[发明专利]一种基于声发射参数与遗传算法优化BP神经网络的钢筋混凝土梁损伤状态识别方法

权利要求书

1.一种基于声发射参数与遗传算法优化BP神经网络的钢筋混凝土梁损伤状态识别方法，其特征在于，包括以下步骤：

步骤1)将钢筋混凝土梁作为实验对象，采集构件在四点弯曲分级加载作用下的声发射信号，直至混凝土材料碎裂；

步骤2)根据声发射参数中的幅值计算出b_a值，b_a值为改进优化的声发射b值；

步骤3)根据b_a值与能量的变化，将钢筋混凝土梁损伤破坏阶段分为四个阶段，分别为原始孔隙压密阶段、微裂纹萌发阶段、宏观裂纹产生阶段、最终破坏阶段；

步骤4)通过声发射参数中的幅值、持续时间、上升时间、振铃计数、撞击数、能量、有效值电压、平均信号电平共八个特征参数，并依据步骤3)中四个损伤破坏阶段对声发射事件参数进行人工分类，分别记作1、2、3、4，作为BP神经网络的输入样本；

步骤5)为了便于计算，对输入样本中八个声发射事件特征参数进行归一化处理；

步骤6)选择BP神经网络中合适的隐含层层数、隐含层节点数、激励函数、学习速率；

步骤7)BP神经网络的输出层节点数为4，即对应钢筋混凝土梁的四个损伤破坏阶段，并采用二进制编码表示，若样本属于第一阶段则表示为[1,0,0,0]，第二阶段则表示为[0,1,0,0]，第三阶段则表示为[0,0,1,0]，第四阶段则表示为[0,0,0,1]；

步骤8)遗传算法参数初始化，选择合适的最大进化代数、种群规模、交叉概率、变异概率，计算适应度值；

步骤9)将遗传算法迭代求解出最佳的初始阈值和权值赋予BP神经网络，进行BP神经网络训练。

2.根据权利要求1所述的一种基于声发射参数与遗传算法优化BP神经网络的钢筋混凝土梁损伤状态识别方法，其特征在于，步骤2)的具体步骤为：

根据改写的G-R公式：

式中，a为经验常数；b为拟合直线的斜率，即“声发射b值”；

利用最小二乘法：

式中，Δx为声发射事件分档间距；A_i为第i档的中数；将某时间窗内的声发射数据，根据幅值进行分组；A_dB/20作为横坐标，logN_M为纵坐标进行拟合，得出相应的a、b值；取所有a值的平均值作为固定值将带入线性函数利用各个时间窗中的数据重新进行最小二乘拟合，即可得到b_a值。

3.根据权利要求2所述的一种基于声发射参数与遗传算法优化BP神经网络的钢筋混凝土梁损伤状态识别方法，其特征在于，步骤3)的具体步骤为：

归一化函数方程为：

式中，x_k，_n是归一化处理之后的序列元素；x_k是归一化处理之前的序列元素；x_min为所在数据序列中的最小值；x_max为所在数据序列中的最大值。

4.根据权利要求3所述的一种基于声发射参数与遗传算法优化BP神经网络的钢筋混凝土梁损伤状态识别方法，其特征在于，步骤6)中选择合适的隐含层层数、隐含层节点数、激励函数、学习速率，具体步骤：

步骤6.1)隐含层层数为一或二层；

步骤6.2)隐含层节点数对于BP神经网络的输出有直接影响，即影响识别效果及识别效率；若隐含层节点数过少，网络会出现欠拟合、误差大的情况；若隐含层节点数过多，网络训练时间过长，甚至会出现“过拟合”的现象而导致误差增大；对于一层隐含层BP神经网络通过如下的经验公式来选择隐含层节点数：

式中，n为输入层节点数；l为隐含层节点数；m为输出层节点数；c为0～10之间的常数；

步骤6.3)隐含层激励函数选择Sigmoid函数，表达式如下：

式中，e为自然底数；

步骤6.4)学习速率决定模型前向传递数据和反向传播误差过程的权值调整量；学习速率较小会导致网络收敛慢，但能确保BP神经网络训练误差小；而学习速率较大会导致模型的不稳定，所以选择的区间为[0.01，0.8]。