本发明涉及桥梁结构状态评估技术领域,具体涉及一种基于离散动态贝叶斯网络的桥梁状态评估方法,尤其涉及一种以跨度砼梁桥作为状态评估对象的离散动态贝叶斯网络的桥梁状态评估方法。
背景技术:
近年来,研究者们从理论研究、试验研究、实测资料出发,在桥梁结构状态评估方面取得了许多成果,提出了不少方法,如:专家评估法、灰色系统评估法、模糊理论评估法、层次分析法、可靠度评估法等。以上评估方法普遍存在的问题是无论哪种方法或者模型都寄希望于某个固定公式,不能有效结合实际,也不能通过检测信息来更新已有的方法或者模型,因此也就无法综合利用结构退化普遍规律的先验认识和反映具体结构实际情况的检测信息。基于贝叶斯理论的动态贝叶斯网络可以处理时序数据和带有复杂关系的结构问题,且可以利用检测信息对模型进行及时更新,将其应用在桥梁结构状态评估方面,有望成为将来研究发展的一大趋势。
技术实现要素:
本发明克服现有技术存在的不足,提出一种基于离散动态贝叶斯网络的桥梁状态评估方法。
本发明是通过如下技术方案实现的。
一种基于离散动态贝叶斯网络的桥梁状态评估方法,包括以下步骤:
1)建立桥梁状态层次评估体系:将桥梁按结构层次划分为一系列自上向下的目标子层结构形式,再将所述的目标子层结构分为若干构件元素。
2)节点状态划分:将所述的构件元素进行状态等级划分,得到一系列离散值组成x∈{x1,x2,…,xi,…,xm},其中离散值xi对应构件元素的状态等级划分指标;根据每个构件元素的状态等级划分确定所述节点的离散状态。
3)离散动态贝叶斯网络模型建立:将桥梁状态层次评估体系中的各个构件元素设定为单片离散动态贝叶斯网络中的节点,同时赋予节点离散值域,并根据各个构件元素的层间关系以及上、下层关系,建立单片离散动态贝叶斯网络的有向无环图。
4)模型参数确定:确定模型中离散节点的参数,包括单时间片内离散节点的初始状态分布参数、单时间片内离散节点的观测条件分布函数和相邻时间片离散节点的转移参数。
5)参数学习:通过统计方法得到单时间片内离散节点的初始状态分布参数;通过层次分析法得到单时间片内的观测条件分布参数和相邻时间片转移参数,然后确定各参数的最大似然估计,即这些参数将使练据达到似然最大。
优选的,所述桥梁为大跨度砼梁桥。
优选的,所述的建立单片离散动态贝叶斯网络的有向无环图,是通过设定贝叶斯网络中的观测节点组和隐藏节点组,再将单片贝叶斯模型按时间轴延伸,按照时间间隔δt进行划分,得到完整的离散动态贝叶斯网络结构模型。
优选的,所述通过层次分析法得到单时间片内的观测条件分布参数,包括以下步骤:
a)根据两两变量比较的重要性标度,构造判断矩阵。
b)采用代数平均值法,计算得到正则归一化权重值。
c)得到观测层节点的评分值以及相应的状态观测值。
d)计算目标层和子目标层的评分值,并根据评分值得到一一对应的状态值。
e)得到单个时间片所有变量的离散状态样本。
f)根据时间轴上的时间间隔点得到多个时间的离散状态样本。
g)利用动态贝叶斯网络中的参数学习算法对样本进行训练,得到参数。
本发明相对于现有技术所产生的有益效果为。
本发明针对现有桥梁结构状态评估方法不能通过检测信息进行更新的缺陷,提出基于离散动态贝叶斯网络的桥梁状态评估方法。利用层次分析法建立桥梁状态评估体系框架,将评估体系中的各个构件元素设定为离散动态贝叶斯网络中的节点,并根据结构状态的划分等级赋予节点离散值域,按时间序列建立适用于桥梁结构状态评估的动态贝叶斯网络模型。对利用层次分析法产生的离散状态样本进行学习,得到模型参数。本发明有效结合实际,综合利用具体结构实际情况的检测信息来更新模型,通过贝叶斯理论的动态贝叶斯网络处理桥梁状态复杂关系的结构问题,且可以利用检测信息对模型进行及时更新,有效的对桥梁结构状态进行评估。
附图说明
图1为实施例中建立的大跨度砼梁桥状态层次评估体系示意图。
图2为实施例中建立的大跨度砼梁桥状态评估的动态贝叶斯网络结构模型图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,结合实施例和附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。下面结合实施例及附图详细说明本发明的技术方案,但保护范围不被此限制。
以下是以某大跨度砼梁桥为研究对象应用基于离散动态贝叶斯网络的桥梁状态评估方法。
步骤1:桥梁状态层次评估体系
利用层次分析法初步建立桥梁状态评估体系,将桥梁体系按层次划分为一系列自上向下的目标层结构———子层结构形式,在此基础上建立整个评估体系。如图1所示,混凝土斜拉桥状态评估体系w,按主要结构层次可分为主梁s1、桥塔s2、箱梁s3、下部结构s4、附属设施s5,这些结构又分为若干构件元素即观测层m1——m21,整个大跨度砼梁桥状态层次评估体系。
步骤2:节点状态划分
层次评估体系中的构件元素对应于离散动态贝叶斯网络中的节点,因此这些节点的离散状态取决于每个构件元素的状态等级划分。每一个变量节点的值域,将由一系列离散值组成x∈{x1,x2,…,xi,…,xm},其中离散值xi对应构件元素的状态等级划分指标。根据《公路养护技术规范》(jtgh11-2004)的评分机制,并综合考虑贝叶斯网络的计算效率,将状态等级划分为7个,如下表1所示。
表1建立的桥梁结构状态等级划分分布图
步骤3:离散动态贝叶斯网络模型建立
将大跨度砼梁桥状态层次评估体系中的各个构件元素设定为单片离散动态贝叶斯网络中的节点,同时赋予节点离散值域,并根据各个构件元素的层间关系以及上、下层关系,建立单片离散动态贝叶斯网络的有向无环图,其中将图1中m标识层元素设定为贝叶斯网络中的观测节点组,w及s标识层元素设定为隐藏节点组。然后将单片贝叶斯模型按时间轴延伸,按照一定的时间间隔δt进行划分,如图2所示,得到完整的离散动态贝叶斯网络结构模型,图2中每条横向箭头表示时间间隔。
步骤4:模型参数确定
a)离散动态贝叶斯网络参数
建立大跨度砼梁桥状态评估的离散动态贝叶斯网络结构模型后,需要确定模型中离散节点的参数。图2中的参数如下:
单时间片内离散节点的初始状态分布参数
其中,
其中,
相邻时间片离散节点的转移参数
其中,
b)参数学习
单时间片内离散节点的初始状态分布参数可通过统计方法得到,关键的是单时间片内的观测条件分布参数和相邻时间片转移参数的确定。所以我们再次利用层次分析法确定观测条件分布参数,步骤如下:
1)利用专家意见,得到两两变量比较的重要性标度,继而构造判断矩阵;
2)采用代数平均值法,计算得到正则归一化权重值:
3)得到观测层节点的评分值以及相应的状态观测值
4)计算目标层和子目标层的评分值:
并根据评分值得到一一对应的状态值
5)得到单个时间片所有变量的离散状态样本
6)根据时间轴上的时间间隔点得到多个时间的离散状态样本
7)利用动态贝叶斯网络中的参数学习算法对样本进行训练,得到参数。
参数学习的目的是找到各参数的最大似然估计,即这些参数将使练据达到似然最大。
以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明的前提下,还可以做出若干简单的推演或替换,都应当视为属于本发明由所提交的权利要求书确定专利保护范围。