一种复杂风险源下的混凝土桥梁悬臂施工风险评估方法与流程

本发明属于土木工程领域混凝土桥梁悬臂施工风险评估
技术领域：
，尤其涉及一种基于正交试验设计—bp神经网络—蒙特卡罗模拟的风险估计方法。
背景技术：
：复杂环境下的连续刚构桥悬臂施工存在着诸多风险。充分考虑连续刚构桥悬臂施工阶段的风险因素并建立适宜的风险概率计算方法，对保证施工安全意义重大。桥梁施工风险评估近些年来开始流行，不同类型的桥梁、不同形式的施工方法在进行风险评估时的准确性有一定的影响。目前基于遗传算法的风险评估方法结果较为准确，便于理解与推广。但是，对于混凝土桥梁在复杂风险源下的悬臂施工进行风险评估尚没有特别准确适用的方法。复杂危险源要求考虑多重风险因素，在桥梁悬臂施工的最大悬臂状态结构受力复杂，影响因素众多。技术实现要素：为了解决上述技术问题，本发明提供了一种基于正交试验设计—bp神经网络—蒙特卡罗模拟的风险估计方法，对复杂风险源下混凝土桥梁最大悬臂施工阶段的风险进行评估，得到更加准确的风险估计值，进行风险描述，指导桥梁悬臂施工与监测。本发明所采用的技术方案是：一种复杂风险源下的混凝土桥梁悬臂施工风险评估方法，其特征在于，包括以下步骤：步骤1：将复杂风险因素视为随机变量，确定随机变量及其概率分布，建立复杂风险因素下桥梁悬臂施工风险临界状态方程；步骤2：建立有限元模型，对随机变量进行样本设计；利用正交试验设计产生样本数据输入值，根据样本数据输入值，建立混凝土桥梁悬臂施工最大悬臂状态有限元模型；根据正交试验设计确定样本点个数，分为a组和b组，其中a组有a个样本，b组有b个样本；步骤3：将a组和b组样本代入有限元模型，计算样本数据理论输出值，构造bp神经网络训练样本与检验样本；步骤4：通过a组样本训练bp神经网络，使bp神经网络形成样本输入参量和输出参量间的非线性映射关系，b组样本检验bp神经网络，检验网络精度是否满足要求；步骤5：判断检验网络精度是否满足要求；若是，则执行下述步骤6；若否，则回转执行步骤2；步骤6：对随机变量进行n次抽样，神经网络仿真，得到n组响应值；步骤7：根据步骤1中的风险临界状态方程，获得风险发生次数为m，利用蒙特卡罗原理模拟随机抽样，求解具体复杂风险因素的风险概率pf：本发明的有益效果如下：本发明提出了对复杂风险源下的混凝土桥梁悬臂施工最大悬臂状态进行风险评估的方法，可以考虑多重复杂风险因素对桥梁悬臂施工的风险影响。确定桥梁悬臂施工阶段各主要风险因素以及其概率分布，通过正交试验设计方法形成各风险因素的样本数据点并进行有限元计算；将有限元计算得到的结果作为神经网络训练样本，训练神经网络形成相应输入与输出量的非线性高次映射关系；使用蒙特卡罗模拟对复杂风险因素下桥梁的风险概率进行求解，更加准确地对悬臂施工中的桥梁进行定量风险评估。附图说明图1为本发明实施例的流程图；图2为本发明实施例的bp神经网络计算流程图；图3为本发明实施例的神经网络训练学习示意图；图4为本发明实施例的混凝土连续刚构桥有限元仿真模型图；图5为本发明实施例的悬臂施工最大悬臂阶段有限元模型图；图6为本发明实施例的神经网络训练过程误差曲线图；图7为本发明实施例的神经网络训练样本输出值与有限元计算值对比图；图8为本发明实施例的检验样本输出值与有限元计算值对比图；图9为本发明实施例的跨中合拢段挠度误差范围图；具体实施方式为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。基于现有复杂风险源下混凝土桥梁悬臂施工风险评估方法中存在的不足，本发明提出一种桥梁悬臂施工风险评估方法。考虑桥梁悬臂施工中最大悬臂状态时复杂风险因素对结构的影响，以两最大悬臂端挠度误差作为风险控制变量，利用正交试验设计得到样本数据点，再通过有限元计算得到训练样本与检验样本；通过样本的学习，使bp神经网络形成样本输入与输出参量间的非线性映射关系，然后根据蒙特卡罗模拟进行随机抽样，求出具体风险事件的风险概率，并对风险进行描述分级，明确复杂风险因素对桥梁悬臂施工的不利影响。请见图1，本发明提供的一种复杂风险源下的混凝土桥梁悬臂施工风险评估方法，包括以下步骤：步骤1：将复杂风险因素视为随机变量，确定随机变量及其概率分布，建立复杂风险因素下桥梁悬臂施工风险临界状态方程；考虑库区桥梁在多因素复杂风险源下的风险评估，将设计因素、材料因素、施工管理因素以及外界因素纳入考虑范围，以悬臂施工两悬臂端间挠度误差风险分析为例。用x1、x2、……、xn表示n个复杂风险因素，并通过查阅文献以及概率统计的方式确定每个风险因素所服从的概率分布模型。则混凝土桥梁悬臂施工最大悬臂中跨合拢阶段两悬臂端的挠度误差风险临界状态方程可表示为：g(x)＝δr(x1,x2,…xn)-δl(x1,x2,…xn)其中δr与δl分别表示两侧主梁中跨合拢准备阶段的悬臂端挠度值，通过悬臂端挠度值之差与相应规范值的对比来判断桥梁悬臂施工的风险状态。步骤2：建立有限元模型，对随机变量进行样本设计；利用正交试验设计产生样本数据输入值，根据样本数据输入值，建立混凝土桥梁悬臂施工最大悬臂状态有限元模型；根据正交试验设计确定样本点个数，分为a组和b组，其中a组有a个样本，b组有b个样本；正交试验设计所用正交表如表1。表1正交表l9(34)表中的是正交表的记号l9(34)，等水平的正交表可用ln(rm)表示，其中l为正交表代号；n为试验次数；r为因素水平数；m为最多能安排的因素个数。步骤3：将a组和b组样本代入有限元模型，计算样本数据理论输出值，构造bp神经网络训练样本与检验样本；步骤4：通过a组样本训练bp神经网络，使bp神经网络形成样本输入参量和输出参量间的非线性映射关系，b组样本检验bp神经网络，检验网络精度是否满足要求；请见图2和图3，bp神经网络的具体训练检验步骤如下：步骤4.1：随机给定所有权系数的初始值，并对阈值设定初值；步骤4.2：整理输入样本数据p以及期望输出数据d；步骤4.3：正向演算计算实际输出o和网络误差e；步骤4.4：反向演算，调整所有权值；步骤4.5：判断误差是否满足要求步骤4.6：若误差不满足要求，则返回到步骤4.3重复，直至各样本的误差满足要求为止；若误差满足要求，则本流程结束。通过输入样本数据，得出风险结果近似值，通过误差分析，确定神经网络结果的可靠性。步骤5：判断检验网络精度是否满足要求；若是，则执行下述步骤6；若否，则回转执行步骤2；步骤6：对随机变量进行n次抽样，神经网络仿真，得到n组响应值；步骤7：根据步骤1中的风险临界状态方程，获得风险发生次数为m，利用蒙特卡罗原理模拟随机抽样，求解具体复杂风险因素的风险概率pf；根据各风险因素的概率分布规律，利用蒙特卡罗模拟对其进行随机抽样，通过训练后的bp神经网络对随机生成样本进行输出预测，将预测值代入风险临界状态方程进行计算，通过计算机大规模的模拟试验，确定风险发生频次。设一共进行n次试验，风险发生次数为m，则风险概率可以由下式近似表示：式中m表示挠度差超过规范允许范围的次数。总的来说，在蒙特卡罗模拟中，风险概率pf就是风险损失现实发生的次数m占总抽样次数n的频率。本发明以三峡库区百岁溪大桥为例，此桥为(95+170+95)m连续刚构桥，主梁设计为三向预应力混凝土单箱单室箱梁，采用悬臂施工方法进行施工。大桥有限元仿真模型见附图4。以最大悬臂端挠度误差构造风险临界状态方程。步骤1：确定复杂风险因素，建立复杂风险源下桥梁悬臂施工风险临界状态方程；影响混凝土桥梁悬臂施工中跨合拢挠度误差的因素包括材料因素、施工因素、外部因素以及人为因素这四大类。通过数值计算参数敏感性分析法求得各因素对混凝土桥梁悬臂施工最大悬臂端挠度影响的敏感度，得出影响其挠度的主要控制参数有主梁混凝土容重、主梁混凝土弹性模量、预应力钢束张拉控制误差、挂篮荷载误差以及两悬臂施工进度误差(主梁混凝土收缩徐变的影响)；同时，混凝土连续刚构桥易受微震以及周期性水流力作用，加剧了其风险因素的复杂性与不确定性，因此，本例将混凝土桥梁悬臂施工的复杂风险因素确定为混凝土弹性模量误差e、混凝土容重误差r、挂篮荷载误差f1、预应力张拉控制力误差f2、合拢段施工持续时间d、挂篮偏移距离z、地震加速度g以及水流力f3共八个风险因素。本发明将中跨合拢准备阶段挠度误差为20mm作为风险临界状态，临界状态函数如下：g(x)＝δr(er,rr,f1r,f2r,dr,zr,a,f3r)-δl(el,rl,f1l,f2l,dl,zl,a,f3l)(3.1)其中δr表示2#墩的中跨合拢准备阶段的跨中挠度值；δl表示1#墩的中跨合拢准备阶段的跨中挠度值。各随机变量及其基本统计特征如表2所示。其中各随机变量的分布类型以及标准差变异系数(标准差)部分参考我国《公路工程结构可靠度设计统一标准》(gb/t50283-1999)、《公路桥涵施工技术规范》(jtj04-2000)、《公路钢筋混凝土及预应力桥涵设计规范》(jtgd62-004)关于各参数误差允许的规定来确定。表2基本随机变量统计特征随机变量变量符号单位分布类型均值标准差c50混凝土弹性模量empa正态分布345000.1c50混凝土容重rkn·m-3正态分布260.06挂篮荷载f1kn正态分布10000.07预应力束张拉控制f2mpa正态分布13950.05合拢段施工持续时间dday均匀分布28——挂篮偏移距离zm均匀分布2——频发微震荷载ag对数正态0.050.02水流力f3kn正态分布33090步骤2：产生样本数据点，并利用有限元进行分析计算；根据控制因素数量以及分布规律，确定各控制风险因素水平数，由正态分布3δ准则，将各因素水平数定为5水平，如表3所示。表3训练样本水平值进行正交实验设计，根据8因素7水平，对神经网络样本进行正交实验设计，如表4所示；表4正交实验设计表使用有限元计算模型，对上述样本进行计算，本发明使用midascivil进行有限元建模计算，混凝土桥梁悬臂施工最大悬臂状态有限元模型见附图5。结果如表5。根据对训练样本的计算结果可以看出，随着输入变量的取值在允许范围内变化，有限元计算跨中合拢准备阶段最大悬臂端挠度值最小为-5.757mm，最大为-53.424mm，变化幅度可达47mm。表5样本输入及有限元计算结果表通过上述正交试验设计生成(44+5)个样本数据，其中44个样本数据作为bp神经网络训练样本，5个样本数据作为bp神经网络检验样本。步骤3：利用bp神经网络形成样本输入与输出参量间的非线性映射关系，检验训练过程误差本文利用matlab软件采用newff建立bp神经网络模型，并采用matlab自带的mapminmax函数对输入样本进行归一化处理，选取44个样本作为训练样本，5个样本作为检验样本，选取2、19、27、33、43五个样本作为检验样本。输入个数为6，输出个数为1，隐层节点数取14。训练学习至7624步满足误差要求停止学习，训练过程误差曲线图见附图6。表6给出训练样本神经网络输出与有限元输出值对比结果，可以看出网络训练效果比较好，bp神经网络训练输出的最大相对误差为0.082％，bp神经网络训练样本输出值与有限元计算值对比见附图7；表7为检验样本神经网络输出与有限元计算结果对比表，bp神经网络检验样本输出值与有限元计算值对比见附图8，可以看出升级网络的泛化能力也比较好，虽然相对误差比训练样本的误差大，但最大相对误差为5.993％。其精度满足要求。总体而言，该bp神经网络可以近似替代百岁溪大桥在最大悬臂阶段的最大悬臂端累积位移与基本随机变量的映射关系。表6训练样本有限元计算输出值与bp神经网络训练输出值对比表表7bp神经网络检验样本输出值与有限元计算值对比表步骤4：利用蒙特卡罗原理模拟随机抽样，求解具体风险事件的风险概率；在建立最大悬臂端位移与随机变量之间映射关系的bp神经网络后，根据蒙特卡罗模拟原理，按照前面建立的临界状态函数，求解该桥合拢时，两悬臂挠度误差大于20mm的风险概率进行求解。利用随机数生成器随机生成两组，分别模拟两主墩实际施工中各控制参数实际值，每组n个仿真样本，代入训练好的bp神经网络进行仿真计算，模拟两主墩最大悬臂端可能的挠度值。并随机从两组数中各取出一个求差值，设出现挠度大于20mm的次数为n则，风险发生的概率可以定义为：在仅考虑悬臂施工阶段，主梁混凝土容重、主梁混凝土弹性模量、主梁预应力张拉控制、挂篮重量荷载、挂篮偏移以及施工进度误差这六个控制因素的影响下，中跨合拢挠度误差分别大于20mm、25mm、30mm、35mm、40mm、45mm、50mm的风险概率计算结果如表8—表14所示。表8合拢挠度误差大于20mm风险发生的概率n2000400080001600032000pf(％)8.988.618.688.78.9表9合拢挠度误差大于25mm风险发生的概率n2000400080001600032000pf(％)3.493.073.423.193.19表10合拢挠度误差大于30mm风险发生的概率n2000400080001600032000pf(％)1.080.961.140.950.95表11合拢挠度误差大于35mm风险发生的概率n2000400080001600032000pf(％)0.260.250.240.240.24表12合拢挠度误差大于40mm风险发生的概率n2000400080001600032000pf(％)0.0420.0360.0420.0460.046表13合拢挠度误差大于45mm风险发生的概率n2000400080001600032000pf(％)0.00670.0050.00710.00860.0086表14合拢挠度误差大于50mm风险发生的概率n2000400080001600032000pf(％)0.0010.00080.0010.00090.0009步骤5：对求出的桥梁悬臂施工中跨合拢阶段误差概率进行风险评价，确定其损伤等级，具体请见表15；表15风险概率描述等级风险概率描述概率间隔(％)概率中间值1非常不可能<0.030.012不可能0.03-0.30.13偶尔0.3-314可能3-30105非常可能>30100可以说明，百岁溪大桥悬臂浇筑施工过程中，考虑主梁混凝土容重、主梁混凝土弹性模量、预应力钢束张拉控制、挂篮及其附属设备重量、挂篮位置偏移、施工进度误差、地震荷载以及水流力这八个主要因素在相关规范允许的误差范围内变动时，中跨合拢挠度误差不超过20mm(设计要求)的概率为91.1％，等级为5级(非常可能)；中跨合拢挠度误差在20mm-25mm之间的概率为5.71％，等级为4级(可能)；中跨合拢挠度误差在25mm-30mm之间的概率为2.24％，等级为3级(偶尔)；中跨合拢挠度误差在30mm-35mm之间的概率为0.71％，等级为3级(偶尔)；中跨合拢挠度误差在35mm-40mm之间的概率为0.194％，等级为2级(不可能)；中跨合拢挠度误差在40mm-45mm之间的概率为0.0374％，等级为2级(不可能)；中跨合拢挠度误差在45mm-50mm之间的概率为0.0077％，等级为1级(非常不可能)；中跨合拢挠度误差大于50mm的概率为0.0009％，等级为1级(非常不可能)。根据百岁溪大桥中跨合拢挠度误差是否满足设计要求、是否可以直接合拢(施工损失)、合拢后是否对结构后期运营有较大损伤(结构损伤)，对合拢挠度误差所引起的损失划分损失等级，如表16所示。表16合拢误差损失等级划分表17百岁溪大桥合拢阶段挠度误差风险评价表中跨合拢挠度误差/mm风险概率/等级风险损失等级<20mm91.1％(5级)120mm-30mm7.95％(4级)230mm-50mm0.9423％(3级)3>50mm0.0009％(1级)4表17为百岁溪大桥悬臂浇筑施工过程中，各控制参数在允许范围内变动时，百岁溪大桥悬臂浇筑施工中跨合拢阶段挠度误差风险评价表。对于3级损失和4级损失，虽然风险概率等级低，但损失程度较大，应重点监控。通过上述风险评估方法，可以看到复杂危险源下的混凝土桥梁施工风险发生的概率值以及损伤等级，中跨合拢挠度误差大于20mm时，不满足桥梁设计规范所要求的中跨合拢挠度误差，但其发生的概率仅为8.9％，且不会造成重大的安全事故。本发明基于桥梁风险概率的定义，在详细分析混凝土桥梁悬臂施工的风险特点的基础上，应用基于bp神经网络和蒙特卡罗原理的风险概率估计方法，对混凝土桥梁悬臂施工风险进行分析。本发明考虑复杂风险源下桥梁最大悬臂施工状态，通过将库区桥梁所处复杂危险源纳入风险评估方法中，通过悬臂施工合拢挠度误差以及横向偏移作为判断风险发生的依据，分析复杂风险源对桥梁风险概率的影响。应当理解的是，本说明书未详细阐述的部分均属于现有技术。应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。当前第1页12