1 引言
随着我国基础建设的快速发展， 越来越多的桥梁得以修建，并逐步投入使用。如何科学地了解运营中桥梁的健康状况，并实时地对桥梁进行养护和管理日益成为桥梁养管人员及专家关注和研究的热点。以斜拉桥为例，及时准确地了解桥索受力的变化情况，在斜拉桥的运营和维护过程中占有重要的地位。在对斜拉桥进行检测的过程中，首先将加速度传感器安装在斜拉索上，通过测定桥索振动的频率，根据公式（1）得到该桥索所受的拉力值。
式（1）中， 为弦单位长度的重量，L为斜拉索长度，g为重力加速度，rt是弦振动的阶数， 是第rt阶的自振频率。为了将测量过程中的外部影响减到最小，对全部桥索（一般为几百根）受力的测量，理论上必须在同一时间内完成。在实际情况下，这一点是很难做到的，而且在测量过程中，由于测量人员在技术上的差异性，以及在繁重工作下引发的疲劳性，必然会在检测结果中引入较大的人为误差。文章着重探求一种方法，根据桥梁测量的历史数据，通过构造相关模型，在桥索受力值（或其变化）之间建立映射关系。这样做的目的，是对部分斜拉索的索力进行测量，然后通过映射关系，得到其余桥索的受力情况。大家知道，根据结构理论，斜拉桥是一个高次超静定体系。当某一根斜拉索的受力情况发生变化时，其余斜索的受力状况必定发生相应变化。由于斜拉桥结构的复杂性，以及斜拉索分布的互异性等诸多原因，很难使用传统方法建立模型，来反映这种相对变化规律。人工神经网络是以人脑的微观网状结构为基础，通过大量神经元的复杂连接，采用自底向上的方法，通过自学习、自组织和非线性动力学所形成的并行分布方式来处理难于形式化的模式语言【】1。另外，人工神经网络的设计构造以实际数据为基础，不仅将环境因素直接融入到模型当中，而且对其感兴趣的数据具有信息处理的功能闭。基于以上特点，笔者认为人工神经网络对于该问题的处理将更为有效。2 建立桥索索力的人工神经网络模型鉴于人工神经网络的诸多优点，人工神经网络已广泛运用于模式识别与图像处理，控制和优化以及通信等诸多领域。在流行的神经网络模型中，BP模型是发展较为成熟的一种，文中将使用BP模型建立桥索受力之间的映射关系。
2．1 桥索索力的BP网络结构
该文建立的BP模型是一种多层前馈式神经网络，其结构分为三层：一个输入层，一个输出层和一个隐层，其中隐层节点采用sigmoid作用函数，输入、输出层节点均采用pureline作用函数。层间节点的连接使用全联接方式，并为每个连接赋予一定权值。其结构图如图1。其中，输入层节点数为实测桥索数目，输出层节点数为余下的桥索数目-； 因而，BP神经网络的输入层和输出层节点总数将与桥索总数相同，这样建模可以使索力值变化的相关情况直接从BP网络输入与输出的关系中得到；网络隐层节点个数为输入、输出层节点个数之和；网络学习策略采用监督式算法。
2．2 BP网络的训练
从斜拉桥测量的历史数据，得到用于BP网络权重调节的训练样本集．s={．s1，．sn }，其中N为样本集大小，且有ISil=桥索总数M。用I表示某一训练样本中作为BP网络输入元素构成的矢量，有I={x1,x2⋯ ，xn}；用 表示该训练样本中作为BP网、 络输出的元素构成的输出矢量，有 T={d1，d2，⋯ ，dm-p}BP网络的训练过程如下：
（1）隐层
用 Vj表示隐层节点J的输入，yj表示该节点的输出；输入层节点i和隐层节点j之间的连接权重用Wij表示， 并有以
下关系：
3 实验及分析
文章以长江上某座斜拉桥作为研究对象， 该桥为4塔及208根斜拉索组成的斜拉桥。笔者使用自行研制的数据采集系统，在不同时期采集了ll组索力数据，其中每一组数据由全部208根桥索索力组成。为了简化BP网络规模，并且突出研究重点，分别对这11组数据进行预处理：首先，根据桥索与水平夹角求出每根桥索索力的垂直分量，这样做主要是考虑到桥索在垂直方向上所受的力更为显著并且重要；其次，考虑到桥梁结构的对称性，对位于同一位置上的上、下游两根桥索的索力垂直分量求算术平均，用得到的均值作为该两根斜拉索索力的代表，这样做在保证模型合理性的前提下，有效地减少了数据的规模。于是，得到预处理后的11组数据，设为．S={S1,S2，⋯ ，Sn}，其中Si={di1,di2 ,di104且i=1，2，⋯ }，且i=1，2，⋯ ，11,S 中元素的编号顺序与桥索排列顺序一致。在构造BP网络的过程中，使用．S中的前八组数据作为B网络的训练样本集，用其余的三组数据组成测试样本集。对于第i组数据，选取奇数编号的项作为网络的输入矢量 =（di1，di3，⋯ ，di103}，偶数编号的项作为输出矢量Ti={di2,di4,...,di104}这样。BP网络的输入层和输出层节点数目恰好相等，并且皆为52。BP网络的测试结果见图3，图4和图5。
在图3，图4和图5中，横轴标注与BP网络的输出层各节点相对应；纵轴表示输出层各节点对应的索力值（对两条曲线归一化后，纵轴在【0，1】之间）。对于同一组测试样本数据，节点用小正方形代表的曲线是用BP网络映射得到的结果，节点用圆形代表的曲线表示对应桥索经实测得到的受力值。两条曲线的一致程度，反映了所构造BP模型的有效性。两条曲线越一致，就表明BP模型对真实情况的模拟更加准确。从测试结果来看，构造的BP网络的确可以对斜拉桥的桥索受力之间的关系有大致正确的反映。当然，也可以看到结果并不是“完全吻合”，这主要是因为BP网络的训练样本的数量有限，网络训练不够充分；另外，在网络结构参数的选取上，还有需要进一步改进的地方。这些将是笔者未来研究工作的
重点。
4 结论
在斜拉桥的检测过程中，对斜拉索受力情况的了解是重点之一。采用传统实测的方法，不仅要耗费巨大的人力、物力。而且可能会将人为误差引入测量数据中。为此该文在已有桥梁检测的历史数据的基础上， 使用人工神经网络方法构造BP模型，在斜拉索受力之间建立映射关系；在实际的桥梁检测过程中，只需要对部分桥索受力情况进行实地检测，通过BP模型的映射，就可以得到其余桥索受力值。通过实验，笔者认为人工神经网络方法在解决斜拉桥桥索受力检测问题上是相当有效的.
