搜索
基于神经网络方法的混凝土裂缝控制专家系统的浅析○张娟李兴贵(河海大学材料工程系南京210098)【摘要】本文利用Matlab的神经网络工具箱在基于神经网络作为裂缝专家系统的一个辅助设计手段．进行了混凝土裂缝控制及分析专家系统的开发。阐述了这个系统的设计思路，总体结构，神经网络的具体实现等内容，并通过计算机模拟进行了可行性的验证，从而得到一些有益的结论帮助我们指导我们的实践工作。【关键词】混凝土裂缝；专家系统；神经网络；MATLABResearchonDiagnosisExpertSystemofCrackControlinMassConcretebasedonNeuralNetworkZhangJuan,LiXinggui(DepartmentofMaterialEngineering,HohaiUniv.,Nanjing210098,China)Abstract:ThisarticleusetheneuralnetworktoolofMatlabtoresearchondiagnosisexpertsystemofcrackcontrolinmassconcrete.Thesystem’sdesignthought,basicstructure,andtheimplementofneuralnetworkmodelaredescribedinthispaper.Alsoweresearchthepossibilityofthesystembymeansofcomputersimulating.Fromtheabovestudy,wecangetsomeusefulconclusionstodirectourpracticalwork.Keywords:CrackofConcrete;ExpertSystem;NeuralNetwork;MATLAB1引言我国目前的土木建筑工程中,混凝土结构占主导地位,而结构物的裂缝是一个带有普遍性的技术问题.从近代固体理论的发展中也可以看出,裂缝是固体材料中的某种不连续现象,裂缝的扩展是结构物破坏的初始阶段,而且有不少结构物由于有害裂缝的出现,给社会和人民生活带来诸多危害.所以,人们经常把裂缝视作结构物濒临危险状态的征兆.但是,又有许多工程实践表明,有些裂缝是无害的,或者其害处是可为人类所能控制的.所以,裂缝的调查与处理是混凝土工程实践中具有现实意义的专门技术课题，国内外的一些专家学者在这方面积累了比较丰富的经验。这些经验和知识很难用精确的数据和公式表示出来。本文通过裂缝专家系统的设计，利用PROLOG这个一种强大的逻辑设计程序语言结合MATLAB人工神经网络特有的自学习功能，克服了传统的人工智能在这方面的不足，将神经网络与其他传统方法相结合，用MATLAB语言构造典型神经网络的激活函数，编写各种网络设计与训练的子程序，我们可以根据自己的需要去调用工具箱中有关神经网络设计的训练程序，是自己从繁琐的编程中解脱出来。2专家系统(ExpertSystem,ES)的结构ES的基本结构包括用户接口（UI）、知识库（KB）、推理机（IE|）,数据库（DB），其中UI是一个接口界面，完成人与计算机的交互工作，它是选择的一个1／O功能，而且可以通过它来管理和维护KB和DB；DB用来存储一些用于推理的原始数据，例如各种原材料和一些经验的配比数据以及用户输入的数据、推理机产生的中间结果或最终结果；KB用于存放混凝土学科领域的专门知识，包括事实和规则等,知识在形成知识库前必需进行编码处理以使计算机能存储和使用；根据一些事实，IE能通过知识库中的知识进行推理，在适当的推理方法和领域理论的控制下，推理出中间结论或最终结论。研究,为裂缝控制ES的实际运用提供了有益的理论依据.专家系统将大量的输入数据进行分析，对一些控制因素多的复杂问题，有着很大的优势。然而,传统的ES应用于裂缝控制领域时,存在着以下几个问题：l)ES获取知识时,是由知识工程师将工程领域中的知识与经验基于IF－THEN规则建立起来的,这样为保证系统决策的正确性.一方面必须建立大量的规则,另一方面又需要知识工程师必须对工程问题有其种程度的了解,对于复杂的工程问题来说,这两方面都是比较困难的。2)知识库知识的增加、修改必须借助于知识工程师,而随着裂缝控制技术的发展以及新型混凝土的不断出现，如果系统没有根据外界信息进行自学习的功能,这无法适应那么这个系统就不能够使用。3)进行推理时,ES模型库对于复杂的工程问题必须建立复杂的模型,系统推理过程的复杂性显然不利于工程的实时诊断.为解决以上问题,我们建立了基于神经网络方法的大体积混凝土裂缝控制专家系统的框架结构.3基于神经网络的大体积混凝土裂缝控制专家系统的理论模式3.1结构设计的总体思路作为辅助技术人员决策的手段，必须具有准完备性、记忆性、自学习性、易用性等特点，具体说明如下：准完备性：在一定时间、范围内对外部输入的样本能够准确反映与其相应的裂缝类型、修补方案等结果。记忆性：对输入的样本数据具有存储功能，可随时调用、类比、验证。自学习性：随着外部信息的增加，系统能像工程专家那样,不断总给经验,对其已有知识进行优化.易用性：对用户具有友好的界面，系统易于移植.根据上述特性设计出的ES已在应用上具有通用性,能够有效地辅助技术人员诊断及进行工程管理,在技术上克服了基于规则的知识库自学习能力差的弱点。神经网络正是解决这个问题的工具，它可以模拟生物神经网络，具有高度并行性，可以多大量的输入信息进行并行处理。有良好的容错能力和联想记忆功能。最主要它还有很强的自适应和学习功能，可以是系统不多优化。3.2基于神经网络方法的ES系统框架结构根据上述系统设计的总体思路，我们建立了基于神经网络方法的ES的系统框架结构（如图1所示）。图1基于神经网络方法的ES的系统框架结构由图1可见，此系统结构主要由数据库、神经网络知识库、神经网络自学习模块、主控模块、人机接口模块等组成。根据裂缝诊断的特点，这个网络主要在与专家知识库的构建及与其相连的神经网络自学习功能的设计上。而其他模块如数据库、模型库，在设计上类似于传统的ES。主控模块负责合理调用其它几个模块。其间的信息流动主要是控制流和数据流。3.3基于神经网络的控制专家系统的具体实现专家系统可利用C与PROLOG等高级语言的混合编程来具体实现。本文我们利用MATLAB的神经网络工具箱和C++联合起来编程。MATLAB是以复数矩阵作为基本编程单元的一类解释型程序设计语言，它提供了各种矩阵的运算和操作，同时还具有功能强大的工具箱。这些工具箱为使用MATLAB的不同领域的远距人员提供了捷径。同时它是一个高度集成的语言环境，在它的界面下可以编写程序，运行程序并跟踪调试。但也有它的局限性，在它上面开发的程序不能脱离MATLAB运行环境，在处理具体问题时不够灵活。我们可以用C++和它相补充。同时MATLAB和C语言之间语句相互调用也是很方便的，有效的结合这两种工具混合编写专家系统。该系统应具有上面所描述的ES的特性。整个系统的具体实现分为以下几个步骤：1）X的输入和整理——本系统启动后，首先用户输入有关的设计和施工数据，如结构尺寸、混凝土强度等级、主筋和构造筋的直径和间距等设计参数以及水泥品种、配合比、浇灌、养护、地基情况，环境条件等施工参数]1[。还要输入有关裂缝的数据Xi（x1i，x2i，…xin），其中xij是指第i个样本的第j个属性的输入监测转换值，包括：数据库1．原始样本数据2．诊断分类方案3．诊断分类方案的修补方法神经网络知识集1．分类节点集2．Marlab中反映知识规则的权重集，学习规则．3．阈值控制推理器1．控制流2．数据流人机接口用户样本信息1．专家经验2．理论知识(1)裂缝现状(形式、宽度、长度，裂缝是否贯通，缝内有无异物等)(2)是否影响使用(漏水、钢筋锈蚀、外观损伤等)(3)裂缝发展情况(产生或发现时间，开展过程等)2）质量检查——大体积混凝土裂缝问题大都是因为施工的原因造成的，施工过程条件多变，影响因素众多。所以需要对各个因素逐一检查，包括建筑材料(配筋、水泥、外加剂、骨科)、施工方法(搅拌、挠筑、摄捣、养护；模板)及施工经、垫层等。检查的标准有些来源于施工规范，有些来源于工程实例的总结和专家经验。所以，该部分内容需要与专家密切配合，将有关知识进行整理，同时对于待施工的工程，根据其工程条件，提供一套施工参数，防止裂缝的产生]2[。3）训练神经网络，选择适合的函数对于神经网络进行训练。在这里可以用MATLAB神经网络工具箱中的BP神经网络。BP算法的前向人工神经网络由一个输入层、几个隐含层、一个输出层组成，层间以不同的权重连接，这种神经网络经过训练后能够从训练样本中学习输入——输出之间的映射关系，并以任意精度逼近任意函数。BP网络模型的结构如图1所示]3[。Y1Y2YiYm（大于等于一层）我们只要给出训练的目标误差，最大训练次数，合适的训练方法，在这里我们用BP网络做一个模拟。至于训练中的误差调整方法及具体操作等均包括在MATLAB工具箱中的函数trainbpm中。［W，B，epochs,errors］=trainbpm(W,B,‘F’,P,T,TP)W：权重矩阵B：偏差矩阵P：输入检测值矩阵Epochs：训练次数Errors：误差矩阵T：目标矩阵TP：参数4）输入大量的实践数据，对程序进行验证。输入层输出层隐含层………………X1X2X3Xn图2BP网络模型Fig.2BPneuralnetworkmodel４结论通过以上对基于神经网络方法的ES的研究，我们得到如下结论：l）MATLAB中的神经网络工具箱应用于诊断决策将有助于ES性能的改善，使得辅助决策工具更接近于人类本身的思维模式，这也是现代科学技术应用研究的必然发展趋势。2)在神经网络中我们可以改变神经元的个数、层数，更改输出的神经元的个数，不断的丰富专家系统，通过神经网络的自学习功能不断的完善这个系统。3)在实践中，系统还需要大量的工程实践数据验证不断优化它，才能更好地发挥作用。参考文献[1]王铁梦.建筑物的裂缝控制(Ｍ),上海科技出版社1987.[2]王铁梦.工程结构裂缝控制(Ｍ)中国建工出版社1997.[3]飞思科技产品研发中心.MATLAB6.5辅助神经网络分析与设计.电子工业出版社2003.