深圳市建筑设计研究总院有限公司合肥分院 230000
摘要：随着社会经济的不断发展，我国的土木工程数量与规模开始逐渐的扩大，因而对于土木工程的监测也就有了更高的要求。在信息化时代背景下，我们可以通过运用人工智能方法来提升土木工程监测结果对的准确性与可靠性。人工智能方法的种类有很多，比如BP 神经网络、遗传算法、SOM 聚类网络、卷积深度学习方法等等，在进行土木工程监测的过程中，需要根据实际的工程情况与需求来选取适当的人工智能方法，这样才能发挥出人工智能的效用，从而提升监测效率与质量，为土木工程的进一步发展提供巨大助力。基于此，本文将结合实际工程，对人工智能方法在土木工程监测中的运用进行详细的分析，希望可以为相关从业人员提供一定的参考与借鉴。
关键词：人工智能方法；土木工程监测；运用
近些年来，计算机技术的不断发展，促使人工智能得到了实质性的飞跃。人工智能就是指运用计算机来模拟人类脑部思维感官的一种新式科学方法，其主要可以分为功能性的人脑模拟专家系统技术以及物理性的人脑模拟神经网络系统这两部分。土木工程的监测过程中是会存在大量计算机技术无法解决的问题的，这些问题需要由专家经过综合分析后才能给出解决对策，但是专家的分析验证过程是需要大量时间的，这会影响到土木工程的建设进度。因而就可以在此时运用人工智能方法来辅助土木工程的监测工作，从而在保证监测数据准确无误的情况下，可以极大的提升工程施工进度，保证土木工程的建设质量与效率。
1、工程监测数据
新干航电枢纽工程是一座以航运为主、兼顾发电等水资源综合利用的航电枢纽工程。其大体积混凝土选用 PO42．5级水泥，其 28 d 后的抗压强度为 51 MPa。由于大体积混凝土在成型过程中会产生较大的温度应力，从而会破坏整体结构的受力特性。因此，需要对浇筑过程中的混凝土进行温度监测。对九个监测点和空气温度的首次测温间隔时间为 7h，随后每隔 12 h 进行监测，监测设备及埋入点如图 1 所示。
2、人工智能方法
2.1 BP 神经网络
BP 神经网络是基于现代神经学研究成果的基础上所开发出来的一种人工智能方法。其主要是大量简单的非线性处理单元按照人工神经元运行方式进行连接，从而模拟人脑结构而形成的。BP 神经网络模型主要由三部分组成，分别是输入层、隐含层和输出层，其可以通过某种形式在隐含层及输入层之间进行输出误差的反传，因而该方法的应用范围是非常广的。想要为BP 神经网络的运用打造合理的环境，就需要先用MATLAB 工具箱中的newff 函数创建出一个网络，并对该网络的权值和阈值进行合理设置，再利用train 函数开展网络训练，进而实现 sim 函数预测数据的目的。
2.2 GA-BP 神经网络
遗传算法（Genetic algorithms）把自然界“优胜劣汰，适者生存”的生物进化原理引入优化参数形成的编码串联群体中，按照所选择的适应度函数并通过遗传中的选择、交叉和变异对个体进行筛选，使适应度值好的个体被保留，适应度差的个体被淘汰。在本工作中，用遗传算法来优化 BP 神经网络的初始权值和阈值，使优化后的 BP 神经网络能够更好地预测函数输出。其中适应度函数是遗传算法优化 BP 神经网络的核心元素，需建立如式（1）所示的数学模型：F = k[（n）∑（i = 1）abs（y i－ oi）]（1）。式中：n 为网络输出节点数；y i 为 BP 神经网络第 i 个节点的期望输出；o i 为第 i 个节点的预测输出；k 为系数。而其余要素均可调用 MATLAB 的遗传算法 goat 工具箱引用 gabpEval 函数；人为设置种群数目为 50、进化次数为100、交叉概率为 0.4、变异概率为 0.2。
.png)
图 1 新干航电枢纽工程大体积混凝土浇筑过程温度监测所用设备及埋入点
2.3 PSO-BP 神经网络
粒子群算法（Particle swarm optimization）同遗传算法类似，是一种基于迭代的优化算法。但是它没有 GA 遗传算法的交叉以及变异函数。同遗传算法比较，PSO 的优势在于简单易实现并且没有许多参数需要调整。在本工作中，PSO-BP 网络与 GA-BP 网络都需要通过建立适应度函数计算粒子适应度，再根据粒子适应度值寻找个体极值和群体极值。人为设定速 度更新参数为：c1 =1.494 45，c2=1.494 45；迭代次数为 300；种群规模为 30；并调用工具箱进行计算。
2.4 SOM 神经网络
SOM 是由输入层和竞争层组成的单层神经网络，输入层是一维的神经元，有n 个节点。竞争层是二维的神经元，按二维的形式排列成节点矩阵，有 M=m 2 个节点。输入层的神经元和竞争层的神经元都有权值连接，竞争层节点相互间也可能有局部连接。在 MATLAB 工具箱中为了实现 SOM 神经网络，首先采用 newsom 函数创立一个网络，其次设置权值和阈值用 train函数训练网络，最后用 sim 函数预测数据。
2.5卷积神经网络（CNN）
该算法通过多个串行的卷积层和池化层间隔排列的方式逐层学习数据特征，将提取出来的数据通过核函数输入隐层。隐层主要由交替重复的卷积层和池化层构成。因此，卷积神经网络迅速成为当前的研究热点。每个特征矩阵可以看作一个平面。不同平面对应不同的卷积核，计算方法如式（2）所示，在本工作中，通过调用MATLAB 的 deeplearning toolbox 工具箱进行仿真预测。Y 1= f{（1/K）∑X（l－1）+ B1}（2）。式中：l 表示层数，f 为激活函数，K 为卷积核，B 为偏置，X 为该层输入，Y 为该层输出。
2.6支持向量机网络（SVM）
支持向量机是一种新的机器学习方法，其根据统计学习理论采用结果风险最小化准则，提高了模型的泛化能力，且没有数据维数的限制。支持向量机的结构与神经网络的结构较为类似。在 MATLAB 中调用 libsvm 工具箱建立支持向量机网络：（1）用函数 svmtrain 创建一个 SVM 模型；（2）用根据已建立的 SVM 模型，函数 svmpredict 进行仿真预测。
2.7贝叶斯建模（PNN）
贝叶斯定理是根据与某事件相关的先验知识和新得到的信息来描述该事件发生的概率。贝叶斯定理可以基于概率论的思想对参数的误差进行考虑，其关于随机事件 A和 B 的数学表达如式（3）所示：p（A|B）={p（B|A）p（A）}/p（B）（3）。式中：A 和 B 分别为不同的随机事件，且事件 B 发生的概率不为零。其网络结构与 BP 神经网络相似，由输入层、隐含层、求和层和输出层组成。在 MATLAB 中用 newpnn 函数可以方便地设计。
3、结果与讨论
根据实测的大体积混凝土温度变化曲线，利用上述方法进行算法仿真可知，BP 神经网络算法计算出的结果比实测数据高，其最大误差在 10%左右，主要来源于其隐含层的不确定性和可能会陷入局部最优问题；而 GA-BP 和 PSO-BP 算法较 BP 算法的结果更为准确，其最大特点就是利用遗传算法试算确定了隐含层的个数，但这类算法有局限性，它只能有限提高原有 BP 神经网络的预测精度，并不能把预测误差较大的 BP 神经网络优化为能够准确预测的 BP 神经网络。尤其对一些因为样本数量少、样本分布不均匀而造成神经网络预测误差大的问题，优化后的网络预测能力一般不能得到明显提高；SOM 网络、SVM 网络和 CNN 网络所计算出的结果均比实测数据低，其在第 223 h 的误差分别为 4．3%、2．7%和 1．9%。SOM 模型的误差主要来源于需要预先给定网络单元数目及结构形状的限制；SVM 深刻网络在小样本情况时，能够得到最优解，但当训练数据逐渐增多时，其误差会逐渐增大；CNN 神经网络的计算结果与实测数据误差最小，计算过程中无需训练权重，但其计算耗时最长；PNN 算法在全时间段内，误差均在 2%以下。
结语：
综上所述，在土木工程检测中运用人工智能方法，将可以极大的提升监测效率与质量。为此，相关的工程检测人员就要对人工智能方法有一个准确的认知，并能够熟练的掌握所有人工智能方法，同时也要培养他们具有根据实际工程情况选取最佳人工智能方法的能力，这样才能将人工智能的效用全面的发挥来，从而保证土木工程监测变得更加简单与便捷。当然，由于人工智能方法的运用在我国还处于初始阶段，所以相关的研究者人员就不能放松对其研究力度，需要深入的对人工智能进行研究解读，从而才能推动土木工程行业的进一步发展与壮大。
参考文献：
[1]人工智能方法在土木工程监测中的运用[J].吕光东. 国际公关.2020（02）
[2]基于人工智能方法的复杂过程故障诊断技术[J].桂卫华，刘晓颖. 控制工程.2002（04）
[3]人工智能方法在信号处理中的有效应用[J].杨恒敏. 硅谷.2012（15）