基于长期实测数据的桥梁风振响应直接预测方法
【技术领域】
[0001] 本发明涉及土木工程中大跨度桥梁抗风领域，利用基于长期实测数据建立的BP神 经网络模型对桥梁风振响应进行预测，适用于强/台风多发区大跨度桥梁风致振动响应预 测 。
【背景技术】
[0002] 近年来，国内外建成许多跨江渡海的大跨度桥梁工程，其结构形式主要以悬索桥、 斜拉桥为主，如明石海峡大桥、苏通大桥、西堠门大桥等。对大跨度缆索支承桥梁而言，随着 跨径的增加，结构刚度大幅下降，风敏感性显著提升，从而使得风致振动成为威胁桥梁安全 性的主要因素之一。
[0003] 桥梁结构健康监测系统（Structural Health Monitoring System，SHMS)，是一个 以桥梁结构为平台，应用现代传感技术、通信网络技术和计算机技术，优化组合结构监测、 环境监测、交通监测、设备监测、综合报警、信息网络分析处理各功能子系统为一体的综合 监测系统。其内涵在于通过对桥梁结构状况的监控与评估，为桥梁在特殊气候交通条件下 或桥梁运营状况异常严重时发出预警信号，为桥梁的维护维修和管理决策提供依据与指 导。然而桥梁结构健康监测不仅是为了结构状态监控和评估，还为桥梁工程中的未知问题 和超大跨度桥梁的研究提供了新的契机。由运营中的桥梁结构与其环境所获得的信息不仅 是理论研究和实验室调查的补充，还可作为有关结构行为和环境规律的最真实信息。
[0004] 考虑到大跨度柔性桥梁的抗风研究具有极端重要性，在已发展起来的桥梁SHMS中 大都安装了风环境监测子系统以及结构振动监测子系统，在桥梁的关键位置布置了数量不 等的风速风向仪以及振动监测传感器，这些传感器实时记录了每一时刻桥址区的温度、风 速、风向及其对应的结构响应，有益于大桥建设和营运期间各关键部位振动响应情况的把 握和控制，也为大桥的损伤预警和安全性评价提供了依据。故如何利用好这些实测风特性 和振动响应数据，验证现有桥梁风振分析方法，从机理上弄清各种结构风致振动问题的本 质，以得到适用于我国各相应地区的风特性参数，都备受广大研究人员所关注。
[0005] 主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综 合指标。在实际问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素，但不 相关变量太多会增加计算量和分析问题的复杂性，甚至导致分析结果的错误，并且变量之 间彼此有一定的相关性，使所得的统计数据反映的信息在一定程度上有重叠。主成分分析 法通过对原始变量相关矩阵内部结构的关系研究，找出影响要素的几个综合指标，使综合 指标为原来变量的线性拟合。这样，综合指标不仅保留了原始变量的主要信息，且彼此间不 相关，又比原始变量具有某些更优越的性质，就使我们在研究复杂问题时，容易抓住主要矛 盾。主成分分析法已经广泛应用在数据提取筛选，数据评估等方面。
[0006] BP(BackPropagation)神经网络是目前人工神经网络中研究最深入、应用最为广 泛的一种模型，其结构由输入层、隐层、输出层节点组成。BP神经网络学习时，输入信号从输 入层经隐层传向输出层(正向传播），若输出层得到期望的输出，则学习算法结束；否则，转 至反向传播。反向传播就是将误差信号按原联接通路反向计算，由梯度下降法调整神经元 的权值，使误差信号减小。周而复始的信息正向传播和误差反向传播过程，是各层权值不断 调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可 以接受的程度，或者预先设定的学习次数为止。由于BP神经网络具有自学习、自组织、自适 应以及很强的无线性函数逼近能力，拥有强大容错功能和泛化能力，故将BP神经网络技术 应用于预测桥梁风致振动，能够大大提高桥梁风致振动预测准确性。
[0007] 有限元方法是进行工程结构动、静力性能分析的重要手段，在可靠有限元模型基 础上，可以得到结构在不同工况下的动、静力响应。其中动力分析作为各大有限元软件的重 要功能，其在工程结构地震反应时程分析、桥梁结构抖振响应时/频域分析、桥梁颤振分析、 工程结构疲劳寿命分析等领域得到了广泛的应用。然而，由于模型和实际结构在材料、几何 特性以及边界条件等方面存在假设或测量误差，以及有限元模型本身的离散误差，这就使 得基于结构设计图纸而构建的桥梁有限元模型往往在静动力响应和实际结构之间存在着 差异，另外有限元建模过程繁琐复杂、计算效率低、模型更新慢，为此，本发明创新性地脱离 有限元模型，利用BP神经网络建立基于长期实测数据的桥梁风振响应直接预测方法，为今 后强/台风地区桥梁抗风安全性的实时准确预测提供了可靠而有效的手段。
【发明内容】
[0008] 技术问题:本发明的目的是提供一种基于长期实测数据的桥梁风振响应直接预测 方法，实现桥梁风振响应的准确预测是保证强/台风作用下大跨度桥梁运营安全的前提和 基础，然而传统基于有限元模型计算的桥梁风振响应预测方法仍存在计算流程复杂、简化 假设过多、误差较大等问题，故发明基于长期实测数据的桥梁风振响应直接预测方法，实现 对桥梁风振响应方便、准确、快捷预测，为今后桥梁抗风安全评估与风致振动研究提供可靠 而有效的计算手段。
[0009] 技术方案:本发明提的一种基于长期实测数据的桥梁风振响应直接预测方法，该 方法包括以下三个步骤，各步骤涉及的具体技术方案如下：
[0010] 第一步:桥梁风致振动响应预测模型的建立。利用主成分分析法提取基于桥梁结 构健康监测系统长期大量风速风向及风振实测数据的主元信息以消除噪声污染，并结合影 响桥梁风致振动的主要因素包括桥梁桥型与跨度、截面尺寸、设计使用年限、已运营时间、 环境温度等，将其作为BP神经网络的输入层，将不同风速风向下桥梁的实测风致振动响应 作为BP神经网络的输出层，建立桥梁SHMS实测数据-风致振动响应模型。
[0011]第二步:桥梁风致振动响应预测模型的准确性验证。将桥梁SHMS最新实测的风速 风向等数据输入上述模型，预测出桥梁风致振动响应，并与桥梁SHMS实测风致振动响应进 行对比。若对比相对误差大于5%即不满足可靠度的要求，则分析处理实测新数据，剔除其 中离散性较大或不合理的数据，重新输入到上述模型直到满足可靠度要求为止。若对比相 对误差不大于5%即满足可靠度的要求，则得到新风环境下该桥梁结构风致振动响应，可用 于评估桥梁结构的抗风安全性能，并为风致振动研究提供必要依据。
[0012]第三步:桥梁SHMS数据库和桥梁风致振动响应预测模型的更新。将分析处理后的 新数据存储到桥梁SHMS长期实测数据库中，使得数据库不断更新与优化，从而提升了 BP神 经网络模型输入层的参数容量与品质，保证了桥梁SHMS实测数据-风致振动响应模型预测 精度，提高了桥梁风致振动预测水平。
[0013] 其中BP神经网络计算过程如下：
[0014] (1)若输入层有η个神经元，隐含层有P个神经元，输出层有q个神经元，输入向量X = (X1，X2, ···，&)，输入层与隐含层连接权值Wlh，隐含层与输出层连接权值Whp隐含层各神 经元阈值bh，输出层各神经元阈值b」，S型激活函数
[0015] (2)贝lj隐含层输入向量hi = (hii，hi2,…，hip)，
A =:1,2,...,p :;隐含层 输出向量h〇h=(hoi，h〇2，···，hoP)，h〇h = f(hih)，h = l，2，···，p;输出层输入向量 yij = (yii,
i = ιΛ…，*;:输出层输出向量 y〇j = (y〇i,y〇2,··· ,y〇q)，y〇j = f(yij)，j = l，2，."，q〇
[0016] 有益效果:现有大跨度桥梁风致振动研究方法通常为，首先通过桥梁结构设计参 数建立大桥有限元分析模型，再通过对有限元模型施加风荷载以获取该桥的风致振