 3L 也會被誤判為 損壞。 3. 區域 2L 和 2R 的極值都會受其他區域 損壞影響，區域 2L 的極大、極小值絕 對值在區域 2L 本身或區域 1M 損壞時 會同時明顯增加；區域 2R 的極大、極 小值絕對值則只有在區域 2R 本身或區 域 3M 損壞時會同時明顯增加。換言 之，當區域 1M 損壞，區域 2L 會被誤 判為損壞，而當區域 3M 損壞，區域 2R 會被誤判為損壞。 由以上結論，我們可根據其相關性將 九個區域分為五組： 1L、3R、1R-2M-3L、 1M-2L、2R-3M，各用一個子網路來偵測該 組區域的狀況，這五個平行子網路就組成 橋樑監測系統。 平行網路經過訓練後，再以單一區域 損壞、二區域損壞、多區域損壞、及區域 局部損壞的案例測試，結果發現此平行網 路都能準確測出橋樑損壞位置及損壞程 度。 四、結論 本研究可歸納出下列幾點的結論：

3 1. 橋 樑 受 測 試 車 等 速 行 駛 的 伸 長 量 訊 號，確實能反應橋樑損壞的情況。 2. 以伸長量的極大值及極小值作為特徵 參數所發展的類神經網路系統，能成功 的偵測橋樑損壞，即使是多區域同時損 壞或某一區域局部損壞，此系統也能準 確地識別損壞位置及損壞程度。 3. 由於伸長量特徵參數的特性，可以將橋 樑損壞區域分為獨立的幾組，每組最多 包含三個區域：一跨的中間區域及其左 右兩跨緊鄰支承的區域，各區域的損壞 只對同組區域的特徵參數有影響。此特 性可以大量減少訓練案例的個數。 4. 根據前述分組，橋樑監測系統可以由幾 個平行的子網路組合而成，各子網路只 負責監測一組區域。由於各子網路的任 務及架構較簡單，這種平行網路不但所 需的訓練案例較少，訓練時間也較短。 5. 以伸長量作為輸入特徵參數的類神經 網路系統，對於雜訊的容忍度很高。當 加入 20%的雜訊時，網路輸出的平均 值偏差及標準偏差都不會超過雜訊的 大小。 本文所發展的橋樑監測系統，經由數 值驗證，已證實具有高度應用潛力。我們 希望在不久的將來，能將這套監測系統以 實驗驗證，並希望能更進一步將此系統應 用在實際的橋樑監測工作上。 五、計畫成果自評 本計畫預計完成的工作項目如下： 1. 建立鋼筋混凝土梁之數值分析模型 2. 發展類神網路監測軟體 3. 評估各種感測器的適用性 在本年度內，本研究已達成這三個預 定目標，而且研究成果已在結構工程研討 會發表，目前也已撰寫為論文，將投稿至 國際期刊發表。 本研究最重要的發現是，橋樑結構的 伸長量是極佳的損壞指標，即使不使用類 神經網路，都可以直接由此特徵判斷橋樑 的完整性。此外，本研究也證實了類神經 網路將來發展為現場自動監測系統的潛 力，此網路若將來再與實驗硬體整合，不 ，此網路若將來再與實驗硬體整合，不但 可以申請專利，更可以提昇工程界監測橋 樑結構的能力。 六、參考文獻

1. P.-L. Liu, “Identification and Damage Detection of Trusses Using Modal Data,”Journal of Structural Engineering,

ASCE, vol. 121, no.4, pp. 599-608, 1995.

2. P.-L. Liu, “Unique Identification of Nonuniform Beam Using Modal Data,”

The Chinese Journal of Mechanics, vol.

11, no. 4, pp. 347-356, 1995.

3. P.-L. Liu and S.-J. Yu, “Identification and Damage Detection of Frames Using Modal Data,”Journal of the Chinese In-stitute of Civil And Hydraulic Engineer-ing, Vol. 8, No. 1, pp. 83-92, 1996.

4. P.-L. Liu and C.-C. Chen, “Damage De-tection of Truss Structures Using Tran-sient Response,” Journal of Sound and Vibration, vol. 191, no. 2, pp. 273-287,

1996.

5. P.-L. Liu, “Parametric Identification of Plane Frames Using Static Strains,” Pro-ceedings of the Royal Society of London, Series A., vol. 452, no. 1944, pp. 29-45,

1996.

6. P.-L. Liu and H.-T. Lin, “Direct Identifi-cation of Non-Uniform Beams Using Static Strains", International Journal of Solids and Structures, vol. 33, no. 19, pp.

2775-2787, 1996.

7. P.-L. Liu, “Identification of the Boundary Conditions of a Continuous

4

Beam”, Journal of the Chinese Institute of Civil And Hydraulic Engineering, vol.

8, no. 3, pp. 325-335, 1996.

8. P.-L. Liu and C.-C. Chian, “Parametric

Identification of Truss Structures Using Static Strains,” Journal of Structural Engineering, ASCE, vo. 123, no. 7, pp.