水闸混凝土碳化深度预测研究

赵海娟 王 军

(1.盐城市大丰区大桥水利管理服务站，江苏 盐城 224100； 2.盐城市大丰区新丰水利管理服务站，江苏 盐城 224100)

1 概述

水闸作为洪水调控和水资源合理利用的重要手段，其病害的存在不仅严重威胁工程上、下游地区安全，而且会影响当地经济和社会的全面发展。由于水工建筑物大多数是钢筋混凝土结构，在使用一段时间后，便会出现不同程度的老化现象，如混凝土碳化、钢筋锈蚀等，在这些病害中，混凝土碳化最为典型，混凝土碳化是造成混凝土裂缝、钢筋锈蚀的最直接因素，因此，对混凝土碳化深度预测研究尤为重要。国内外学者提出许多混凝土碳化预测模型，大致可以分为两类：基于试验数据的拟合经验模型和基于碳化反应过程的理论模型[1-4]。但混凝土碳化是一个缓慢而复杂的过程，涉及到许多材料、荷载和环境变量，而这些变量中，有的会表现出很大的随机性，目前，对于水闸混凝土碳化深度还没有形成一个有效预测方法。神经网络具有很高的容错性和自学习能力，能够很好的解决混凝土碳化影响因素复杂的问题，并且能够极大程度克服病害检测的约束条件，在混凝土碳化深度预测方面显示了极大的优越性。本文采用遗传算法优化神经网络，选取混凝土碳化深度的主要影响因素，建立混凝土碳化深度预测模型，并基于VS平台，开发水闸混凝土碳化深度预测系统，能够快速、准确识别混凝土碳化深度，为水闸除险加固提供技术支持。

2 遗传算法优化神经网络

BP神经网络具有很好的非线性映射和学习能力，但是初始权值确定以及算法收敛等问题没有得到很好的解决。利用遗传算法可以使神经网络具有较好的收敛能力和较强的学习能力，遗传算法优化神经网络分为遗传算法优化和BP神经网络预测两个部分，首先，确定BP神经网络结构，进而确定遗传算法个体长度，采用遗传算法优化BP神经网络的权值和阈值，每个个体都包含一个网络所有的权值和阈值，通过选择、交叉和变异操作搜索最后适应度值对应个体，并对BP神经网络初始权值和阈值赋值，网络经过训练后，输出预测结果。

遗传算法优化主要包括选择操作、交叉操作和变异操作[5-8]。遗传算法的选择操作有许多，本文选择轮盘赌法，即基于适应度的选择策略，每个个体i的选择概率pi为：

fi=k/Fi

(1)

(2)

其中，Fi为个体i的适应度值，由于适应度值越小越好，因此，在个体选择时，对适应度值求倒数；N为种群个体数目。

个体采用实数编码，因此采用实数交叉法进行交叉操作，如式(3)所示。

(3)

其中，akj,alj分别为个体ak,al在j位置；a,b是[0,1]间的随机数。

选取第i个个体的第j个基因aij进行变异，如式(4)所示。

(4)

其中，amax为基因aij的上界，amin为下界；f(g)=r2(1-g/Gmax)2，r2为随机数，g为当前迭代次数，Gmax为最大进化数。

BP神经网络最常用的为三层感应器，包括输入层、隐含层和输出层[9,10]。单隐含层可以映射所有连续函数，只有学习不连续函数时，才需要使用两个隐含层，因此，本文采用单隐含层。隐含层节点数一般采用试凑法确定，采用经验公式作为试凑法的初始值，如式(5)所示。

(5)

3 实例分析

本文采用盐城地区的部分水闸作为样本进行分析。混凝土碳化需要考虑的因素很多，如水泥品种、水灰比、掺合剂、外加剂等，这些参数样本因为时间关系，已经很难找齐，而混凝土抗压强度是混凝土力学特性基本指标，它综合反映了混凝土水泥强度、水灰比、施工质量等参数，且测试方法简单、快捷。另外，混凝土碳化过程与时间、温度、相对湿度有着密切的关系，并且这些数据也容易获取，因此，选用混凝土抗压强度、运行时间、温度、相对湿度作为输入参数指标。同时，考虑水闸构件的不同，统一选择工作桥桥梁碳化深度的平均值作为识别目标。本文选取了盐城市25个水闸样本，数据如表1所示。

表1 数据样本

由样本选取的运行时间、混凝土抗压强度、温度、相对湿度作为输入变量，碳化深度为输入变量，神经网络为4-n-1结构，隐含层节点数按式(5)计算，经计算，隐含层节点为6，因此，设置的BP神经网络结构为4-6-1。根据上述理论，遗传算法的个体编码长度为18+7=25。将上述25组样本中，前15组为训练数据，后10组数据为测试数据。将预测结果绝对误差值作为个体适应度值，遗传算法参数设置为：种群规模为5，进化次数为5，交叉概率为0.3，变异概率为0.1。在神经网络经过训练后，对后10组数据进行预测，预测结果如表2，图1所示。

表2 预测结果对比表

由表2和图1可知，预测结果与实测值吻合较好，说明所提出的遗传算法优化BP神经网络能够较好的预测混凝土碳化深度，但是个别误差较大，主要是由于碳化过程较为复杂，还有一些因素没有考虑。但就预测结果而言，误差在15%以内，处于可接受范围之内，通过遗传算法优化BP神经网络，可以预测和识别水闸混凝土碳化深度，这也为水闸工程病害的发展分析研究提供了一种新的思路。

4 结语

本文根据水闸混凝土碳化过程特点，开展了水闸混凝土碳化深度预测研究，主要结论如下：1)本文在BP神经网络的基础上，结合遗传算法，形成遗传算法优化BP神经网络，分为遗传算法优化和神经网络预测两部分，通过遗传算法优化BP神经网络权值和阈值，使预测结果更为精确；2)在分析水闸混凝土碳化特点的基础上，选取了水闸运行时间、混凝土抗压强度、温度和相对湿度作为输入指标，建立遗传算法优化BP神经网络预测模型；3)收集了盐城市水闸混凝土碳化深度样本，应用遗传算法优化BP神经网络对水闸碳化深度进行预测分析，结果表明，采用遗传算法优化BP神经网络模型进行水闸混凝土碳化深度预测是可行的，能够快速、准确识别混凝土碳化深度，为水闸除险加固提供技术支持。