CN112100731B - 一种疲劳荷载计算模型的建立方法及系统 - Google Patents

Abstract

本发明公开了一种疲劳荷载计算模型的建立方法及系统，利用交通荷载等效总重值对不同车辆交通荷载类别进行分类，并针对分类后的每一类车辆交通荷载类别分别建立单独的疲劳荷载计算模型，在实际应用时根据不同的车辆交通荷载类别使用相应的疲劳荷载计算模型，可以极大的提升疲劳荷载计算模型的计算精度，同时，通过生成疲劳损伤比的表达式并构造能够反映全局计算误差的全局误差函数，利用智能优化算法得到轴重占比参数的确定值和轴距参数的确定值，并将其代入到疲劳荷载计算模型形式中，得到目标疲劳荷载计算模型，与现有技术相比，能够同时很好地适用于所有所考虑区域的交通荷载，兼具通用性和较高的精度。

Description

一种疲劳荷载计算模型的建立方法及系统

技术领域

本发明涉及桥梁工程技术领域，特别涉及一种疲劳荷载计算模型的建立方法及系统。

背景技术

在重复的车辆交通荷载的作用下，钢结构桥梁的部分构件会因荷载的反复作用产生疲劳损伤，从而威胁到桥梁的安全。由于使用实际交通荷载计算桥梁受到的疲劳损伤很困难，因此通常采用疲劳荷载计算模型来代替实际交通荷载的作用。理想的疲劳荷载计算模型需要达到的效果是：在通过的疲劳荷载计算模型与通过的实际有效交通车辆数量相同的情况下，针对关键部位的桥梁构件，使用疲劳荷载计算模型计算到的疲劳损伤值和实际交通荷载造成的疲劳损伤值相等或尽可能相近。

现有技术中，通常使用形式为单个车辆的疲劳荷载计算模型，其中，疲劳荷载计算模型中使用的总重、轴重占比(单个轴的重量占总重的比例)和轴距均采用固定参数。然而，由于不同地区的地形地貌及经济发展差异大，交通荷载情况在不同的地区差别很大，使用统一的固定参数的“疲劳荷载计算模型”来计算桥梁在不同区域交通荷载下受到的疲劳损伤会造成较大误差。

鉴于此，如何提供一种能够同时适用于所有区域的交通荷载且具有较高精度的疲劳荷载计算模型的建立方法及系统，是所属技术领域人员需要解决的技术问题。

发明内容

为解决上述技术问题，本发明提供一种疲劳荷载计算模型的建立方法及系统，能够同时很好地适用于所有所考虑区域的交通荷载，兼具通用性和较高的精度。

本发明一方面提供一种疲劳荷载计算模型的建立方法，包括：

获取各个区域的车辆交通荷载数据，分别计算每个所述区域的交通荷载等效总重值；

根据所述交通荷载等效总重值，以预设值为基准，将各个所述区域的车辆交通荷载分为N个交通荷载集合；其中，N为大于1的正整数；

以轴重占比和轴距为参数设立疲劳荷载计算模型形式；

以所述轴重占比和所述轴距为自变量，生成目标疲劳荷载计算模型在桥梁的关键疲劳损伤位置造成的疲劳损伤的表达式，记为目标疲劳荷载计算模型造成的疲劳损伤；针对每个所述交通荷载集合，分别生成实际交通荷载在所述桥梁的关键疲劳损伤位置造成的疲劳损伤的表达式，记为实际交通荷载造成的疲劳损伤；针对每个所述交通荷载集合，生成疲劳损伤比的表达式，其值为所述目标疲劳荷载计算模型造成的疲劳损伤与所述实际交通荷载造成的疲劳损伤之比；

针对所述疲劳损伤比的表达式，构造用于反映全局计算误差的全局误差函数；其中，所述全局误差函数以所述轴重占比和所述轴距为自变量；

设置所述轴重占比和所述轴距的约束条件，利用智能优化算法搜索所述全局误差函数的最小值，并求解所述最小值对应的所述轴重占比的确定值和所述轴距的确定值；

将利用所述智能优化算法得到的所述轴重占比的确定值和所述轴距的确定值代入所述疲劳荷载计算模型形式中，得到目标疲劳荷载计算模型。

优选地，所述交通荷载等效总重值的计算公式为：

式中，f_i代表车辆交通荷载数据中第i个车辆的出现频率；GVW_i代表车辆交通荷载数据中第i个车辆的总重。

优选地，所述疲劳损伤利用S-N曲线和Palmgren-Miner准则进行计算，计算公式为：

式中，S_r,max代表应力时程中最大应力幅，C代表与疲劳细节相关的常数，N_e代表等效应力幅个数；其中，N_e的计算公式为：

式中，S_r,i代表应力时程中第i阶高阶应力幅，其中，i＝1,2,3…。

优选地，所述S_r,i具体通过雨流计数法分解应力时程得出。

优选地，在所述生成疲劳损伤比的表达式时，按照桥梁截面的纵向应力分布符合平截面假定，所述疲劳损伤比的表达式具体为：

式中，D_model代表目标疲劳荷载计算模型造成的疲劳损伤，C代表与疲劳细节相关的常数，S_rm、M_rm和N_em分别代表目标疲劳荷载计算模型在桥梁的关键疲劳损伤位置造成的最大应力幅、最大弯矩幅和对应的等效应力幅个数；D_actual代表实际交通荷载造成的疲劳损伤，f_i代表车辆交通荷载数据中第i个车辆的出现频率，D_i代表车辆交通荷载数据中第i个车辆在桥梁的关键疲劳损伤位置造成的疲劳损伤，S_r,max,i、M_r,max,i和N_e,i分别代表车辆交通荷载数据中第i个车辆在桥梁的关键疲劳损伤位置造成的最大应力幅、最大弯矩幅和对应的等效应力幅个数。

优选地，所述桥梁的关键疲劳损伤位置具体为在车辆交通荷载作用下桥梁所受弯矩值最大的位置，包括简支梁的跨中截面、连续梁的跨中截面和连续梁的中间支座截面。

优选地，所述N的值为2，所述N个交通荷载集合包括轻载交通荷载集合和重载交通荷载集合；

所述轻载交通荷载集合对应的全局误差函数为：

式中，Card(T_light)代表轻载交通荷载集合T_light中包含元素的个数，t代表各个区域的交通荷载数据，l代表简支梁或连续梁的单跨跨径，d代表桥梁的关键疲劳损伤位置，DL1代表简支梁的跨中截面，DL2代表连续梁的跨中截面，DL3代表连续梁的中间支座截面，W_light代表适用于轻载交通荷载集合T_light的轴重占比，L_light代表适用于轻载交通荷载集合T_light的轴距；

所述重载交通荷载集合对应的全局误差函数为：

式中，Card(T_heavy)代表重载交通荷载集合T_heavy中包含元素的个数，W_heavy代表适用于重载交通荷载集合T_heavy的轴重占比，L_heavy代表适用于重载交通荷载集合T_heavy的轴距。

优选地，所述轴重占比和所述轴距的约束条件为：

0<w_p<1；∑w_p＝1；1.35<l_q<7.21；

式中，w_p代表轴重占比中向量的第p个元素，l_q代表轴距中向量的第q个元素。

优选地，所述智能优化算法具体为遗传算法、粒子群算法、模拟退火算法、蚁群算法中的任意一种。

本发明另一方面提供一种疲劳荷载计算模型的优化系统，包括：

数据获取模块，用于获取各个区域的车辆交通荷载数据，分别计算每个所述区域的交通荷载等效总重值；

集合分类模块，用于根据所述交通荷载等效总重值，以预设值为基准，将各个所述区域的车辆交通荷载分为N个交通荷载集合；其中，N为大于1的正整数；

模型形式设立模块，用于以轴重占比和轴距为参数设立疲劳荷载计算模型形式；

表达式生成模块，用于以所述轴重占比和所述轴距为自变量，生成目标疲劳荷载计算模型在桥梁的关键疲劳损伤位置造成的疲劳损伤的表达式，记为目标疲劳荷载计算模型造成的疲劳损伤；针对每个所述交通荷载集合，分别生成实际交通荷载在所述桥梁的关键疲劳损伤位置造成的疲劳损伤的表达式，记为实际交通荷载造成的疲劳损伤；针对每个所述交通荷载集合，生成疲劳损伤比的表达式，其值为所述目标疲劳荷载计算模型造成的疲劳损伤与所述实际交通荷载造成的疲劳损伤之比；

函数构造模块，用于针对所述疲劳损伤比的表达式，构造用于反映全局计算误差的全局误差函数；其中，所述全局误差函数以轴重占比和轴距为自变量；

参数求解模块，用于设置所述轴重占比和所述轴距的约束条件，利用智能优化算法搜索所述全局误差函数的最小值，并求解所述最小值对应的所述轴重占比的确定值和所述轴距的确定值；

模型建立模块，用于将利用所述智能优化算法得到的所述轴重占比的确定值和所述轴距的确定值代入所述疲劳荷载计算模型形式中，得到目标疲劳荷载计算模型。

本发明至少具有以下有益效果：

本发明利用交通荷载等效总重值对不同车辆交通荷载类别进行分类，并针对分类后的每一类车辆交通荷载类别分别建立单独的疲劳荷载计算模型，在实际应用时根据不同的车辆交通荷载类别使用相应的疲劳荷载计算模型，可以极大的提升疲劳荷载计算模型的计算精度，同时，通过生成疲劳损伤比的表达式并构造能够反映全局计算误差的全局误差函数，利用智能优化算法得到轴重占比的确定值和轴距的确定值，并将其代入到疲劳荷载计算模型形式中，得到目标疲劳荷载计算模型，可以使建立的目标疲劳荷载计算模型同时适用于所有所考虑区域的交通荷载，与现有技术相比，能够同时很好地适用于所有所考虑区域的交通荷载，兼具通用性和较高的精度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种疲劳荷载计算模型的建立方法的流程示意图；

图2为本发明实施例提供的一种疲劳荷载计算模型的建立系统的结构示意图；

图3为本发明实施例实际应用的一种疲劳荷载计算模型形式的示意图；

图4为本发明实施例实际应用的一种仿真测试图；

图5为本发明实施例实际应用的另一种仿真测试图。

具体实施方式

本发明的核心是提供一种疲劳荷载计算模型的建立方法及系统，能够使优化后的疲劳荷载计算模型同时适用于所有所考虑区域的交通荷载，通用性更强，且具有较高的精度。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例一方面提供一种疲劳荷载计算模型的建立方法，请参阅图1，该方法包括：

步骤S110、获取各个区域的车辆交通荷载数据，分别计算每个区域的交通荷载等效总重值。

本发明实施例中，首先获取所考虑全部应用范围内各个区域典型路段的车辆交通荷载数据，并分别计算每个区域的交通荷载等效总重值，记为EGVW。其中，由于总重小于30kN的车辆造成的疲劳损伤可以忽略不计，因此在车辆交通荷载数据中需要去除总重小于30kN的车辆的数据。

步骤S120、根据交通荷载等效总重值，以预设值为基准，将各个区域的车辆交通荷载分为N个交通荷载集合；其中，N为大于1的正整数。

本发明实施例中，根据计算得到的交通荷载等效总重值EGVW，以预设值为基准，将所有区域的车辆交通荷载进行分类，分为N个交通荷载集合。可以理解的是，每个交通荷载集合均包括多个区域的车辆交通荷载。具体实施时，可以以300kN为基准，将所有区域的车辆交通荷载分为两类，令交通荷载等效总重值EGVW＜300kN的车辆交通荷载组成轻载交通集合；令交通荷载等效总重值EGVW≥300kN的车辆交通荷载组成重载交通集合。

步骤S130、以轴重占比和轴距为参数设立疲劳荷载计算模型形式。

本发明实施例中，疲劳荷载计算模型是指用来代替实际交通荷载，用于估算桥梁受到的由实际交通荷载引起的疲劳损伤的计算模型；而疲劳荷载计算模型形式是指疲劳荷载计算模型包含的参数和构造形式，其特点在于：1、疲劳荷载计算模型形式为二维平面模型形式；2、其包含的参数为：交通荷载等效总重、轴重占比和轴距。其中，交通荷载等效总重为步骤S120中计算得到的交通荷载等效总重值EGVW，轴重占比和轴距以向量的形式表示，对于p轴车，其轴重占比向量的维数为p，其轴距向量的维数为p-1。

步骤S140、以轴重占比和轴距为自变量，生成目标疲劳荷载计算模型在桥梁的关键疲劳损伤位置造成的疲劳损伤的表达式，记为目标疲劳荷载计算模型造成的疲劳损伤；针对每个交通荷载集合，分别生成实际交通荷载在桥梁的关键疲劳损伤位置造成的疲劳损伤的表达式，记为实际交通荷载造成的疲劳损伤；针对每个交通荷载集合，生成疲劳损伤比的表达式，其值为目标疲劳荷载计算模型造成的疲劳损伤与实际交通荷载造成的疲劳损伤之比。

本发明实施例中，针对分类后的每一类车辆交通荷载类别，分别生成单独的疲劳损伤比的表达式。需要说明的是，由于在计算疲劳损伤比的时候，与桥梁截面的相关参数和疲劳细节的相关参数同时位于分子分母中，可以直接消掉，因此在步骤S140中，并不需要真实计算目标疲劳荷载计算模型在桥梁的关键疲劳损伤位置造成的疲劳损伤和实际交通荷载在桥梁的关键疲劳损伤位置造成的疲劳损伤，只需要生成两者之比的表达式。同样可以理解的是，在该步骤中，并没有建立疲劳荷载计算模型，“目标疲劳荷载计算模型”只是一个代称，方便理解。

步骤S150、针对疲劳损伤比的表达式，构造用于反映全局计算误差的全局误差函数；其中，全局误差函数以轴重占比和轴距为自变量。

本发明实施例中，疲劳损伤比可以反映疲劳荷载计算模型的准确性，若疲劳损伤比等于1，则说明使用该疲劳荷载计算模型可以准确的估算出实际交通荷载所造成的疲劳损伤；若疲劳损伤比小于1，则说明使用该疲劳荷载计算模型会低估实际交通荷载所造成的疲劳损伤；若疲劳损伤比大于1，则说明使用该疲劳荷载计算模型会高估实际交通荷载所造成的疲劳损伤。因此，针对每个疲劳损伤比的表达式，分别构造用于反映全局计算误差的全局误差函数，用以表征每个疲劳损伤比的表达式相对于准确值1的误差。

步骤S160、设置轴重占比和轴距的约束条件，利用智能优化算法搜索全局误差函数的最小值，并求解最小值对应的轴重占比的确定值和轴距的确定值。

本发明实施例中，设置轴重占比和轴距的约束条件，并利用智能优化算法搜索全局误差函数中的最小值，则最小值对应的轴重占比的确定值和轴距的确定值即为求解得到的最优的轴重占比和轴距。

步骤S170、将利用智能优化算法得到的轴重占比的确定值和轴距的确定值代入疲劳荷载计算模型形式中，得到目标疲劳荷载计算模型。

本发明实施例中，针对不同车辆交通荷载类别分别建立疲劳荷载计算模型，在实际应用时，可以根据不同的车辆交通荷载类别分别使用相应的疲劳荷载计算模型，从而极大提升疲劳荷载计算模型的计算精度；同时，在建立疲劳荷载计算模型时，使用的轴重占比和轴距为分别求解得到最优的轴重占比和轴距，而使用的总重则可以根据交通荷载等效总重值灵活调整，同时考虑了所有所考虑区域的实际交通荷载，在各类情况下都有较高的精度，能够同时适用于所有所考虑区域的交通荷载。

以上可知，本发明实施例提供的疲劳荷载计算模型的建立方法，利用交通荷载等效总重值对不同车辆交通荷载类别进行分类，并针对分类后的每一类车辆交通荷载类别分别建立单独的疲劳荷载计算模型，在实际应用时根据不同的车辆交通荷载类别使用相应的疲劳荷载计算模型，可以极大的提升疲劳荷载计算模型的计算精度，同时，通过生成疲劳损伤比的表达式并构造能够反映全局计算误差的全局误差函数，利用智能优化算法得到轴重占比的确定值和轴距的确定值，并将其代入到疲劳荷载计算模型形式中，得到目标疲劳荷载计算模型，可以使建立的目标疲劳荷载计算模型同时适用于所有所考虑区域的交通荷载，与现有技术相比，能够同时很好地适用于所有所考虑区域的交通荷载，兼具通用性和较高的精度。

具体的，上述实施例中，交通荷载等效总重值的计算公式为：

式中，f_i代表车辆交通荷载数据中第i个车辆的出现频率；GVW_i代表车辆交通荷载数据中第i个车辆的总重。

进一步地，上述实施例中，疲劳损伤利用S-N曲线和Palmgren-Miner准则进行计算，计算公式为：

式中，S_r,max代表应力时程中最大应力幅，C代表与疲劳细节相关的常数，N_e代表等效应力幅个数；其中，N_e的计算公式为：

式中，S_r,i代表应力时程中第i阶高阶应力幅，其中，i＝1,2,3…。

具体的，上述实施例中，S_r,i具体通过雨流计数法分解应力时程得出。

进一步地，上述实施例中，在生成疲劳损伤比的表达式时，按照桥梁截面的纵向应力分布符合平截面假定，疲劳损伤比的表达式具体为：

式中，D_model代表目标疲劳荷载计算模型造成的疲劳损伤，C代表与疲劳细节相关的常数，S_rm、M_rm和N_em分别代表目标疲劳荷载计算模型在桥梁的关键疲劳损伤位置造成的最大应力幅、最大弯矩幅和对应的等效应力幅个数；D_actual代表实际交通荷载造成的疲劳损伤，f_i代表车辆交通荷载数据中第i个车辆的出现频率，D_i代表车辆交通荷载数据中第i个车辆在桥梁的关键疲劳损伤位置造成的疲劳损伤，S_r,max,i、M_r,max,i和N_e,i分别代表车辆交通荷载数据中第i个车辆在桥梁的关键疲劳损伤位置造成的最大应力幅、最大弯矩幅和对应的等效应力幅个数。

本发明实施中，疲劳损伤利用S-N曲线和Palmgren-Miner准则进行计算，同时假定桥梁截面的纵向应力分布符合平截面假定，则疲劳损伤比的表达式中最大应力幅之比可以转换为最大弯矩幅之比，而最大弯矩幅可以由车辆通过桥梁时产生的弯矩时程曲线得出，其中，在已知道车辆轴重和轴距的情况下，车辆通过桥梁时在关键疲劳损伤位置产生的弯矩时程曲线可以通过影响线方法得出。

具体的，上述实施例中，桥梁的关键疲劳损伤位置具体为在车辆交通荷载作用下桥梁所受弯矩值最大的位置，包括简支梁的跨中截面、连续梁的跨中截面和连续梁的中间支座截面。

本发明实施例中，由于单跨跨径为6到40m(间隔1m)的简支梁以及单跨跨径为16到40m(间隔1m)的两跨等跨连续梁在桥梁中所占比例最大，因此选取简支梁和连续梁作为待研究桥型。其中，简支梁的跨中截面、连续梁的跨中截面和连续梁的中间支座截面在车辆交通荷载作用下所受的正弯矩值或负弯矩值比其余截面位置的要大，属于桥梁的关键疲劳损伤位置，分别记为DL1、DL2和DL3。

进一步地，上述实施例中，N的值为2，N个交通荷载集合包括轻载交通荷载集合和重载交通荷载集合；

轻载交通荷载集合对应的全局误差函数为：

式中，Card(T_light)代表轻载交通荷载集合T_light中包含元素的个数，t代表各个区域的交通荷载数据，l代表简支梁或连续梁的单跨跨径，d代表桥梁的关键疲劳损伤位置，DL1代表简支梁的跨中截面，DL2代表连续梁的跨中截面，DL3代表连续梁的中间支座截面，W_light代表适用于轻载交通荷载集合T_light的轴重占比，L_light代表适用于轻载交通荷载集合T_light的轴距；

重载交通荷载集合对应的全局误差函数为：

式中，Card(T_heavy)代表重载交通荷载集合T_heavy中包含元素的个数，W_heavy代表适用于重载交通荷载集合T_heavy的轴重占比，L_heavy代表适用于重载交通荷载集合T_heavy的轴距。

本发明实施例中，将所有区域的车辆交通荷载分为两类，分别为轻载交通集合T_light和重载交通集合T_heavy，构造函数RMSE_FDR,light(T_light,W_light,L_light)来表示适用于轻载交通荷载集合T_light的模型车辆在T_light中各元素(每个区域的交通荷载)的作用下，在每种桥型、跨径及关键疲劳损伤位置的疲劳损伤比相对于准确值1的均方根误差，以及构造函数RMSE_FDR,heavy(T_heavy,W_heavy,L_heavy)来表示适用于重载交通荷载集合T_heavy的模型车辆在T_heavy中各元素(每个区域的交通荷载)的作用下，在每种桥型、跨径及关键疲劳损伤位置的疲劳损伤比相对于准确值1的均方根误差。具体实施时，适用于轻载交通荷载集合T_light的模型车辆可以选择三轴车辆，其轴重占比的向量为W_light＝{w₁,w₂,w₃}，轴距的向量为L_light＝{l₁,l₂}；适用于重载交通荷载集合T_heavy的模型车辆可以选择四轴车辆，其轴重占比的向量为W_heavy＝{w₁,w₂,w₃,w₄}，轴距的向量为L_heavy＝{l₁,l₂,l₃}。

具体的，上述实施例中，轴重占比和轴距的约束条件为：

0<w_p<1；∑w_p＝1；1.35<l_q<7.21；

式中，w_p代表轴重占比中向量的第p个元素，l_q代表轴距中向量的第q个元素。

具体实施时，对于适用于轻载交通荷载集合T_light的三轴车辆，p＝1,2,3；q＝1,2。对于适用于重载交通荷载集合T_heavy的四轴车辆，p＝1,2,3,4；q＝1,2,3。

进一步地，上述实施例中，智能优化算法具体为遗传算法、粒子群算法、模拟退火算法、蚁群算法中的任意一种。本发明实施例中，使用遗传算法作为智能优化算法。

本发明实施例另一方面提供一种疲劳荷载计算模型的建立系统，下文描述的该系统可以与上文描述的方法相互对应参照。

请参阅图2，该系统包括：

数据获取模块110，用于获取各个区域的车辆交通荷载数据，分别计算每个区域的交通荷载等效总重值；

集合分类模块120，用于根据交通荷载等效总重值，以预设值为基准，将各个区域的车辆交通荷载分为N个交通荷载集合；其中，N为大于1的正整数；

模型形式设立模块130，用于以轴重占比和轴距为参数设立疲劳荷载计算模型形式；

表达式生成模块140，用于以轴重占比和轴距为自变量，生成目标疲劳荷载计算模型在桥梁的关键疲劳损伤位置造成的疲劳损伤的表达式，记为目标疲劳荷载计算模型造成的疲劳损伤；针对每个交通荷载集合，分别生成实际交通荷载在桥梁的关键疲劳损伤位置造成的疲劳损伤的表达式，记为实际交通荷载造成的疲劳损伤；针对每个交通荷载集合，生成疲劳损伤比的表达式，其值为目标疲劳荷载计算模型造成的疲劳损伤与实际交通荷载造成的疲劳损伤之比；

函数构造模块150，用于针对疲劳损伤比的表达式，构造用于反映全局计算误差的全局误差函数；其中，全局误差函数以轴重占比和轴距为自变量；

参数求解模块160，用于设置轴重占比和轴距的约束条件，利用智能优化算法搜索全局误差函数的最小值，并求解最小值对应的轴重占比的确定值和轴距的确定值；

模型建立模块170，用于将利用智能优化算法得到的轴重占比的确定值和轴距的确定值代入疲劳荷载计算模型形式中，得到目标疲劳荷载计算模型。

以上可知，本发明实施例提供的疲劳荷载计算模型的建立系统，利用交通荷载等效总重值对不同车辆交通荷载类别进行分类，并针对分类后的每一类车辆交通荷载类别分别建立单独的疲劳荷载计算模型，在实际应用时根据不同的车辆交通荷载类别使用相应的疲劳荷载计算模型，可以极大的提升疲劳荷载计算模型的计算精度，同时，通过生成疲劳损伤比的表达式并构造能够反映全局计算误差的全局误差函数，利用智能优化算法得到轴重占比的确定值和轴距的确定值，并将其代入到疲劳荷载计算模型形式中，得到目标疲劳荷载计算模型，可以使建立的目标疲劳荷载计算模型同时适用于所有所考虑区域的交通荷载，与现有技术相比，能够同时很好地适用于所有所考虑区域的交通荷载，兼具通用性和较高的精度。

下面通过具体的实施案例来说明通过本发明实施例建立的疲劳荷载计算模型的实际应用结果。

选取中国12个区域的代表性路段的车辆交通荷载数据，这12个区域分别为：北京、福建、广东、河南、江苏、江西、辽宁、山东、上海、山西、四川和浙江，依序以RD1、RD2、…、RD12表示。然后分别计算这12个区域的交通荷载等效总重EGVW值，RD1-RD12的EGVW值见下表所示：

令EGVW<300kN的区域交通荷载组成轻载交通集合，记为T_light；令EGVW≥300kN的区域交通荷载组成重载交通集合，记为T_heavy。则有：T_light＝{RD1,RD2,RD9,RD11,RD12},T_heavy＝{RD3,RD4,RD5,RD6,RD7,RD8,RD10}。

适用于轻载交通荷载集合T_light的模型车辆选择三轴车辆，其轴重占比的向量为W_light＝{w₁,w₂,w₃}，轴距的向量为L_light＝{l₁,l₂}，其疲劳荷载计算模型形式为图3中(a)部分所示；适用于重载交通荷载集合T_heavy的模型车辆选择四轴车辆，其轴重占比的向量为W_heavy＝{w₁,w₂,w₃,w₄}，轴距的向量为L_heavy＝{l₁,l₂,l₃}，其疲劳荷载计算模型形式为图3中(b)部分所示。

使用Matlab程序分别编写轻载交通集合的全局误差函数RMSE_FDR,light和重载交通集合的全局误差函数RMSE_FDR,heavy的计算代码。

使用遗传算法搜寻RMSE_FDR,light和RMSE_FDR,heavy的最小值，分别为：min(RMSE_FDR,light)＝0.09和min(RMSE_FDR,heavy)＝0.05，求解得到对应的轻载交通集合T_light的轴重占比的确定值W_light＝{0.33,0.25,0.42}、轴距的确定值L_light＝{6.7,2.7}，以及重载交通集合T_heavy的轴重占比的确定值W_heavy＝{0.25,0.19,0.25,0.31}、轴距的确定值L_heavy＝{3.3.6.6,1.9}，即为分别适用于轻载交通集合的三轴车参数以及适用于轻载交通集合的四轴车参数。

分别建立适用于轻载交通集合的疲劳荷载计算模型和适用于重载交通集合的疲劳荷载计算模型，并将上述三轴车参数和四轴车参数分别代入相应的模型中，进行仿真测试，则适用于轻载交通集合的疲劳荷载计算模型的疲劳损伤比FDR及适用于重载交通集合的疲劳荷载计算模型的疲劳损伤比FDR，仿真结果分别如图4和图5所示。可以看出，在各种情况下的疲劳损伤比FDR的值都接近于1，这说明本发明实施例建立的疲劳荷载计算模型，可以很好的估算出实际交通荷载造成的桥梁关键位置的疲劳损伤。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种疲劳荷载计算模型的建立方法，其特征在于，包括：

获取各个区域的车辆交通荷载数据，分别计算每个所述区域的交通荷载等效总重值；

根据所述交通荷载等效总重值，以预设值为基准，将各个所述区域的车辆交通荷载分为N个交通荷载集合；其中，N为大于1的正整数；

以轴重占比和轴距为参数设立疲劳荷载计算模型形式；

以所述轴重占比和所述轴距为自变量，生成目标疲劳荷载计算模型在桥梁的关键疲劳损伤位置造成的疲劳损伤的表达式，记为目标疲劳荷载计算模型造成的疲劳损伤；针对每个所述交通荷载集合，分别生成实际交通荷载在所述桥梁的关键疲劳损伤位置造成的疲劳损伤的表达式，记为实际交通荷载造成的疲劳损伤；针对每个所述交通荷载集合，生成疲劳损伤比的表达式，其值为所述目标疲劳荷载计算模型造成的疲劳损伤与所述实际交通荷载造成的疲劳损伤之比；

针对所述疲劳损伤比的表达式，构造用于反映全局计算误差的全局误差函数；其中，所述全局误差函数以所述轴重占比和所述轴距为自变量；

设置所述轴重占比和所述轴距的约束条件，利用智能优化算法搜索所述全局误差函数的最小值，并求解所述最小值对应的所述轴重占比的确定值和所述轴距的确定值；

将利用所述智能优化算法得到的所述轴重占比的确定值和所述轴距的确定值代入所述疲劳荷载计算模型形式中，得到目标疲劳荷载计算模型；

其中，所述疲劳损伤利用S-N曲线和Palmgren-Miner准则进行计算，计算公式为：

式中，S_r,max代表应力时程中最大应力幅，C代表与疲劳细节相关的常数，N_e代表等效应力幅个数；其中，N_e的计算公式为：

式中，S_r,i代表应力时程中第i阶高阶应力幅，其中，i＝1,2,3…；

在所述生成疲劳损伤比的表达式时，按照桥梁截面的纵向应力分布符合平截面假定，所述疲劳损伤比的表达式具体为：

式中，D_model代表目标疲劳荷载计算模型造成的疲劳损伤，C代表与疲劳细节相关的常数，S_rm、M_rm和N_em分别代表目标疲劳荷载计算模型在桥梁的关键疲劳损伤位置造成的最大应力幅、最大弯矩幅和对应的等效应力幅个数；D_actual代表实际交通荷载造成的疲劳损伤，f_i代表车辆交通荷载数据中第i个车辆的出现频率，D_i代表车辆交通荷载数据中第i个车辆在桥梁的关键疲劳损伤位置造成的疲劳损伤，S_r,max,i、M_r,max,i和N_e,i分别代表车辆交通荷载数据中第i个车辆在桥梁的关键疲劳损伤位置造成的最大应力幅、最大弯矩幅和对应的等效应力幅个数。

2.根据权利要求1所述的疲劳荷载计算模型的建立方法，其特征在于，所述交通荷载等效总重值的计算公式为：

式中，f_i代表车辆交通荷载数据中第i个车辆的出现频率；GVW_i代表车辆交通荷载数据中第i个车辆的总重。

3.根据权利要求1所述的疲劳荷载计算模型的建立方法，其特征在于，所述S_r,i具体通过雨流计数法分解应力时程得出。

4.根据权利要求1所述的疲劳荷载计算模型的建立方法，其特征在于，所述桥梁的关键疲劳损伤位置具体为在车辆交通荷载作用下桥梁所受弯矩值最大的位置，包括简支梁的跨中截面、连续梁的跨中截面和连续梁的中间支座截面。

5.根据权利要求4所述的疲劳荷载计算模型的建立方法，其特征在于，所述N的值为2，所述N个交通荷载集合包括轻载交通荷载集合和重载交通荷载集合；

所述轻载交通荷载集合对应的全局误差函数为：

式中，Card(T_light)代表轻载交通荷载集合T_light中包含元素的个数，t代表各个区域的交通荷载数据，l代表简支梁或连续梁的单跨跨径，d代表桥梁的关键疲劳损伤位置，DL1代表简支梁的跨中截面，DL2代表连续梁的跨中截面，DL3代表连续梁的中间支座截面，W_light代表适用于轻载交通荷载集合T_light的轴重占比，L_light代表适用于轻载交通荷载集合T_light的轴距；

所述重载交通荷载集合对应的全局误差函数为：

式中，Card(T_heavy)代表重载交通荷载集合T_heavy中包含元素的个数，W_heavy代表适用于重载交通荷载集合T_heavy的轴重占比，L_heavy代表适用于重载交通荷载集合T_heavy的轴距。

6.根据权利要求1所述的疲劳荷载计算模型的建立方法，其特征在于，所述轴重占比和所述轴距的约束条件为：

0<w_p<1；∑w_p＝1；1.35<l_q<7.21；

式中，w_p代表轴重占比中向量的第p个元素，l_q代表轴距中向量的第q个元素。

7.根据权利要求6所述的疲劳荷载计算模型的建立方法，其特征在于，所述智能优化算法具体为遗传算法、粒子群算法、模拟退火算法、蚁群算法中的任意一种。

8.一种疲劳荷载计算模型的建立系统，其特征在于，包括：

数据获取模块，用于获取各个区域的车辆交通荷载数据，分别计算每个所述区域的交通荷载等效总重值；

集合分类模块，用于根据所述交通荷载等效总重值，以预设值为基准，将各个所述区域的车辆交通荷载分为N个交通荷载集合；其中，N为大于1的正整数；

模型形式设立模块，用于以轴重占比和轴距为参数设立疲劳荷载计算模型形式；

表达式生成模块，用于以所述轴重占比和所述轴距为自变量，生成目标疲劳荷载计算模型在桥梁的关键疲劳损伤位置造成的疲劳损伤的表达式，记为目标疲劳荷载计算模型造成的疲劳损伤；针对每个所述交通荷载集合，分别生成实际交通荷载在所述桥梁的关键疲劳损伤位置造成的疲劳损伤的表达式，记为实际交通荷载造成的疲劳损伤；针对每个所述交通荷载集合，生成疲劳损伤比的表达式，其值为所述目标疲劳荷载计算模型造成的疲劳损伤与所述实际交通荷载造成的疲劳损伤之比；

函数构造模块，用于针对所述疲劳损伤比的表达式，构造用于反映全局计算误差的全局误差函数；其中，所述全局误差函数以轴重占比和轴距为自变量；

参数求解模块，用于设置所述轴重占比和所述轴距的约束条件，利用智能优化算法搜索所述全局误差函数的最小值，并求解所述最小值对应的所述轴重占比的确定值和所述轴距的确定值；

模型建立模块，用于将利用所述智能优化算法得到的所述轴重占比的确定值和所述轴距的确定值代入所述疲劳荷载计算模型形式中，得到目标疲劳荷载计算模型；

其中，所述疲劳损伤利用S-N曲线和Palmgren-Miner准则进行计算，计算公式为：

式中，S_r,max代表应力时程中最大应力幅，C代表与疲劳细节相关的常数，N_e代表等效应力幅个数；其中，N_e的计算公式为：

式中，S_r,i代表应力时程中第i阶高阶应力幅，其中，i＝1,2,3…；

在所述生成疲劳损伤比的表达式时，按照桥梁截面的纵向应力分布符合平截面假定，所述疲劳损伤比的表达式具体为：

式中，D_model代表目标疲劳荷载计算模型造成的疲劳损伤，C代表与疲劳细节相关的常数，S_rm、M_rm和N_em分别代表目标疲劳荷载计算模型在桥梁的关键疲劳损伤位置造成的最大应力幅、最大弯矩幅和对应的等效应力幅个数；D_actual代表实际交通荷载造成的疲劳损伤，f_i代表车辆交通荷载数据中第i个车辆的出现频率，D_i代表车辆交通荷载数据中第i个车辆在桥梁的关键疲劳损伤位置造成的疲劳损伤，S_r,max,i、M_r,max,i和N_e,i分别代表车辆交通荷载数据中第i个车辆在桥梁的关键疲劳损伤位置造成的最大应力幅、最大弯矩幅和对应的等效应力幅个数。

Images