基于神经网络的剪力墙极限承载力计算

刘佳　　罗健　　常媛

(北京建筑大学，北京　100044)



基于神经网络的剪力墙极限承载力计算

刘佳罗健常媛

(北京建筑大学，北京100044)

摘要:采用15片不同剪力墙的实验数据，将11片的实验数据作为神经网络的训练数据，其余4片的实验数据作为验证数据，并对比分析了实验数据和预测数据，提出了用神经网络系统来预测类似剪力墙承载力的方法。

关键词:人工神经网络，剪力墙，极限承载力，径向基神经网络，matlab

0　引言

剪力墙是高层建筑抵抗侧向力的主要构件，因此剪力墙极限承载力对结构安全十分重要。一位有经验的工程师不用计算就能大致判断出一个钢筋混凝土构件的承载力，只要他以前见到过类似的构件，不管是钢筋混凝土墙、钢筋混凝土板，还是钢筋混凝土柱。这是因为以前的经验数据已经存储在他的大脑中，遇到新的类似的构件就能够通过与以往构件作对比的方式确定其大致的承载力。人工神经网络系统正是模拟生物神经网络在工作时的基本原理来处理现实问题，现阶段人工神经网络系统已经在土木工程当中得到一些运用但运用范围还不是很广泛，需要我们进一步的探索和研究，特别是随着大数据时代的到来，各种工程、实验数据的大量累计更有利于神经网络系统的发展。本文探讨了神经网络系统在剪力墙极限承载力上的运用。

1　人工神经网络系统理论

20世纪40年代，精神病和神经元解剖学家McCulloch与数学天才Pitts在生物物理学会期刊上发表文章提出神经元的数学描述与结构，并且从理论上证明只要有足够多的简单的神经元在这些神经元相互连接同步运行的情况下，神经网络能够计算任何已知的函数。之后经过几十年的发展由不同的人提出了不同的人工神经网络模型用以解决不同的问题［6］。

在人工神经网络中，最重要的概念莫过于神经元节点函数与权值。神经元节点组成神经网络系统的基本结构而权值的改变能够储存训练或学习过的知识。节点函数在有向图中表现为节点，节点间的相互连接强度便是权值。人工神经网络最大的特点是其连接权值都是可以根据具体的训练数据进行调整的，权值将很多的简单的节点连接起来形成一个复杂的数据处理系统，人工神经网络的训练阶段便是权值不断调整的阶段，当权值调整到合适的值之后神经网络系统就能得出理想的输出结果。网络将知识存储在调整后的各权值中，这一点是神经网络的精髓。

2　径向基神经网络系统预测剪力墙的承载力

现在在土木工程当中运用较多的是:BP神经网络和径向基神经网络。但BP神经网络学习速度慢，不适合实时性要求高的场合。1988年Broomhead和Lowe用人工神经网络系统模拟生物神经元局部响应的特点，编写出一种新的人工神经网络——径向基函数神经网络。在之后的实际运用中我们发现径向基函数神经网络对非线性网络表现出很好的逼近的能力，慢慢在越来越多的领域得到了实际运用。径向基函数网络是前向网络由三层构成:首先是变量的输入叫输入层，变量的个数便是输入层节点的个数，然后是数据的处理层叫做隐含层，处理的问题越复杂隐含层节点便越多，最后是数据的输出层，输出数据的个数便是输出层节点的个数。剪力墙抗剪承载力公式:V≤1/(λ－0．5) ［0．5ftbwhw+0．13NAw/A］+fyhAshhw/s［3］。高墙抗弯强度计算公式: Mu=Asfylw+Aswfywlw/2+Nlw/2［4］。还有一系列根据剪力墙破坏模式建立起来的计算公式，从各种计算公式可以看出剪力墙的承载力与各种变量呈现复杂的函数关系［5］，且在同一破坏模式下其基本的函数关系是确定的，而径向基神经网络能够逼近任意的连续函数，那么就从理论上可以证明:可以通过径向基神经网络系统来预测剪力墙的极限承载力。

设:有N个训练数据，权值为Wij，则正则化径向基网络基本结构图见图1。

图1　径向基网络基本结构

实际输出为Yk=［yk1，yk2，…，ykj，…，ykJ］，J为输出层节点的数量，Yk为神经网络的实际输出。输出层第j个神经元输出的结果为:

用训练样本分别输入解出所有权值ωij，然后再用训练好的网络去计算。基函数一般选用Green函数，若基函数为高斯函数，即为:

从剪力墙抗剪与抗弯承载力计算公式可以看出，剪力墙的抗剪、抗弯承载力主要与剪跨比、混凝土抗拉强度、剪力墙的净宽、剪力墙的净高、剪力墙的轴力、剪力墙的腹板面积、剪力墙的截面面积、水平钢筋的抗拉强度、单根水平钢筋的横截面面积、水平分布筋的间距、边缘构造柱柱中心到剪力墙中心的距离、轴向荷载有关。剪力墙的破坏模式主要有:剪切破坏、弯剪破坏、弯曲破坏、滑移破坏。影响剪力墙破坏模式的主要因素有:剪跨比和轴压比。且基本可以从剪力墙的剪跨比确定剪力墙的破坏模式:当剪跨比大于2时易发生弯曲破坏;当剪跨比大于1小于2时易发生弯剪破坏;当剪跨比小于1时剪力墙易发生剪切破坏;滑移破坏则很少发生［8］。

3　具体实验数据

本文选取南京工业大学土木工程学院陈怀亮等发表的论文《基于抗剪机构和破坏模式的RC剪力墙极限承载力分析》中的实验数据作为径向基神经网络系统的训练和检测数据来建立一个径向基网络，此网络通过用新构件的数据与以往的数据进行对比的方式预测类似剪力墙的极限承载力。

剪力墙尺寸、配筋见表1。剪力墙试件除10～11为双层配筋外都为单层配筋。径向基神经网络把1～4的剪力墙试件当作检验数据，5～15的剪力墙试件当作训练数据。

表1　试件的截面特性、混凝土强度及配筋及实验荷载

图2　matlab径向基神经网络计算结果

4　matlab径向基神经网络

本文采用的是广义的径向基神经网络系统。主要调用matlab中广义径向基函数(newrb)进行计算［1］。以下是运算结果:

图2a)为真实值与预测值之间的对比，图2b)为实际误差数值，图2c)为命令框中显示的数据，可以看出最大相对误差为25．88%，平均相对误差为9．46%。

从以上结果可以看出基于以往的实验数据用径向基网络来预测新的剪力墙的极限承载力是可行的，预测出的承载力变化趋势与真实值一致，在乘以一定的折减系数后仍然可用。分析误差的原因，主要是训练样本与预测样本所对应的剪力墙类型不太一致，有些是单排配筋而有些是双排配筋。有些有轴向压力而有些没有。在此种情况下，由于训练数据过少且训练数据跳跃性太大，用径向基神经网络系统方法来预测剪力墙的极限承载了有一定的误差。

5　结语

最终证明能够用已有的剪力墙破坏数据来预测新剪力墙的承载力，在计算新的剪力墙承载力时，选取已有类似的剪力墙实验数据作为神经网络系统的训练数据。最后用训练好的神经网络系统来预测新的剪力墙的承载力，以达到用以往的实验数据计算剪力墙承载力的目的。与以往的剪力墙承载力计算公式相比，用径向基神经网络计算剪力墙的承载力，虽然同样是承载力与各种变量之间呈现复杂的函数关系，但是用径向基神经网络计算不需要采用任何假定，如果数据量足够大的话应该更能贴近实际的真实结果。今后可以更加注意各种实测数据的收集、整理、分类建立各种类型的数据库，这样才能更好的把大数据思维运用到土木工程当中来。

参考文献:

［1］陈明．matlab神经网络原理与实例精解［M］．北京:清华大学出版社，2013:196-203．

［2］陈怀亮，卢中强．基于抗剪机构和破坏模式的RC剪力墙极限承载力分析［J］．南京工业大学学报，2006，28(3):65-69．

［3］GB 50010—2002，混凝土结构设计规范［S］．

［4］陶松平．钢筋混凝土剪力墙正截面与斜截面承载力分析［D］．西安:西安建筑科技大学，2008．

［5］ 钱家茹．高层建筑结构设计［M］．北京:中国建筑工业出版社，2012．

［6］杨钦普，孙炳楠．人工神经网络在土木工程中的应用［J］．低温建筑技术，2006(6):64-65．

［7］刘兴远．神经网络理论在土木工程应用中的几点认识［J］．岩土工程学报，2003，25(4):514-516．

［8］ 田士峰．高强混凝土剪力墙抗震试验及非线性分析［D］．西安:西安建筑科技大学，2006．

中图分类号:TU312

文献标识码:A

文章编号:1009-6825(2016)17-0030-02

收稿日期:2016-04-08

作者简介:刘佳(1990-)，男，在读硕士;罗健(1957-)，男，副教授;常媛(1993-)，女，在读硕士

The ultimate bearing capacity calculation of shear wall based on neural network

Liu JiaLuo JianChang Yuan
(Beijing University of Architecture，Beijing 100044，China)

Abstract:This paper used the experimental data of 15 pieces different shear walls，made the experimental data of 11 pieces as the training data of neural networks，made the remaining 4 pieces experimental data as the validation data，and contrasted and analyzed the experimental data and predicted data，put forward the method using neural networks system to predict similar shear wall bearing capacity．

Key words:artificial neural network，shear wall，ultimate bearing capacity，radial basis function neural network，matlab