1.引言
大跨度桥梁结构的分段施工,要经历一个长期而又复杂的施工过程以及结构体系转换过程[1]。随着施工阶段的推进,桥梁结构形式、荷载作用方式等都在不断变化。成桥结构受力状态是已经完成的各个工况或各个阶段受力状态叠加结果,因此,有必要通过施工控制掌握已完成阶段的结构受力性能,继而提供施工控制参数,保证后续施工的安全并保证最终成桥状态的结构受力性能及结构线形符合设计要求[2]。影响施工控制的因素众多[3],施工控制的首要任务是通过对结构实际反应信息的处理,求出符合实际结构的参数,确保施工的顺利进行。其中有的参数可以通过试验或直接量测的方法确定;而有的参数(如混凝土梁段自重、临时荷载大小及位置)与测量值之间的函数映射关系十分复杂,它们既不能通过直接量测方法,也难以通过试验的方法确定,只能通过一些控制理论的方法对它们进行分析,然后,将修正过的计算参数反馈到控制计算中去。现存的控制理论主要有影响矩阵识别法、最小二乘法、线性最小方差估计、小波估计、回归分析等。近年来,由于神经网络方法具有良好的记忆存储能力、联想能力,而且有良好的容错性和鲁棒性,所以广泛应用于桥梁的施工控制中[4-6]。本文基于MATLAB平台开发了桥梁施工控制神经网络预测立模标高程序。本文提出一种基于Elman神经网络的预测方法,该方法基于相关参数结果,并以重构的时间序列作为输入,采用Elman网络实现施工预测.仿真计算结果表明:该程序在学习训练后,能预测后续各节段的立模标高并具有良好的精度和鲁棒性。
2. Elman神经网络预测介绍
Elman神经网络是Elman于1990年提出的,该模型在前馈网络的隐含层中增加一个承接层,作为延时算子,以达到记忆的目的 [4].Elman神经网络一般分为4层:输入层、中间层(隐含层)、承接层和输出层.输入层的单元仅起信号传输作用,输出层单元起线性加权作用.隐含层单元的传递函数可采用线性或非线性函数,承接层又称为状态层,用来记忆隐含层单元前一时刻的输出值并返回给输入,可以认为是一个一步延时算子.为了提高Elman神经网络的稳定性,本文采用traindx作为训练函数,该函数为动量及自适应的梯度递减训练函数。以梯度下降动量学习函数Learngdm作为学习规则,利用神经元的输入和误差、权值或阈值的学习速率和动量常数,来计算权值或阈值的变化率。分别以tansig函数、purelin函数作为隐层节点传递函数和输出层传递函数.用训练样本集合对Elman网络模型的参数进行标定,包括隐层节点数量和权值.对于具有一个隐层的Elman网络.选择合适的隐层节点个数是Elman网络设计的重要因素.如果能够为Elman网络选择出最佳的隐层神经元个数,则会在保证预测精度的同时,减少Elman网络学习和再学习的时间.目前,尚无普遍适用的隐层节点确定方法,绝大部分的Elman网络都采用经验方法确定隐层节点数量. 根据桥梁所具有的混沌特性[4],确定Elman网络输入节点为5,输出节点为1,隐层节点数量由试算法确定.根据已有经验,初步设定隐层节点数范围为16~36,然后用测试样本集合对Elman网络模型进行测试,评价其预测的效果,选择出最优模型.
3. 桥梁结构分析
1.1 工程概况
忻州至阜平高速公路忻州至长城岭段是山西通向东部京津唐环渤海湾经济区的关键通道,是山西省高速公路网“人字骨架、二纵十一横十二环”总体规划中第三横的重要组成部分。滹沱河大桥19-30+40+70+40+9-30m预应力砼连续箱梁、上跨朔黄铁路和东坪公路。桥梁全长997.5m。连续梁桥是双线直曲线梁,线间距4.6m,最小半径4500 m。一联全长为237.4 m(含两侧梁端至边支座中心各0.7 m)。全桥共分59个梁段,中支点A0号块长度13 m,一般梁段长度分成3.0 m、3.5 m和4.0 m合拢段长2.0 m;边跨直线段长11.7 m。箱梁各控制截面梁高分别为:端支座处及边跨直线段和跨中处为4.5m,边跨直线段总长11.7 m(含梁端至边支座中心0.7 m),中支点处梁高7.5 m,平段长3.0 m,梁高按圆曲线变化。梁体采用纵向、横向、竖向三向预应力体系。
4. 神经网络技术在滹沱河大桥线梁桥施工控制中的应用
4.1 影响施工控制的因素众多,且有些参数根本得不到实测值,为解决施工控制中影响因素复杂和不确定性,本文将人工神经网络技术用于桥梁的施工控制中,确定推测后续阶段立模标高。
4.2 训练样本的生成
在桥梁施工中引起标高偏差的影响因素有很多,如果将所有因素予以考虑会增加分析的难度,且未必需要。在施工控制实践中,有些影响因素不符合实测值,由于施工进度的限制,本文部分数值采用理论计算值。为使计算简单,在神经网络模型中考虑以下因素:理论计算上混凝土的节段重量为W、该截面距墩顶中心的距离L、浇筑后下沉量、理论计算的张拉该节段预应力束产生的应力A,样本的期望输出取张拉后的下沉量。elman网络的输入矢量为P=(节段质量, 理论张拉应力, 理论截面距墩顶中心距离, 浇筑前后标高变化量,理论张拉前后标高变化量),目标矢量为T=(浇筑前后标高变化量),并根据网络数据值域要求对样本做归一化处理。如表1
表1
梁号 |
节段质量/kN |
理论张拉应力/Mpa |
理论截面距墩顶中心距离/m |
浇筑前后标高变化量/mm |
理论张拉前后标高变化量/mm |
5 |
1406.1 |
-0.384 |
42 |
-3.605 |
0.8584 |
6 |
1566.6 |
-0.294 |
47 |
-6.132 |
-0.8030 |
7 |
1531.6 |
-0.306 |
51 |
-0.842 |
-2.1690 |
8 |
1426.2 |
-0.415 |
55 |
-11.670 |
-2.6950 |
9 |
1330.6 |
-0.427 |
59 |
-14.980 |
-4.0760 |
10 |
1325.0 |
-0.435 |
63 |
-19.990 |
-7.0070 |
5.结 论
本文从工程实际出发,结合连续梁桥的施工控制实例,对大跨桥梁施工控制过程中的结构仿真模拟计算、参数的测量与分析状态的预测(神经网络在施工控制中的应用)等几方面进行了深入的研究,主要结论如下:整个施工过程中,梁体出现的最大压应力为11.2 MPa,最大拉应力为-0.652 MPa;在成桥后,全桥不出现拉应力。施工阶段应力均在规范允许范围内。全桥合拢时,各重要截面应力都有很大的变化,各节点的挠度变化也比较明显。因此,在合拢阶段,监测的时间间隔应缩短。合拢时应实时监测,及时提供可靠数据,保证合拢顺利进行。基于MATLAB平台,编制的elman神经网络预测立模标高的程序,在学习训练后,能预测后续各节段的立模标高并具有良好的记忆、存储能力和鲁棒性。
6..参考文献
[1] 胡志坚.基于AI的RC梁桥技术状态评估专家系统研究(博士学位论文)[D].上海:同济大学,2006.
[2] 阎平凡,张长水.人工神经网络与模拟进化计算[M].北京:清华大学出版社,2000。
[3]徐君兰.大跨度桥梁施工控制[M] 北京: 人民交通出版社,2000.
[4]焦李成.神经网络系统理论[M].西安:西安电子科技大学出版社,1990.
期刊VIP网,您身边的高端学术顾问
文章名称:
基于elman神经网络的大跨度桥梁线形控制
文章地址:
http://www.qikanvip.com/luqiaojianshe/2564.html