基于现代智能算法的土木工程结构传感器优化布置研究
来源:用户上传
作者:
【摘 要】随着国家经济的飞速发展，土木工程结构日益增多，土木工程结构健康监测成为国内外学者的研究热点之一。通过配置合理的传感器来准确地实时地获取结构的健康信息，是实现土木工程结构健康监测的前提条件，是进行土木工程结构监测和评估的重要内容。传统的优化方法虽已运用到传感器优化布置中，但均有自身的局限性。现代智能算法作为随机类整体性启发式算法，表现出巨大的优越性，已被广泛应用在传感器优化布置领域，并且取得了良好的监测效果。
【关键词】现代智能算法；土木工程；传感器
引言：土木工程与国家和人民的生活息息相关，伴随着经济的迅猛发展，桥梁、大坝、高层建筑、海洋平台等重大土木工程结构急剧增多，他们的服役期限一般长达几十年乃至上百年，同时他们受到环境的长期侵蚀、材料老化、荷载的长期效应、疲劳效应等不利因素的耦合作用，必将造成结构和系统的损伤积累和抗力衰减，加之地震、暴风、洪水等自然灾害的影响，诸多因素导致结构产生不同程度的损伤，严重的可能会酿成灾难性的事故，危及国家和人民群众的生命财产安全，造成恶劣的社会影响。对土木工程结构进行健康监测，必然离不开传感器的布置。利用不同类型的传感器采集工程结构的各种数据，通过软件分析和处理，得到其相关的健康信息，从而识别出存在损伤的部位，以便人们采取措施做好相应的准备。
1.基于遗传算法的土木工程结构传感器优化布置
关于遗传算法的基本知识我们在第二章第一节已经做了详细的阐释，此处便不再赘述。遗传算法通过模拟自然界中的生物种群的遗传和进化原理来形成一套具有高度并行性、简单随机性以及良好的自适应性的搜索运行算法。遗传算法的运行过程实际上可以称为三个算子和五个要素，三个算子是指选择遗传算子、交叉遗传算子和变异遗传算子；五个要素是指：①参数编码；②初始种群的确定；③适应度的设计；④遗传操作的设计；⑤控制参数的设定。下面我们具体阐述一下本节我们用的遗传算法的几个改进的地方，通过以下几个方面对一般的遗传算法的优化和改善，我们可以提高遗传算法的收敛速度和全局寻优性能。
（1）二重结构编码。传统的遗传算法编码方法中进行交叉操作和变异操作时，会由于每个生物个体的基因码中含有1的数目改变而导致相应的传感器数目的改变，这样就会产生每次的优化布置方案中传感器的数目不尽相同的问题。为了避免这种问题的发生，需要改变传统的遗传算法的编码方法。（2）精英保存策略。为了尽可能确保算法的全局收敛性，需要采用的选择算子就是精英保存策略，该策略是在每一代种群个体完成遗传和进化之后均要保存当前群体中的精英，所谓精英，就是种群中那些适应度值最高的生物个体。在经过多次的遗传和进化操作之后，如果以往各代中产生的适应度值最大的个体被当前代次的种群中最高适应度值的个体所覆盖，这个时候需要选择保留当前代次的种群群体中最高适应度值的生物个体，并将它替换掉那些适应度值最小的生物个体。这种选择操作有效地防止了生物种群中那些优良的个体被其他的遗传算子比如交叉遗传算子和变异遗传算子损害掉，同时也淘汰掉了那些在遗传和进化过程中适应度值低的个体，从而推进了整个生物群体的进化素质，从根本上确保了遗传算法的整体收敛性能。
2.基于模拟退火算法的土木工程结构传感器优化布置
模拟退火算法，顾名思义，是模拟自然界中固体加热后缓慢冷却直到温度降到一个稳定的低值的过程，这个过程叫做退火。这里若要进行模拟退火，应该经历两个阶段，首先是溶解阶段，它对应于系统的熵值增大的过程，在这个过程中系统的能量会伴随着物体温度的升高而增大。第二个阶段是冷却阶段，它对应于系统的熵值减小的过程，在这个过程中系统的能量会伴随着物体温度的降低而减小直至最小值。需要注意的是，这里在模拟退火的时候，冷却阶段不可以急剧地降温，否则会导致淬火效应的发生，所谓淬火效应就是固体物质在凝结过程结束之后处于非均匀的亚稳态状态，从而不能保证系统的能量值趋于最小。在进行模拟退火的过程中，人们应该依据 Boltzmann 有序性原理并且遵循自由能减少定律，该定律可以简单描述为，在一个温度不变的密闭系统中进行物质与周围环境的热量交换时，系统总是自发地朝着自由能减小的方向进行，并且系统能够达到平衡状态的时刻总是在自由能达到最小值的时候。模拟退火算法作为众多随机类优化算法中的一种，模拟的研究对象是具有较大内能的高温物体，模拟的过程是物质内部的粒子逐渐趋于有序的退火过程，包括在不同的温度点达到平衡态直至常温时的基态的过程，当物质内部的粒子达到基态时内能处于最小值。
3.基于模拟退火遗传算法的土木工程结构传感器优化布置
前面两节阐述了遗传算法和模拟退火算法作为两种随机类优化算法，均可以对不同的土木工程结构进行传感器优化布置，其优化方案也具有很强的可操作性，但是一些实践表明，遗传算法虽然具有良好的全局搜索能力，但容易产生早熟现象，局部寻优能力较差，占用内存较大导致时间成本增大等问题；模拟退火算法则采用Metropolis准则避免了陷入局部最优解，但是其缺点是全局搜索能力较差、收敛速度慢等。因此，这里考虑将两种算法进行适当的结合，发挥各自的优点，尽量克服自身缺点，这样能会得到更令人满意的结果。这里将传统的模拟退火算法进行改造，让其作为一个独立的算子置于遗传算法的进化过程中，通过模拟退火增强手段进行传感器的优化布置研究。
这里需要确定传感器优化方案的相关参数：
（1）模态选择：3.1.5中提到，结构的低阶模态具有较大的振型参与系数，这里仍选择前6阶进行监测。
（2）拟安装传感器数目：需运行相关程序，得到MAC非对角元最大值与测点数目的关系曲线图后确定。
（3）初始种群数目：即模拟退火种群大小，经过多次调试设定为10。
（4）模拟代数：设定为100。
（5）初始温度t0：经调试确定为0.7。
（6）退火次数L：设定为50。
（7）衰减系数α：此处由反复调试后取0.99。
（8）产生新候选解的概率pm：取0.1。
在MATLAB软件中编程运行得到MAC矩阵非对角元最大值随着测点数目的增加而变化的情况。从图中可以看出，MAC非对角元最大值随着测点数目的增加逐渐减小；同时随着测点数目不断增加，MAC非对角元最大值略有起伏，总体是逐渐减小的走势。通过图中坐标数据可以看出，当测点数目达到12个的时候，MAC非对角元最大值已经达到0.0943；测点数目为17时，MAC非对角元最大值为0.08404；测点数目为21时，MAC非对角元最大值为0.07231，说明本模型在模拟退火遗传算法下的收敛性较好。考虑到经济因素方面，只需安装12个传感器就可以满足技术要求，这也再次正体现了传感器优化布置的意义所在。
结语：将遗传算法和模拟退火算法进行结合，把模拟退火算法作為一个独立算子嵌入到遗传算法中，得到的传感器优化布置结果表明，该方法也可以达到优化布置目标，并且大大减少了运行时间成本。所以在现代智能算法背景下，能够利用一些现金的方法不断对土木工程结构传感器进行优化。
参考文献：
[1]王宇，刘永军，宋岩升.基于“卓越工程师”计划的土木工程专业结构力学课程教学改革与实践[J].教育现代化，2017（05）：23-25.
[2]王明振，高霖.“新工科”背景下3D打印技术在“土木工程结构实验”课程教学中的应用[J].教育现代化，2018，v.5（23）：208-212+229.
转载注明来源:https://www.xzbu.com/1/view-14719501.htm
