CN108959721A - 一种风车荷载作用下的大跨度桥梁构件可靠度计算方法 - Google Patents

Abstract

本发明公开了一种风车荷载作用下大跨度桥梁构件可靠度计算方法，首先确定目标桥梁结构极限状态函数的参数种类，收集参数数据，对收集好的数据进行随机分组，并对各部分数据进行归一化处理；随后基于思维进化算法和神经网络建立优化的极限状态函数拟合程序，采用程序中思维进化算法计算获得最优个体作为下一步计算的初始权值和阈值，将测试集的输入数据代入训练好的神经网络中进行仿真预测，将预测得到的荷载效应数据和期望数据进行对比，计算误差，评估所得神经网络的拟合效果；最后将训练好的网络与粒子群算法优化的蒙特卡罗方法相结合，建立优化的可靠度计算方法，完成风车荷载作用下大跨度桥梁构件可靠度的计算。

Description

一种风车荷载作用下的大跨度桥梁构件可靠度计算方法

技术领域

本发明属于建筑和交通桥梁技术领域，具体地说，涉及一种风车荷载作用下的大跨度桥梁构件可靠度计算方法。

背景技术

大跨度桥梁由于结构形式独特，地理位置关键，且承载着较大的交通量，一旦损坏或垮塌，会造成严重的交通阻塞或大量的人员伤亡及财产损失，因此评估大跨度桥梁的安全变得尤为重要。基于可靠度的大跨度桥梁安全评估通常是评估大跨度桥梁安全的一种切实可行的方法，然而由于大跨度桥梁本身结构的复杂性和桥梁所受到的外加荷载的多样性，导致桥梁结构可靠度计算中的极限状态函数往往具有较高的非线性，难以用确切的表达式表示出来。因此寻找一种较好的方法拟合极限状态函数已十分必要。

目前的桥梁结构可靠度计算分析中，针对隐式极限状态函数的情况，已有确切的方法如：响应面法和神经网络法。

其中，响应面法用包含未知参数的已知函数代替隐式或复杂的极限状态函数，用插值回归的方法确定未知参数，一般都能满足实际工程的精度要求，具有较高的计算效率，但是对于一些需要更高精度的情况，该方法明显不能满足要求。

神经网络具有信息的分布表示、运算的全局并行和局部操作、处理的非线性等特点，具有良好的学习功能和推理能力，适合解决复杂的非线性映射问题，一般情况下，在设法获得有限的基本变量与结构响应数据后，即可利用神经网络来逼近结构的极限状态函数，用神经网络来模拟真实的结构。虽然传统神经网络具有较高的拟合能力，但是网络预测结果有一定误差，某些样本点的误差明显较大。

发明内容

针对上述现有技术存在的缺陷或不足，本发明的目的在于，提供一种风车荷载作用下大跨度桥梁构件可靠度计算方法。

为了实现上述任务，本发明采取如下的技术解决方案：

一种风车荷载作用下的大跨度桥梁构件可靠度计算方法，其特征在于，具体步骤如下：

步骤一，确定目标桥梁结构极限状态函数的参数种类，收集足够多的具有代表性的参数数据，对收集好的数据进行随机分组，分为训练集和测试集两部分，并对各部分数据进行归一化处理；

步骤二，基于思维进化算法和神经网络建立优化的极限状态函数拟合程序，首先设置该程序的输入参数，产生初始种群、优胜子种群和临时子种群，进行迭代趋同和异化操作，当程序中思维进化算法满足迭代停止条件后，获得最优个体输出，将其作为下一步计算的初始权值和阈值；

步骤三，将测试集的输入数据代入训练好的神经网络中进行仿真预测，将预测得到的荷载效应数据和期望数据，即初始收集的测试集输出数据进行对比，计算误差，评估所得神经网络的拟合效果；

步骤四，将验证完的神经网络与粒子群算法优化的蒙特卡罗方法相结合，建立优化的可靠度计算方法，其中，验证完的神经网络作为桥梁构件的极限状态函数，优化的蒙特卡罗方法在其基础上对各输入参数进行随机抽样，并计算每次抽样样本对应的函数值，然后与标准值进行对比，得到每次抽样桥梁构件对应的状态，最终计算得到桥梁构件的失效概率。

本发明的风车荷载作用下的大跨度桥梁构件可靠度计算方法，带来的有益效果在于：

1、基于思维进化算法和神经网络建立的优化的风车桥耦合效应的极限状态函数拟合程序中把群体划分为优胜子群体和临时子群体，在此基础上分别进行趋同和异化操作，这两种功能相互协调且保持一定的独立性，便于分别提高效率，任一方面的改进都对提高算法的整体搜索效率有利。而在传统遗传算法中，交叉和变异算子均具有双重性，即可能产生好的基因，也可能破坏原有的基因，而思维进化算法中的趋同和异化操作可以避免这个问题。

2、在传统的神经网络中，初始权值和阈值往往根据经验设置或随机抽取，难以保证结果的准确性；在基于思维进化算法和神经网络的极限状态函数拟合程序中，初始权值和阈值通过思维进化算法选出的最优个体确定，这样大大提高了函数拟合程序的准确性，误差结果显著降低。

3、所采用的可靠度计算方法结合思维进化算法、神经网络以及粒子群算法优化的蒙特卡罗方法的优点，是一种新的可靠度计算方法程序，将其应用于风车荷载作用下的桥梁构件可靠度计算中，有效地改善了传统可靠度计算方法在该领域的适用性。

附图说明

图1为基于思维进化算法和神经网络的桥梁结构极限状态函数拟合流程图；

图2为风车桥可靠度预测过程的神经网络拓扑结构图；

图3为桥梁极限状态函数拟合程序的初始优胜子种群趋同过程；

图4为桥梁极限状态函数拟合程序的初始临时子种群趋同过程；

图5为桥梁极限状态函数拟合程序的网络预测输出结果；

图6为桥梁极限状态函数拟合程序的网络预测误差结果；

图7桥梁构件失效概率计算结果。

下面将结合附图和实施例，对本发明作进一步的清楚、完整地描述。

具体实施方式

本发明的技术思路是，首先建立目标桥梁构件的极限状态函数，收集其中的各参数数据，对其进行随机分类，得到训练数据和测试数据；然后基于思维进化算法和神经网络建立桥梁结构极限状态函数拟合程序，使用该程序对训练数据进行训练获得目标神经网络，以此代替桥梁结构的极限状态函数；采用获得的网络对测试数据进行预测，对比预测数据和期望数据，实现对网络拟合效果的检验；最后将检验完的网络与粒子群算法优化的蒙特卡罗方法相结合，建立一种新的适应风车荷载作用下大跨度桥梁构件的可靠度计算方法。

本实施例给出一种风车荷载作用下的大跨度桥梁构件可靠度计算方法，具体步骤如下：

步骤一，确定目标桥梁结构极限状态函数的参数种类，收集足够多的具有代表性的参数数据，对收集好的数据进行随机分组，分为训练集和测试集两部分，并对各部分数据进行归一化处理，将其保存；

本步骤中，足够多的具有代表性的参数数据可以使得建立的模型具有良好的泛化性能，将数据的部分选为测试集有助于后面对神经网络的验证，数据归一化可以减少由于变量之间的数量级差异较大对模型性能带来的影响。

步骤二，基于思维进化算法和神经网络建立优化的极限状态函数拟合程序，设置程序中思维进化算法的输入参数，在解空间中根据得分(即算法每步迭代结果的误差倒数，如式1)获得确定个数的优胜个体和临时个体；分别以这些优胜个体和临时个体为中心，在每个个体的周围产生一些新的个体，从而得到优胜子群体和临时子群体；在各个子群体内部执行趋同(即个体之间进行得分比较)操作，直至该子群体成熟；子群体成熟后，子群体之间执行异化(即子群体之间进行得分比较)操作，从而计算得到全局最优个体；当思维进化算法满足迭代停止条件后，便可寻找到最优个体输出，将其作为下一步计算的初始权值和阈值，随后代入训练集样本进行训练，将训练完成得到的网络进行保存。

本步骤中，建立的优化的极限状态函数拟合程序的不同输入参数可以调节拟合程序的运行效率，趋同和异化操作可以确保程序中种群趋于成熟，更接近最优个体，将得到的最优个体作为下一步网络训练的初始权值和阈值可以大大提高传统神经网络的运行效率和精度。

步骤三，将测试集的输入数据代入训练好的神经网络中进行仿真预测，将预测得到的荷载效应数据和期望数据，即初始收集的测试集输出数据进行对比，计算误差，评估所得神经网络的拟合效果；

本步骤中，进行网络训练可以获得目标极限状态函数所对应的网络结构，通过对测试集样本仿真预测获得预测输出，然后和期望输出进行对比，若结果吻合较好，则证明该拟合网络的函数拟合性能。

步骤四，将验证完的神经网络与粒子群算法优化的蒙特卡罗方法相结合，建立优化的可靠度计算方法，其中，验证完的神经网络作为桥梁构件的极限状态函数，优化的蒙特卡罗方法在其基础上对各输入参数进行随机抽样，并计算每次抽样样本对应的函数值，然后与标准值进行对比，得到每次抽样桥梁构件对应的状态，最终计算得到桥梁构件的失效概率。

本步骤中，采用神经网络与粒子群算法优化的蒙特卡罗方法相结合，可以改善传统可靠度计算方法(如一次二阶矩法、响应面法等)，使得更适合计算拥有复杂极限状态函数或者极限状态函数为隐式的风车作用下大跨度桥梁构件的失效概率或可靠度。

以下是发明人给出的具体实施例操作过程。

实施例1：

1)选取风速发生频率Pi(i取1-8，共8种风速)、年平均日交通量增长率gf以及桥梁构件力学性能参数(如弹性模量E、阻尼C和惯性矩I)共12个参数作为自变量X，桥梁构件响应作为因变量Y，构造桥梁构件极限状态函数：

Y＝g(X)(2)

2)将参数数据和荷载效应数据组合成矩阵，并将其随机分类为两部分，一部分为训练样本矩阵，另一部分为测试样本矩阵。采用归一化函数对样本进行归一化处理，对处理后的数据进行保存。

3)设置基于思维进化算法和神经网络的桥梁结构极限状态函数拟合程序的输入参数，其流程图如图1所示，产生初始种群、优胜子种群和临时子种群，进行迭代趋同和异化操作，最终获得最优个体，将其作为下一步计算的初始权值和阈值，然后代入归一化后得到的训练数据，训练得到目标网络。

4)根据获得的网络和测试集的输入数据得到测试集的预测数据，然后对比预测数据和期望数据，计算获得均方误差，根据误差大小判断此次优化神经网络的拟合效果。

5)将验证完的网络作为桥梁构件的极限状态函数，在其基础上采用粒子群算法优化的蒙特卡罗方法按各输入参数分布函数随机抽取对应样本，并计算每次抽样输入参数样本组合对应的函数值，然后将其与标准值进行对比，得到每次抽样桥梁构件对应的状态，最终计算得到桥梁构件的失效概率。

实施例2：

1)以一座840m的典型斜拉桥为工程背景，计算不同荷载作用下的桥梁主梁跨中底端的应力结果。将不同荷载组合情况和荷载效应结果组合成矩阵，然后分为训练数据和测试数据并进行归一化处理。

2)基于思维进化算法和神经网络的桥梁结构极限状态函数拟合程序参数：设置种群大小为200，优胜子种群个数、临时子种群个数和隐含层神经元个数均为5，输入层神经元个数为12，输出层神经元个数为1。产生初始种群、优胜子种群和临时子种群，并进行趋同和异化操作获得最优个体。初始优胜子种群趋同过程如图3所示，初始临时子种群趋同过程如图4所示。

3)将最优个体作为下一步计算的初始权值和阈值，训练网络并预测测试输出值。网络预测输出值和期望输出值对比结果如图5所示，网络预测误差如图6所示。

4)将步骤3)中得到的网络作为本次实施例中桥梁构件的极限状态函数，然后结合粒子群算法优化的蒙特卡罗方法对函数各输入参数进行抽样，并计算对应的函数输出参数，最后得到该桥梁构件51年的失效概率值，如图7所示。

综上所述，本发明的风车荷载作用下的大跨度桥梁构件可靠度计算方法，可以很好地拟合复杂的极限状态函数，为桥梁安全评估提供一种新的计算方法。该方法融合了思维进化算法、神经网络以及粒子群算法优化的蒙特卡罗方法的基本理论。解决了可靠度计算中隐式极限状态函数难以表达的问题以及很好地克服了传统神经网络初始权值和阈值难以确定的缺点，同时该方法很好地降低了传统神经网络的误差，提高了可靠度计算结果的精度。

需要说明的是，所描述的实施例仅仅是对于本领域技术人员理解本发明的详细说明，本发明不限于上述这些实施例，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应应视为本发明的保护范围。

Claims (1)

1.一种风车荷载作用下的大跨度桥梁构件可靠度计算方法，其特征在于，具体步骤如下：

步骤一，确定目标桥梁结构极限状态函数的参数种类，收集足够多的具有代表性的参数数据，对收集好的数据进行随机分组，分为训练集和测试集两部分，并对各部分数据进行归一化处理；

步骤二，基于思维进化算法和神经网络建立优化的极限状态函数拟合程序，首先设置该程序的输入参数，产生初始种群、优胜子种群和临时子种群，进行迭代趋同和异化操作，当程序中思维进化算法满足迭代停止条件后，获得最优个体输出，将其作为下一步计算的初始权值和阈值；

步骤三，将测试集的输入数据代入训练好的神经网络中进行仿真预测，将预测得到的荷载效应数据和期望数据，即初始收集的测试集输出数据进行对比，计算误差，评估所得神经网络的拟合效果；

步骤四，将验证完的神经网络与粒子群算法优化的蒙特卡罗方法相结合，建立优化的可靠度计算方法，其中，验证完的神经网络作为桥梁构件的极限状态函数，优化的蒙特卡罗方法在其基础上对各输入参数进行随机抽样，并计算每次抽样样本对应的函数值，然后与标准值进行对比，得到每次抽样桥梁构件对应的状态，最终计算得到桥梁构件的失效概率。