CN107609317A - 一种钢桥疲劳评估荷载建模及疲劳评估方法 - Google Patents

Abstract

本发明公开了一种钢桥疲劳评估荷载建模及疲劳评估方法，包括：步骤1，建立列车荷载模型；步骤2，整理实测数据，并进行分类；步骤3，根据实测数据，对各参数建立概率模型；步骤4，建立列车荷载概率模型；步骤5，采用Monte‑Carlo法生成随机荷载谱；步骤6，采用有限元分析，得到钢桥疲劳细节的应力影响线；步骤7，采用随机荷载谱进行影响线加载，得到应力历程；步骤8，对应力历程进行分析，评估钢桥疲劳。本发明的有益效果：以实测数据为基础，建立疲劳评估荷载模型，描述当前通行列车荷载状况，实现对钢桥任意构件的疲劳评估，建立了完善的列车荷载建模方法，提高了实测数据的利用价值，使得钢桥疲劳评估更为准确，更接近于实际情况。

Description

一种钢桥疲劳评估荷载建模及疲劳评估方法

技术领域

本发明涉及铁路桥梁技术领域，具体而言，涉及一种钢桥疲劳评估荷载建模及疲劳评估方法。

背景技术

随着铁路运营时间的增长，如何对铁路结构进行评估，其主要方面是确定评估荷载。特别对于铁路钢桥而言，在进行疲劳评估时，疲劳破坏特性不仅与荷载作用下的应力变化大小有关，而且还与应力变化的次数有关，因此，钢桥在进行设计时，通常采用相关规范规定的疲劳荷载谱进行验算，以控制疲劳应。

在现有的钢桥疲劳评估荷载模型中，钢构件疲劳损伤度的检算一般根据现场的实测数据推算或通过典型列车荷载计算得到，但与实际情况存在一定差别，且随着运营列车荷载和数量的增加，桥梁通行的荷载越来越复杂，已有的典型列车荷载模型已很难反映实际情况。另外，疲劳荷载一般包括实测荷载谱、标准荷载谱和疲劳荷载模型等，为得到更为准确的评价结果，多采用实测数据进行分析，但由于实测数据量庞大，应用复杂，一般都将其简化为标准的疲劳荷载谱，再采用相适应的方法生成标准疲劳荷载模型，然而如何根据实测数据建立相应的列车荷载模型，暂无统一标准，这使得依据实测数据的疲劳荷载模型建模方法不完善。

发明内容

为解决上述问题，本发明的目的在于提供一种钢桥疲劳评估荷载建模及疲劳评估方法，以实测数据为基础，建立相关疲劳评估荷载模型，描述当前通行列车荷载状况，实现对钢桥的疲劳评估，该方法建立了完善的列车荷载建模方法，提高了实测数据的利用价值，使得钢桥疲劳评估更为准确，更接近于实际情况。

本发明提供了一种钢桥疲劳评估荷载建模及疲劳评估方法，包括：

步骤1，建立列车荷载模型：

通过布设在钢桥上的传感器监测列车荷载响应及轮轨力，将钢桥上通行列车的荷载模型表示为：F＝f(c,l,n,v)；

式中，

参数c表示列车类型，参数l表示机车类型，参数n表示车辆编组，参数v表示列车运行速度；

步骤2，整理实测数据，并进行分类：

根据列车荷载模型包含的参数，将实测数据中各参数所包含的变量进行分类、整理；

步骤3，根据实测数据，对各参数中各变量分别建立概率模型：

对步骤2中整理分类的变量的实测数据进行统计分析，针对各个变量分别采用随机过程来拟合各变量的分布，并建立各变量的概率模型；

步骤4，建立列车荷载概率模型：

将步骤3中建立的各变量的概率模型进行组合，形成完整的列车荷载概率模型；

步骤5，采用Monte-Carlo法生成随机荷载谱：

根据所建立的列车荷载概率模型，采用Monte-Carlo法从已知的变量分布中进行抽样，生成一列列的随机列车荷载；

步骤6，采用有限元分析，得到钢桥疲劳细节的应力影响线：

在已知列车荷载的情况下，针对钢桥某部分的应力历程，采用影响线进行加载，并通过有限元分析，求得疲劳细节的应力影响线；

步骤7，采用随机荷载谱进行影响线加载，得到应力历程：

将上述生成的一列列随机列车荷载在应力影响线上加载，得到该疲劳细节的应力历程；

步骤8，对应力历程进行分析，评估钢桥疲劳：

采用雨流计算法对生成的应力历程进行处理，得到疲劳应力谱及循环次数，再根据相应的疲劳分析准则来评估钢桥疲劳状况。

作为本发明进一步的改进，参数c包含的变量为列车数量T或列车数量T及客货比α；

当通行线路为客运线路或货运线路时，参数c包含的变量为一个周期内通行的客车或货车的列车数量T；

当通行线路为客货共线线路时，参数c包含的变量为一个周期内通行的客车和货车的列车数量T和客货比α两个变量，其中，客货比α表示一个周期内通行的客车与货车的数量比。

作为本发明进一步的改进，参数l包含的变量为机车轴数β和机车轴重L；

当通行线路为客运线路时，机车轴数β包含的变量为客车机车轴数β_客，机车轴重L包含的变量为客车机车轴重L_客；

当通行线路为货运线路时，机车轴数β包含的变量为货车机车轴数β_货，机车轴重L包含的变量为货车机车轴重L_货；

当通行线路为客货共线线路时，机车轴数β包含的变量为客车机车轴数β_客和货车机车轴数β_货，机车轴重L包含的变量为客车机车轴重L_客和货车机车轴重L_货。

作为本发明进一步的改进，参数n包含的变量为车辆编组数量T_C和车辆轴重L_C；

当通行线路为客运线路时，车辆编组数量T_C包含的变量为客车编组数量T_CP，车辆轴重L_C包含的变量为客车车辆轴重L_CP；

当通行线路为货运线路时，车辆编组数量T_C包含的变量为货车编组数量T_CF，车辆轴重L_C包含的变量为货车车辆轴重L_CF；

当通行线路为客货共线线路时，车辆编组数量T_C包含的变量为客车编组数量T_CP和货车编组数量T_CF，车辆轴重L_C包含的变量为客车车辆轴重L_CP和货车车辆轴重L_CF。

作为本发明进一步的改进，参数v包含的变量为客车运行速度v_客和/或货车运行速度v_货；

当通行线路为客运线路时，参数v包含的变量为客车运行速度v_客；

当通行线路为货运线路时，参数v包含的变量为货车运行速度v_货；

当通行线路为客货共线线路时，参数v包含的变量为客车运行速度v_客和货车运行速度v_货。

作为本发明进一步的改进，步骤5具体包括：

步骤501，根据所建立的列车荷载概率模型中各变量分布的概率模型，采用Monte-Carlo法随机生成钢桥上一个周期内通行的列车数量T或列车数量T及客货比α；

步骤502，根据所建立的列车荷载概率模型中各变量分布的概率模型，采用Monte-Carlo法随机生成每列客车的客车机车轴数β_客与客车机车轴重L_客或每列货车的货车机车轴数β_货与货车机车轴重L_货或每列客车的客车机车轴数β_客与客车机车轴重L_客及每列货车的货车机车轴数β_货与货车机车轴重L_货；

步骤503，根据所建立的列车荷载概率模型中各变量分布的概率模型，采用Monte-Carlo法随机生成每列客车的客车编组数量T_CP与客车车辆轴重L_CP或每列货车的货车编组数量T_CF与货车车辆轴重L_CF或每列客车的客车编组数量T_CP与客车车辆轴重L_CP及每列货车的货车编组数量T_CF与货车车辆轴重L_CF；

步骤504，根据所建立的列车荷载概率模型中各变量分布的概率模型，采用Monte-Carlo法随机生成每列客车的客车运行速度v_客或每列货车的货车运行速度v_货或每列客车的客车运行速度v_客及每列货车的货车运行速度v_货；

步骤505，将上述步骤501-步骤504中随机生成的变量组合在一起，形成一列列完整的随机列车荷载。

作为本发明进一步的改进，在对各变量的分布进行拟合时，采用正态分布、0-1分布、Weibull分布、均匀分布中的一种分布或几种分布的加权组合。

本发明的有益效果为：

1、解决了钢桥疲劳评估荷载的问题，以实际通行的列车荷载为基础，根据采集到的实测数据，建立了疲劳评估荷载模型，生成的随机荷载谱更接近于实际情况，且能较好的描述当前列车荷载的通行情况，使得评估结果更为准确，能够较好的对钢桥进行疲劳评估，预测其疲劳寿命；

2、解决了列车荷载建模方法的问题，以采集到的实测数据为基础，对实测数据进行处理，建立了列车荷载概率模型，生成了随机荷载谱，形成了一套完整的基于实测数据的列车荷载模型建模方法，大大提高了实测数据的利用价值。

附图说明

图1为本发明实施例所述的一种钢桥疲劳评估荷载建模及疲劳评估方法的流程示意图；

图2下承式钢桁梁的应变片布设位置示意图；

图3为机车轴重的统计结果示意图；

图4为客车编组数量的统计结果示意图；

图5为货车编组数量的统计结果示意图；

图6为客车车辆轴重的统计结果示意图；

图7为货车车辆轴重的统计结果示意图；

图8为图1中步骤5的流程示意图；

图9为图2中下弦杆和斜腹杆上应变测试点的应力影响线；

图10为加载后的模拟应力历程示意图；

图11为下弦杆的实测日应力谱示意图；

图12为斜腹杆的实测日应力谱示意图；

图13为下弦杆的模拟日应力谱示意图；

图14为斜腹杆的模拟日应力谱示意图。

具体实施方式

下面通过具体的实施例并结合附图对本发明做进一步的详细描述。

本发明实施例所述的一种钢桥疲劳评估荷载建模及疲劳评估方法，该方法以通行车辆的实测数据为基础，实现列车荷载建模。以桥跨为75m的某下承式钢桁梁桥为例说明本发明的钢桥疲劳评估荷载建模及疲劳评估方法。

如图1所示，具体包括：

步骤1，建立列车荷载模型：

通过布设在钢桥上的传感器监测列车荷载响应及轮轨力，将钢桥上通行列车的荷载模型表示为：F＝f(c,l,n,v)；

式中，参数c表示列车类型，参数l表示机车类型，参数n表示车辆编组，参数v表示列车运行速度。

如图2所示，分别在一下弦杆和斜腹杆上布设应变片，监测杆件列车荷载响应，并在桥头某轨道截面位置布设轮轨力测试，监测列车通行状况。

步骤2，整理实测数据，并进行分类：

根据列车荷载模型包含的参数，将实测数据中各参数所包含的变量进行分类、整理。

钢桥上通行的列车的构成主要包括机车和车辆两部分，对桥梁结构产生影响的主要因素包括：机车轴重、机车轴数、列车类型，车辆轴重、车辆编组，以及列车运行速度等等。在铁路行车过程中，机车与车辆类型较为固定。

列车类型c这个参数主要用来表示通行的列车种类，即客车和/或货车。参数c包含的变量为列车数量T或列车数量T及客货比α。

当通行线路为客运线路或货运线路时，参数c包含的变量为一个周期内通行的客车或货车的列车数量T；

当通行线路为客货共线线路时，参数c包含的变量为一个周期内通行的客车和货车的列车数量T和客货比α两个变量，其中，客货比α表示一个周期内通行的客车与货车的数量比。

本实施例中，由于该桥为客货共线线路，且该桥每日通行的列车数量基本一致，因此，列车类型c这个参数中，包括钢桥上通行的客车与货车的客货比α和钢桥上通行的客车与货车的列车数量T两个变量。

机车类型l这个参数主要用来表示机车轴数和机车轴重，参数l包含的变量为机车轴数β和机车轴重L。

当通行线路为客运线路时，机车轴数β包含的变量为客车机车轴数β_客，机车轴重L包含的变量为客车机车轴重L_客；

当通行线路为货运线路时，机车轴数β包含的变量为货车机车轴数β_货，机车轴重L包含的变量为货车机车轴重L_货；

当通行线路为客货共线线路时，机车轴数β包含的变量为客车机车轴数β_客和货车机车轴数β_货，机车轴重L包含的变量为客车机车轴重L_客和货车机车轴重L_货。

本实施例中，由于该桥为客货共线线路，因此，需分别对客车与货车的机车进行统计分析，机车类型l包含的变量为客车机车轴数β_客、货车机车轴数β_货、客车机车轴重L_客和货车机车轴重L_货。

车辆编组n这个参数主要用来表示车辆编组数量和车辆轴重，参数n包含的变量为车辆编组数量T_C和车辆轴重L_C。

当通行线路为客运线路时，车辆编组数量T_C包含的变量为客车编组数量T_CP，车辆轴重L_C包含的变量为客车车辆轴重L_CP；

当通行线路为货运线路时，车辆编组数量T_C包含的变量为货车编组数量T_CF，车辆轴重L_C包含的变量为货车车辆轴重L_CF；

当通行线路为客货共线线路时，车辆编组数量T_C包含的变量为客车编组数量T_CP和货车编组数量T_CF，车辆轴重L_C包含的变量为客车车辆轴重L_CP和货车车辆轴重L_CF。

本实施例中，由于该桥为客货共线线路，因此，需分别对客车与货车的编组数量和轴重进行统计分析，参数n包含的变量为客车编组数量T_CP、货车编组数量T_CF、客车车辆轴重L_CP和货车车辆轴重L_CF。

列车运行速度v表示客车或货车的运行速度，参数v包含的变量为客车运行速度v_客和/或货车运行速度v_货。

当通行线路为客运线路时，参数v包含的变量为客车运行速度v_客；

当通行线路为货运线路时，参数v包含的变量为货车运行速度v_货；

当通行线路为客货共线线路时，参数v包含的变量为客车运行速度v_客和货车运行速度v_货。

本实施例中，由于该桥为客货共线线路，因此，需分别对客车与货车的运行速度进行分析，参数v包含的变量为客车运行速度v_客和货车运行速度v_货。

步骤3，根据实测数据，对各参数建立概率模型：

对步骤2中整理分类的变量的实测数据进行统计分析，针对各个变量分别采用随机过程来拟合各变量的分布，并建立各变量的概率模型。

具体的：

对该钢桥一段时间内的实测数据进行统计分析，结果显示列车数量与客车与货车的数量比均呈现单峰分布，因此，可以分别采用正态分布来拟合客车与货车的客货比α和列车总数量T的分布。

客货比α和列车总数量T的概率模型分别为：

式中，μ_T表示列车总数量T的均值，σ_T表示列车总数量T的标准差，表示列车总数量T的方差；

式中，μ_α表示客货比α的均值，σ_α表示客货比α的标准差，表示客货比α的方差。

本实施例中，根据统计分析的结果，98≤T≤124，0.9≤α≤1.59，μ_T＝111，σ_T＝7，μ_α＝1.21，σ_α＝0.13。

该钢桥客车机车以6轴机车为主，货车机车以8轴机车为主，因此，采用0-1分布拟合机车轴数β的分布，其中，客车机车轴数β_客的概率模型用f(β_客)表示，货车机车轴数β_货的概率模型用f(β_货)表示。

本实施例中，根据统计分析的结果，6轴机车的f(β_客)＝94.9％，8轴机车的f(β_客)＝95.1％；8轴机车的f(β_货)＝87.9％，6轴机车的f(β_货)＝12.1％。

客车的机车轴重和货车的机车轴重相差不大，因此，可以不区分，从图3机车轴重统计分析的结果中可以看出，机车轴重呈现三峰分布的概率模型，机车各轴的轴重主要集中在三个区域：20.05t、22.15t以及23.35t。因此，不能采用常用的单峰概率密度函数进行拟合。

本实施例中，采用2个正态分布和1个Weibull分布的加权来拟合机车轴重L的分布，其中，机车轴重L的前部分布(三峰分布前部)和尾部分布(三峰分布尾部)均分别采用1个正态分布拟合，机车轴重L的中部分布(三峰分布中部)采用Weibull分布拟合，对于3个分布的重叠处设置变量范围来加以区分。机车轴重L的概率模型为：

；

式中，p_L1、p_L2、1-p_L1-p_L2分别表示前部分布、中部分布和尾部分布的加权系数，μ_L1表示前部分布中机车轴重L的均值，σ_L1表示前部分布中机车轴重L的标准差，表示前部分布中机车轴重L的方差；μ_L2表示尾部分布中机车轴重L的均值，σ_L2表示尾部分布中机车轴重L的标准差，表示尾部分布中机车轴重L的方差；b_L表示中部分布的形状参数，θ_L表示中部分布的比例参数。

本实施例中，根据统计分析的结果，p_L1＝0.1219，p_L2＝0.3022，μ_L1＝20.085，σ_L1＝0.358，b_L＝0.058，θ_L＝22.176，μ_L2＝23.490，σ_L2＝0.469。其中，三个加权分布的取值区间分别为[19.02，21]、[21，22.65]以及[22.65，26.55]。

其中，由于可以不区分客车的机车轴重和货车的机车轴重，因此，客车机车轴重L_客和货车机车轴重L_货的分布均可以采用上述概率模型来表示。

如图4所示，为客车编组数量的统计结果，可以看出，客车编组数量主要集中在16～19之间，呈现单峰分布。因此，采用1个正态分布拟合客车编组数量T_CP的分布，客车编组数量T_CP的概率模型为：

；

式中，表示客车编组数量T_CP的均值，表示客车编组数量T_CP的标准差，表示客车编组数量T_CP的方差。

本实施例中，根据统计分析的结果，2≤T_CP≤7，

如图5所示，为货车编组数量的统计结果，可以看出，货车编组数量主要集中在30和50附近，呈现双峰分布。采用2个正态分布的加权来拟合货车编组数量T_CF的分布，2个分布的重叠处设置变量范围，货车编组数量T_CF的概率模型为：

；

式中，分别表示两个正态分布的加权系数；表示第一正态分布中货车编组数量T_CF的均值，表示第一正态分布中货车编组数量T_CF的标准差，表示第一正态分布中货车编组数量T_CF的方差；表示第二正态分布中货车编组数量T_CF的均值，表示第二正态分布中货车编组数量T_CF的标准差，表示第二正态分布中货车编组数量T_CF的方差。

本实施例中，根据统计分析的结果， 其中，两个加权分布取值区间分别为[22，40]、[40，63]。

如图6所示，为客车车辆轴重的统计结果，可以看出，客车车辆轴重呈现单峰分布，主要集中在12.56t附近。因此，采用1个正态分布拟合客车车辆轴重L_CP的分布，客车车辆轴重L_CP的概率模型为：

；

式中，表示客车车辆轴重L_CP的均值，表示客车车辆轴重L_CP的标准差，表示客车车辆轴重L_CP的方差。

本实施例中，根据统计分析的结果，4.6≤L_CP≤23.65，

如图7所示，为货车车辆轴重的统计结果，可以看出，货车荷载分布较为复杂，呈现多峰分布，前半部分各峰值相差较小，后半部分两个峰值较为突出，主要集中在19.84t以及22.19t附近。因此，采用1个均匀分布、1个Weibull分布以及1个正态分布的加权来拟合货车车辆轴重L_CF的分布，3个分布的重叠处设置变量范围，货车车辆轴重L_CF的概率模型为：

；

式中，分别表示均匀分布、Weibull分布以及正态分布的加权系数；表示Weibull分布的形状参数，表示Weibull分布的比例参数；表示货车车辆轴重L_CF的均值，表示货车车辆轴重L_CF的标准差，表示货车车辆轴重L_CF的方差。

本实施例中，根据统计分析的结果， 其中，三个加权分布的取值区间分别为[3.9，16.95]、[16.95，21.25]以及[21.25，23.85]。

统计分析结果显示，客车和货车运行速度均集中在35km/h附近，都呈现单峰分布。采用正态分布拟合客车运行速度v_客的分布，客车运行速度v_客的概率模型为：

；

式中，表示客车运行速度v_客的均值，表示客车运行速度v_客的标准差，表示客车运行速度v_客的方差。

本实施例中，根据统计分析的结果，9≤v_客≤56，

采用Weibull分布拟合货车运行速度v_货的分布，货车运行速度v_货的概率模型为：

；

式中，表示Weibull分布的形状参数，表示Weibull分布的比例参数。

本实施例中，根据统计分析的结果，11≤v_货≤42，

需要说明的是，在对各变量的分布进行拟合时，并不仅限于正态分布、0-1分布、Weibull分布、均匀分布中的一种分布或几种分布的加权组合，可以根据实测数据的统计分析后，对不同的变量各自选择合适的分布进行拟合。

步骤4，建立列车荷载概率模型：

将步骤3中建立的各变量的概率模型进行组合，形成完整的列车荷载概率模型。

步骤5，采用Monte-Carlo法生成随机荷载谱：

根据所建立的列车荷载概率模型，采用Monte-Carlo法从已知的变量分布中进行抽样，生成一列列的随机列车荷载。

Monte-Carlo法称为统计模拟法，随机抽样技术，是以概率和统计理论方法为基础的一种计算方法。其基本思想是在样本量足够大的情况下事件发生的“频率”可等效为“概率”，基于Monte-Carlo法的随机列车荷载谱生成主要分为两个步骤：1)建立各参数分布的概率模型，如上所述；2)从所建立的概率模型中进行抽样，先产生一系列随机数，再根据随机数从已知分布进行抽样。

如图8所示，具体包括：

步骤501，根据所建立的列车荷载概率模型中各变量分布的概率模型，采用Monte-Carlo法随机生成钢桥上一个周期内通行的列车数量T或列车数量T及客货比α；

步骤502，根据所建立的列车荷载概率模型中各变量分布的概率模型，采用Monte-Carlo法随机生成每列客车的客车机车轴数β_客与客车机车轴重L_客或每列货车的货车机车轴数β_货与货车机车轴重L_货或每列客车的客车机车轴数β_客与客车机车轴重L_客及每列货车的货车机车轴数β_货与货车机车轴重L_货；

步骤503，根据所建立的列车荷载概率模型中各变量分布的概率模型，采用Monte-Carlo法随机生成每列客车的客车编组数量T_CP与客车车辆轴重L_CP或每列货车的货车编组数量T_CF与货车车辆轴重L_CF或每列客车的客车编组数量T_CP与客车车辆轴重L_CP及每列货车的货车编组数量T_CF与货车车辆轴重L_CF；

步骤504，根据所建立的列车荷载概率模型中各变量分布的概率模型，采用Monte-Carlo法随机生成每列客车的客车运行速度v_客或每列货车的货车运行速度v_货或每列客车的客车运行速度v_客及每列货车的货车运行速度v_货；

步骤505，将上述步骤501-步骤504中随机生成的变量组合在一起，形成一列列完整的随机列车荷载。

本实施例中，由于该桥为客货共线线路，因此，需要采用Monte-Carlo法随机生成以下变量：

钢桥上一个周期内通行的客车和货车列车数量T及客货比α；

每列客车的客车机车轴数β_客与客车机车轴重L_客及每列货车的货车机车轴数β_货与货车机车轴重L_货；

每列客车的客车编组数量T_CP与客车车辆轴重L_CP及每列货车的货车编组数量T_CF与货车车辆轴重L_CF；

每列客车的客车运行速度v_客及每列货车的货车运行速度v_货。

步骤6，采用有限元分析，得到钢桥疲劳细节的应力影响线：

在已知列车荷载的情况下，针对钢桥某部分的应力历程，采用影响线进行加载，并通过MIDAS/Civil建模进行有限元分析，求得疲劳细节的应力影响线。

图9为本实施例中下弦杆和斜腹杆上应变测试点的应力影响线。

步骤7，采用随机荷载谱进行影响线加载，得到应力历程：

将上述生成的一列列随机列车荷载在应力影响线上加载，得到该疲劳细节的应力历程。

图10为本实施例中加载后的模拟应力历程示意图。

步骤8，对应力历程进行分析，评估钢桥疲劳：

采用雨流计算法对生成的应力历程进行处理，得到疲劳应力谱及循环次数，再根据相应的疲劳分析准则来评估钢桥疲劳状况。

雨流计算法的计算规则为：

(1)雨流依次从载荷时间历程的峰值位置的内侧沿着斜坡往下流；

(2)雨流从某一个峰值点开始流动，当遇到比其起始峰值更大的峰值时要停止流动；

(3)雨流遇到上面流下的雨流时，必须停止流动；

(4)取出所有的全循环，记下每个循环的幅度；

(5)将第一阶段计数后剩下的发散收敛载荷时间历程等效为一个收敛发散型的载荷时间历程，进行第二阶段的雨流计数。计数循环的总数等于两个计数阶段的计数循环之和。

雨流计算法的要点是载荷-时间历程的每一部分都参与计数，且只计数一次，一个大的幅值所引起的损伤不受截断它的小循环的影响，截出的小循环迭加到较大的循环和半循环上去。再根据累积损伤理论结合相应的S-N曲线就可对钢构件的疲劳寿命进行评估。

如图11～图14所示，分别为本实施例一天内的实测应力谱与模拟应力谱。实测应力谱根据实测数据进行统计得到，模拟应力谱采用雨流计算法对步骤7中加载的模拟应力历程进行计算得到。可以看出，下弦杆实测应力谱主要集中于10MPa以下以及20MPa左右的应力循环，模拟应力谱主要集中于10MPa以下、25MPa以及35MPa左右的应力循环；斜杆实测应力谱主要集中于15MPa以下、25MPa以及40MPa左右的应力循环，模拟应力谱主要于15MPa以下、25MPa、40MPa以及50MPa左右的应力循环；对于低应力循环，实测谱循环次数大于模拟谱，主要是由于未能充分剔除干扰对应力历程的干扰，导致低应力循环次数偏大，对于中高幅应力循环，实测谱循环次数与模拟谱循环次数接近，总的来看，模拟应力谱与实测应力谱吻合良好。

从上述对荷载的疲劳效应分析可以看出，采用该方法建立的列车荷载模型能很好的反映当前列车荷载的通行状况，模拟应力谱与实测应力谱吻合良好，说明基于概率论的列车荷载建模方法具有良好的适用性，可用作钢桥疲劳分析，提高了实测数据的利用价值，使得钢桥疲劳评估更为准确，更接近于实际情况。

本发明的方法将列车荷载模型分成四个参数来表示，分别包括列车类型，机车类型，车辆编组以及列车运行速度，每个参数根据线路情况的不同包含不同的变量，这些变量的运用使得建立的车辆荷载模型与实际情况一致，提高了建模的准确性。列车荷载模型中各参数都根据实测数据以概率论为基础建立参数中各变量的概率分布，采用一随机过程来描述通行的列车荷载，能更好的描述当前铁路通行列车荷载的复杂性，更加反映列车通行的实际情况。采用Monte-Carlo法根据列车荷载模型生成随机列车荷载谱，形成了一套完整的基于实测数据的列车荷载模型建模方法及列车荷载谱模拟方法，大大提高了实测数据的利用价值，使得钢桥疲劳评估更为准确。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种钢桥疲劳评估荷载建模及疲劳评估方法，其特征在于，包括：

步骤1，建立列车荷载模型：

通过布设在钢桥上的传感器监测列车荷载响应及轮轨力，将钢桥上通行列车的荷载模型表示为：F＝f(c,l,n,v)；

式中，

参数c表示列车类型，参数l表示机车类型，参数n表示车辆编组，参数v表示列车运行速度；

步骤2，整理实测数据，并进行分类：

根据列车荷载模型包含的参数，将实测数据中各参数所包含的变量进行分类、整理；

步骤3，根据实测数据，对各参数中各变量分别建立概率模型：

对步骤2中整理分类的变量的实测数据进行统计分析，针对各个变量分别采用随机过程来拟合各变量的分布，并建立各变量的概率模型；

步骤4，建立列车荷载概率模型：

将步骤3中建立的各变量的概率模型进行组合，形成完整的列车荷载概率模型；

步骤5，采用Monte-Carlo法生成随机荷载谱：

根据所建立的列车荷载概率模型，采用Monte-Carlo法从已知的变量分布中进行抽样，生成一列列的随机列车荷载；

步骤6，采用有限元分析，得到钢桥疲劳细节的应力影响线：

在已知列车荷载的情况下，针对钢桥某部分的应力历程，采用影响线进行加载，并通过有限元分析，求得疲劳细节的应力影响线；

步骤7，采用随机荷载谱进行影响线加载，得到应力历程：

将上述生成的一列列随机列车荷载在应力影响线上加载，得到该疲劳细节的应力历程；

步骤8，对应力历程进行分析，评估钢桥疲劳：

采用雨流计算法对生成的应力历程进行处理，得到疲劳应力谱及循环次数，再根据相应的疲劳分析准则来评估钢桥疲劳状况。

2.根据权利要求1所述的钢桥疲劳评估荷载建模及疲劳评估方法，其特征在于，

参数c包含的变量为列车数量T或列车数量T及客货比α；

当通行线路为客运线路或货运线路时，参数c包含的变量为一个周期内通行的客车或货车的列车数量T；

当通行线路为客货共线线路时，参数c包含的变量为一个周期内通行的客车和货车的列车数量T和客货比α两个变量，其中，客货比α表示一个周期内通行的客车与货车的数量比。

3.根据权利要求1所述的钢桥疲劳评估荷载建模及疲劳评估方法，其特征在于，

参数l包含的变量为机车轴数β和机车轴重L；

当通行线路为客运线路时，机车轴数β包含的变量为客车机车轴数β_客，机车轴重L包含的变量为客车机车轴重L_客；

当通行线路为货运线路时，机车轴数β包含的变量为货车机车轴数β_货，机车轴重L包含的变量为货车机车轴重L_货；

当通行线路为客货共线线路时，机车轴数β包含的变量为客车机车轴数β_客和货车机车轴数β_货，机车轴重L包含的变量为客车机车轴重L_客和货车机车轴重L_货。

4.根据权利要求1所述的钢桥疲劳评估荷载建模及疲劳评估方法，其特征在于，

参数n包含的变量为车辆编组数量T_C和车辆轴重L_C；

当通行线路为客运线路时，车辆编组数量T_C包含的变量为客车编组数量T_CP，车辆轴重L_C包含的变量为客车车辆轴重L_CP；

当通行线路为货运线路时，车辆编组数量T_C包含的变量为货车编组数量T_CF，车辆轴重L_C包含的变量为货车车辆轴重L_CF；

当通行线路为客货共线线路时，车辆编组数量T_C包含的变量为客车编组数量T_CP和货车编组数量T_CF，车辆轴重L_C包含的变量为客车车辆轴重L_CP和货车车辆轴重L_CF。

5.根据权利要求1所述的钢桥疲劳评估荷载建模及疲劳评估方法，其特征在于，

参数v包含的变量为客车运行速度v_客和/或货车运行速度v_货；

当通行线路为客运线路时，参数v包含的变量为客车运行速度v_客；

当通行线路为货运线路时，参数v包含的变量为货车运行速度v_货；

当通行线路为客货共线线路时，参数v包含的变量为客车运行速度v_客和货车运行速度v_货。

6.根据权利要求1所述的钢桥疲劳评估荷载建模及疲劳评估方法，其特征在于，步骤5具体包括：

步骤501，根据所建立的列车荷载概率模型中各变量分布的概率模型，采用Monte-Carlo法随机生成钢桥上一个周期内通行的列车数量T或列车数量T及客货比α；

步骤502，根据所建立的列车荷载概率模型中各变量分布的概率模型，采用Monte-Carlo法随机生成每列客车的客车机车轴数β_客与客车机车轴重L_客或每列货车的货车机车轴数β_货与货车机车轴重L_货或每列客车的客车机车轴数β_客与客车机车轴重L_客及每列货车的货车机车轴数β_货与货车机车轴重L_货；

步骤503，根据所建立的列车荷载概率模型中各变量分布的概率模型，采用Monte-Carlo法随机生成每列客车的客车编组数量T_CP与客车车辆轴重L_CP或每列货车的货车编组数量T_CF与货车车辆轴重L_CF或每列客车的客车编组数量T_CP与客车车辆轴重L_CP及每列货车的货车编组数量T_CF与货车车辆轴重L_CF；

步骤504，根据所建立的列车荷载概率模型中各变量分布的概率模型，采用Monte-Carlo法随机生成每列客车的客车运行速度v_客或每列货车的货车运行速度v_货或每列客车的客车运行速度v_客及每列货车的货车运行速度v_货；

步骤505，将上述步骤501-步骤504中随机生成的变量组合在一起，形成一列列完整的随机列车荷载。

7.根据权利要求1所述的钢桥疲劳评估荷载建模及疲劳评估方法，其特征在于，在对各变量的分布进行拟合时，采用正态分布、0-1分布、Weibull分布、均匀分布中的一种分布或几种分布的加权组合。