白云腾,王晓明,录哲元,张嘉鼎
(1.长安大学 桥梁工程研究所,陕西 西安 710064;2.长安大学 旧桥检测与加固技术交通行业重点实验室,陕西 西安 710064;3.黄河勘测规划设计研究院有限公司,河南 郑州 450003;4.中交第二公路工程局有限公司,陕西 西安 710065)
相比于传统预应力混凝土连续刚构桥,波形钢腹板连续刚构桥采用波形钢腹板来代替混凝土,大大减轻了结构自重,避免了腹板开裂问题,显著增加了桥梁的跨越能力[1-2]。然而,在波形钢腹板连续刚构桥悬臂拼装施工过程中,由于波形钢腹板的剪切刚度远小于混凝土腹板,波形钢腹板的剪切变形将导致主梁挠度增加,甚至导致螺栓孔错位[3-4]。对于螺栓孔错位这种悬臂拼装施工易出现的典型问题,现场往往采用重新冲孔的粗糙措施,导致悬臂拼装施工过程中螺栓孔错位所引起并加剧的局部结构应力扰动和力流传递时空变异性无法得到充分反映,严重制约了结构损伤早期预警准确性的提升。
从监测和评估的需求看,响应分析方法的时延越短就越有利,长的时延有可能会产生非常严重的稳定性问题;在线评估过程中,更是要求具备快速反应能力。机器学习方法为该难题的解决提供了新思路[5]:经过训练的机器学习模型可以基于复杂输入快速映射结果,实现结构响应的快速分析。
本文在研究传统BP神经网络[6]的基础上,提出了基于MEC-BP神经网络的挠度预测方法。采用思维进化算法(Mind Evolutionary Computation,MEC)来提高BP神经网络的预测精度和训练效率[7]。该方法特别适用于解决桥梁结构响应的快速分析与预测问题。
桥梁的传统施工控制采用人工监控的方式,存在监测效率较低、灵活性较差以及检测结果人为因素影响较大等一系列问题。为解决人工监控存在的诸多问题,实现桥梁施工的智能化控制,研究人员开发了多种自动提取及分析现场信息的施工控制系统[8]。现有智能化施工控制的方法主要有两类:第一类是基于物联网技术的智能施工控制系统[9],基于物联网的系统以目标物体为监测对象,依靠电子传感器,通过不断收集传感器的信息来分析对象的状态,包括速度、加速度和方向等;第二类是基于计算机视觉技术的智能施工控制系统[10],依靠普通摄像机或深度摄像机获取视频,并使用计算机视觉算法进行分析,从而获取信息[11]。
本文结合梁渠沟大桥悬臂拼装施工过程的智能化控制需求,建立了基于可视化管控系统和MEC-BP神经网络的智能化施工控制系统。本文通过三维实体有限元模型进行悬臂拼装施工过程分析,考虑了剪切变形对主梁线形的影响;通过灵敏度分析确定了影响主梁线形的关键参数,进而构建了基于MEC-BP神经网络的主梁挠度预测模型,实现了波形钢腹板连续刚构桥主梁线形的快速分析;结合MEC-BP挠度预测模型和可视化管控系统,建立了智能化施工控制系统,实现了梁渠沟大桥悬臂拼装施工过程的智能施工控制。上述方法在梁渠沟大桥的建造过程中得到了有效的应用与验证。
基于物联网的系统以目标物体为监测对象,通过持续收集电子传感器的信息分析监测对象的状态,包括位移、速度和加速度等[9]。其系统框架如图1所示,主要包括以下4个步骤:
图1 基于物联网技术的智能施工控制系统
(1)数据采集。通过采集不同数据参数、部署实时荷载、位移、应力、应变、加速度等力学传感器、温/湿度等环境传感器及视频监控等构成监控网络,由底层的传感网络层进行数据采集。
(2)数据汇聚。传感器采集的数据较为分散,需将采集的数据汇聚到传输汇聚层。
(3)数据分析处理。汇聚后的数据通过多种无线技术将传感器信息实时传输到桥梁实时监测平台并进行数据分析和处理。
(4)实时监测预警。经过分析处理的数据送达业务应用层,从而实现对桥梁安全状况进行实时监测预警、分析、评估以及对高危桥梁及时地发出危险警告,对桥梁施工安全具有重大意义。
基于计算机视觉技术的智能化施工控制系统具体指通过相机获得图像或视频,由计算机代替人眼对目标进行图像识别、运动跟踪、场景重建、图像恢复、图像测量等任务处理,进一步通过理解图像来获取其中包含的信息和知识。基于计算机视觉技术的桥梁智能化施工控制主要从结构振动视频中获取结构位移参数,参数获取过程一般分为以下4个步骤(图2)[12]:
图2 计算机视觉位移测量的一般步骤
(1)相机标定。标定相机,计算出图像坐标系与真实坐标系间的几何转换关系,找出图像中像素块在真实坐标系中所代表的实际长度。
(2)特征提取。从图像中选取测量目标作为图像子区域,提取子区域特征,特征提取对象可以是结构自身纹理特征,也可以是人为添加的标志特征,不同特征对象对应的追踪算法也有所不同。
(3)视觉跟踪。采用视觉跟踪算法对既定目标进行跟踪,并在每帧图像中更新既定目标的位置,从而获得既定目标的位置信息。
(4)坐标变换和位移计算。通过对每帧图像中目标的位置变化进行比较分析,得到既定目标在图像坐标系中的位移,在此基础上,结合相机标定信息,从而得到既定目标在实际坐标系中的位移。
2.1.1 BP神经网络
BP神经网络[13](BPNN)是一种具有反向传播学习算法的多层前馈网络。BP神经网络可以通过建立一个数学模型来描述输入与输出之间的映射关系。
BP神经网络主要分为3层:输入层、隐含层和输出层,其结构形式如图3所示。假设输入层、隐含层、输出层的神经元个数分别为n、m、k,则该神经网络的输出O如式(1)所示。
图3 BP神经网络
O=Ψ[Vφ(wX-θ)-θ′]=
(1)
误差函数E为
(2)
式中:S为所有样本数量;T为归一化后的输出目标值。
BP神经网络具有较强的非线性处理能力。然而,BP神经网络仍然存在一些明显的缺点,包括收敛速度慢、局部最优和学习速度不稳定[14]。因此,本文将采用MEC算法对BP神经网络进行优化,提出了基于MEC-BP神经网络的波形钢腹板连续刚构桥挠度预测方法。
2.1.2 MEC算法
MEC算法[15]是一种基于群体搜索、模拟人类思维过程的优化算法,该算法提出采用“趋同”与“异化”来替代遗传算法中的“交叉”与“复制”。MEC算法系统框架如图4所示。
图4 思维进化算法
MEC算法的优化过程为:
(1)初始化种群。随机生成一定数量的初始种群群体。根据得分,在若干个得分最高的个体周围生成优胜子种群和临时子种群。
(2)趋同(局部竞争)。在每一子群体内找到得分最高的个体作为获胜者,根据正态分布将所有个体分散在获胜者周围,并根据重复计算的分数生成新的获胜者。当获胜者没有变化时,该组可以被视为优胜子种群,获胜者的分数将代表该组的分数。
(3)异化(全局竞争)。比较临时子种群与优胜子种群的得分,如果临时子种群的得分高于优胜子种群,则优胜子种群将会被替代。相反,则临时子种群将被丢弃,并随机生成一个新的临时子种群。
(4)重复上述步骤,当最优胜者的得分得不到进一步的改善时,则认为是最优子种群。
2.1.3 MEC-BP框架
根据第2.1.2节所述算法对BP神经网络权值和阀值进行优化,进而提高BP神经网络的预测精度,建立用于波形钢腹板连续刚构桥悬臂拼装施工过程结构响应的快速预测模型(MEC-BP挠度预测模型),模型框架如图5所示,具体流程为:
图5 基于MEC-BP神经网络的挠度预测模型框架
(1)确定预测目标并建立有限元模型,通过敏感性分析获得关键参数,通过抽样获得输入样本,经过有限元分析得到对应的输出样本,从而获得训练样本和测试样本。
(2)确定BP神经网络的结构参数,如神经元数量、种群大小等。
(3)利用MEC进行神经网络的参数优化,通过MEC进行反复的“趋同”“异化”操作,直到满足收敛条件获得最优权值和阈值。
(4)采用最优权值、阈值进行BP神经网络的训练与测试,直到满足误差要求,获得挠度预测模型。
本文基于波形钢腹板连续刚构桥悬臂拼装施工过程的智能化施工控制需求,开发了一套可视化管控系统,同时建立了电脑端和手机端的操作界面,如图6~8所示,便于施工管理人员进行操作分析。该管控系统可实现施工信息的实时监测与修正,并将其以图形化的方式进行呈现,大幅提高了桥梁建造过程中的沟通效率。
图6 可视化管控系统
图7 可视化管控系统(手机端APP)
图8 线形数据的可视化
在本文开发的可视化管控系统的基础上,进一步建立了桥梁预警指标体系(表1),并将其与提出的MEC-BP神经网络预测模型进行结合,实现波形钢腹板连续刚构桥悬臂拼装施工过程的智能施工控制。
表1 桥梁预警指标体系
梁渠沟大桥是一座波形钢腹板连续刚构桥,其主桥全长430 m(75 m+2×140 m +75 m),顶板宽12.65 m,底板宽6.65 m,梁高3.5~8.5 m;主桥桥墩采用空心薄壁墩。主梁顶、底板采用C60混凝土,腹板采用Q345qDNH耐候钢。主桥结构参数如图9(a)所示,其中DX表示单向活动支座。腹板剪切变形对波形钢腹板连续刚构桥的线形影响较大,故采用可考虑剪切变形的ANSYS实体-壳单元模型进行施工阶段分析,具体建模参数如图9(b)所示,其中t为腹板厚度。
图9 梁渠沟大桥工程概况及有限元模型
主桥采用悬臂对称施工,如图10所示。各节段施工时先进行波形钢腹板的定位安装,再进行顶底板混凝土的浇筑。
图10 施工工序
3.2.1 参数敏感性分析
为了降低MEC-BP模型的计算量并提高计算效率,本文通过灵敏度分析来确定不同参数对于结构线形的重要性。在本研究中,初步选择了对主梁挠度影响较大的8个参数进行灵敏度分析,包括混凝土弹性模量Ec、钢材弹性模量Es、混凝土重度γc、钢材重度γs、张拉控制应力σ、系统温度T′、均布荷载P、节段与悬臂长度之比d/L。除了确定性参数d/L之外,其他参数均会受到施工环境的较大影响,故视为随机变量。根据规范[16],本文将考虑表2中的所有随机变量。
表2 随机变量
本文采用正交试验分析的方法进行参数敏感性分析,进而确定影响主梁施工线形的参数敏感性。试验假设各随机变量相互独立,并采用极差值Rj作为灵敏度指标来评价正交试验分析结果。
Rj=max{K1j,K2j,…,Kij}-min{K1j,K2j,…,Kij}
(3)
(4)
式中:Kij为参数j在i水平下的平均值;N为参数j在i水平下的测试数量;Yk为第k个响应值。
极差值Rj的计算结果如图11所示。从图11可以看出:σ、γc、Ec、Es、γs对主梁线形的影响较大,是重要参数;相比之下,T和P对主梁线形的影响无关紧要,可以忽略不计。因此,MEC-BP挠度预测模型的输入参数确定为σ、γc、Ec、Es、γs,输出参数确定为现浇段的挠度值DZ。
图11 敏感性分析结果
3.2.2 代理模型评价
经过试算得出,当MEC种群大小M=400时,优胜子种群个数与临时子种群个数均为5,子种群大小为40。
为有效评价代理模型的预测精度,本文采用样本的相对误差Err[式(5)]进行拟合精度评估。
(5)
式中:ti和Oi分别为样本i的有限元分析值和代理模型预测值。
波形钢腹板连续刚构桥在施工初期,由于结构刚度较大,参数变化对主梁线形的影响并不明显,故本文从4号块开始积累训练样本,从6号块开始预测主梁线形。本文通过拉丁超立方抽样及有限元分析获得300个训练样本和50个测试样本,测试结果如图12所示。
图12 测试结果
从图12可以看出,MEC-BP模型的预测值与有限元模拟值之间的相对误差均小于5%,远小于BP模型的测试误差,充分体现了MEC-BP挠度预测模型的预测精度,可以较好地用于波形钢腹板连续刚构桥悬臂拼装施工的实时控制系统。
3.2.3 预测结果对比
训练好的MEC-BP预测模型被用于梁渠沟大桥的主梁挠度预测,预测结果与现场实测值对比如图13~15所示。
图13 4号墩悬臂梁挠度变化
图14 5号墩悬臂梁挠度变化
图15 6号墩悬臂梁挠度变化
可以看出,有限元计算的主梁挠度值与MEC-BP模型的预测值基本一致,现场测试值与预测值之间的最大绝对误差为1.8 mm,最大相对误差为6.66%,尽管相对误差超过了工程领域的通用标准(5%),但两种值之间的差异仍然满足规范[17]的要求。与此同时,考虑到桥梁施工的复杂环境和神经网络的效率,这种精度水平可被视为可接受的挠度控制范围。
预测结果对比如图16所示。可以看出,通过基于MEC-BP神经网络的挠度预测模型取得了良好的应用效果,挠度预测差值与实测差值拟合较好,符合误差变化规律,预测结果可以指导施工。
图16 预测结果对比
施工控制模块可实现波形钢腹板连续刚构桥施工过程的分级预警,表3给出了智能施工控制的监测结果。从监测结果可以看出,施工过程中只有3个传感器测点出现了黄色预警,其余传感器均为正常工作状态。现场施工人员对出现黄色预警的指标进行了妥善处理,并最终取得了梁渠沟大桥悬臂拼装施工过程的圆满成功。
表3 智能施工控制监测结果
(1)敏感性分析结果表明:σ、γc、Ec、Es、γs对主梁线形的影响较大,是重要参数;相比之下,T和P主梁线形的影响较小,可以忽略不计。
(2)通过MEC-BP预测模型、BP预测模型和有限元模型的对比分析可知:MEC-BP预测模型的预测精度和效率均优于BP预测模型,MEC-BP预测模型可以很好地实现波形钢腹板连续刚构桥悬臂拼装施工过程结构响应的快速分析与预测。
(3)智能化施工控制结果表明:通过分级预警可实现波形钢腹板连续刚构桥悬臂拼装施工过程的智能化施工控制,助力梁渠沟大桥悬臂拼装施工过程的圆满成功。