CN113935090A - 一种用于桥梁车致疲劳分析的随机车流精细模拟方法 - Google Patents

Abstract

本发明公开了一种用于桥梁车致疲劳分析的随机车流精细模拟方法，步骤如下：(1)使用两步聚类法划分交通运行状态；(2)建立车辆载荷参数的概率模型；(3)随机车流精细模拟。本发明中通过两步聚类方法区分交通运行状态，可避免人为确定车间距限值划分运行状态带来的主观因素影响；车辆载荷参数的概率模型建立方法，可对比多种分布拟合结果确定最优概率模型，使得后续随机车流的模拟更精简准确；基于精细化的随机车流模型可以获取更加准确的疲劳应力幅和循环次数预测结果，使疲劳评估结果更准确。该方法可以适用于不同桥梁不同路况不同的车辆荷载监测数据，具有较高的普适性，在桥梁疲劳性能评估领域具有较大的应用潜力。

Description

一种用于桥梁车致疲劳分析的随机车流精细模拟方法

技术领域

本发明属于桥梁结构性能评估技术领域，具体涉及一种用于桥梁车致疲劳分析的随机车流精细模拟方法。

背景技术

桥梁结构在长期的服役过程中，受到车辆引起的变幅荷载反复作用，导致疲劳损伤不断累积，钢桥面板等桥梁关键构件的高周期疲劳问题十分突出，已经严重影响桥梁结构设计使用寿命内的服役性能。桥梁构件的车致疲劳损伤与车载引起的结构应力幅及循环次数相关，单位时间通过的车流量影响应力幅的循环次数，车轴重及间距影响应力幅大小，所以车致疲劳评估的关键是准确获得引起疲劳损伤的车辆荷载信息。

结构监测系统可以记录桥梁真实运营条件下的车辆荷载特征数据，为准确评估桥梁构件疲劳损伤提供了数据基础条件。基于车载监测数据统计分析模拟随机车流的疲劳损伤评估方法将车载疲劳效应从多因素耦合疲劳效应中分离出来，这在评估车载桥梁疲劳损伤方面取得了较大进步。作为随机车流的重要特征之一，交通运行状态是一个复杂的随机过程，主要是指在桥梁上移动车辆荷载的密度和大小。在不同的交通运行状态下，车流量和车重有很大的不同。当交通流处于密集状态时，意味着在相同时间间隔内，桥梁上某一点车辆荷载引起的应力循环次数明显大于相对稀疏运行状态。此外，由轴载量较大的车辆组成的交通流会在结构中产生较大的应力幅值。可见，交通运行状态对结构疲劳性能有重要影响。因此，准确地建立随机交通流模型需要对交通运行状态进行划分并分别模拟。

目前，基于车载监测数据统计分析模拟随机车流的疲劳损伤的评估方法，在进行随机车流模拟时，大多未考虑交通运行状态的划分，或者仅通过对前后车辆到达时间间隔或者车间距设置限值，将车辆划分为一般运行状态和密集运行状态。这种方法是在对历史车辆信息调查不充分的基础上建立的，对于密集程度的划分界限缺乏客观依据，此外此类划分方法虽然考虑了车辆密集程度对交通运行状态进行划分，但仅采用前后车距这一单一影响因素，无法反映交通运行状态对车重的影响，具有一定的局限性。

发明内容

本发明的目的是提供一种用于桥梁车致疲劳分析的随机车流精细模拟方法。

本发明的技术方案：

一种用于桥梁车致疲劳分析的随机车流精细模拟方法，步骤如下：

步骤1.使用两步聚类法划分随机车流运行状态

(1.1)根据动态称重系统获取的车辆荷载数据，定义车辆荷载样本集合为X＝{x₁,x₂,...,x_N}，其中包含N个车辆荷载样本点；以车流量、车重、车速和前后相邻两辆车到达同一位置的时间间隔这四个车辆荷载特征数据作为聚类指标，则每个样本点x_i有n＝4个车辆荷载特征数据；簇i和簇j之间的距离定义为式(1)：

D(i,j)＝λ_i+λ_j-λ_<i,j> (1)

其中，r＝i，j；<i,j>表示将聚类簇i和j合并；N_r是车辆荷载聚类簇r中的车辆荷载样本数；

是车辆荷载样本全体中第k个车辆荷载特征变量的估计方差；

是车辆荷载聚类簇r中第k个车辆荷载特征参量变量的估计方差；

基于贝叶斯信息准则BIC，初步确定簇数的估计值，即随着簇数的增加，BIC的减少量开始大幅减少时，对应的聚类个数即确定为车辆荷载的初步聚类数；BIC的计算公式如式(3)：

其中，C_J＝{C₁,...,C_J}为车辆荷载聚类簇的集合；

(1.2)以初始聚类结果为对象，逐步合并最小距离的两个簇，形成新的聚类结果；根据式(4)计算合并前后聚类簇中的最小距离，进一步根据式(5)计算合并前后最小距离的比值变化；以该比值作为判定标准，对应最大比值的聚类数即为最优聚类个数；

D_min(C_J)＝min{D(C_i,C_j):i≠j} (4)

步骤2.建立车辆载荷参数的概率模型

为建立桥梁结构疲劳分析的随机交通流模型，需要确定随机交通流中各车辆荷载在桥梁上的相对位置和重量，从而确定桥梁构件的局部疲劳应力时程；

(2.1)根据实际车辆荷载数据进行车型分类，确定各车道各车型的数量和所占比例，然后对实测各车型的车轴间距和轴重数据进行统计分析，确定车型、各车型的轴重比以及轴间距；

(2.2)将不同交通运行状态下的车辆间距、车重和车速分别进行概率建模，分别采用正态分布、对数正态分布、极值分布、威布尔分布、伽马分布这5种单峰分布，在0.05的显著性水平下对估计的概率密度函数进行K-S检验，若单峰分布拟合结果无法通过检验，则进一步采用高斯混合分布进行拟合，并进行K-S检验；当有多于1个单峰分布通过检验时，则根据车辆荷载参数测试统计量值和接受假设的临界值的差值，最终确定最接近实际数据的最优分布；

步骤3.随机移动车辆荷载流模拟

(3.1)随机车辆流的模拟：将待模拟车道不同交通运行状态下车流量、车辆类型比例、车重、车速以及车间距分别依次进行蒙特卡洛随机抽样，得到包含车速随机序列、车重随机序列及车间距随机序列的随机车辆流；

(3.2)将随机车辆流转化为随机移动荷载流：根据各类车型车辆的车轴间距、轴重的分配比例以及相邻车辆的车辆间距，将随机车流分解为以轴重随机序列、距离随机序列和速度随机序列组成的随机移动荷载流。

本发明的有益效果：

1、本发明中的通过聚类分析划分交通运行状态的方法，可避免传统方法中根据人为确定车间距限值划分运行状态带来的主观因素影响，能够对交通运行状态进行客观划分。相比于不划分运行状态的模拟随机车流方法，随机车流的模拟更符合视角交通运行状况；

2、本发明中的基于聚类的交通运行状态划分方法，同时考虑车流量、车重对交通运行状态的影响，对疲劳应力幅和循环次数的预测具有较高的准确性，据此得到结构应变能够更加准确地反映实际桥梁结构细节的疲劳应力状况，使疲劳评估结果更准确；

4、本发明中的车辆载荷参数的概率模型建立方法，使用5种单峰分布及一种多峰分布对车辆荷载参数进行概率拟合，并使用K-S进行检验，根据其检验参数对比确定最优拟合，使得后续随机车流的模拟更精简准确；

3、本发明中基于聚类方法区分交通运行状态模拟的随机车流可以适用于不同桥梁结构形式、不同路况特征的车辆荷载监测数据，具有较好的普适性。

附图说明

图1为本发明所采用聚类方法参数BIC及相关参数的变化；

图2为本发明方法实施得到车辆荷载聚类后的车流量特征；

图3为本发明方法实施得到车辆荷载聚类后的车重特征；

图4为本发明方法实施得到的3轴车车重概率分布模型；

图5为本发明方法实施得到的6轴车车重概率分布模型；

图6为本发明方法实施得到的密集运行状态下的随机车流；

图7为本发明方法实施得到的稀疏运行状态下的随机车流；

图8为本发明方法实施得到的精细化随机车流用于桥梁车致疲劳分析的结果对比。

图9为本发明方法的流程图。

具体实施方式

下面结合附图和一个算例来对本发明做进一步的详细说明。

本发明的用于桥梁车致疲劳分析的随机车流精细模拟方法分为“两步聚类法区分交通运行状态”，“车辆载荷参数的概率模型建立”和“随机车流精细模拟”三步，具体实施方式上文已经给出，接下来结合具体算例说明发明的使用方法和特点。

在本具体数值算例中，采用两步聚类法对两周的监测车辆荷载数据进行处理。将每30分钟的车流量、平均车辆重量、平均车速、平均时间间隔作为单个样本特征。车辆荷载最优聚类数的决策值BIC的变化及距离测量比的变化如图1所示。结合聚类数确定原则可以观察到，BIC值持续减小直至车辆荷载聚类数为5之后趋于稳定并有上升趋势，所以预聚类个数选为5。在预聚类范围内，当车辆载荷聚类数为2时BIC距离的比值发生较大的跳跃。最终，确定车辆的最优聚类数为2，将交通运行状态分为两类。有效避免了人为主观确定车间距限值划分运行状态对随车车流模拟合理性的影响。

聚类结果表明，交通运行状态与车辆荷载特征之间存在明显的相关性，如图2和图3所示。如图2所示，可以认为得到的两类车辆荷载分别对应于日间密集的交通状态和夜间稀疏的交通状态。此外，在工作日和周末，两种交通状态的划分存在明显差异。工作日4:30～21:00为密集交通状态，21:00～次日4:30为稀疏交通状态。相比之下，周末5:00～20:00时段为密集交通状态，20:00～次日5:00时段为稀疏交通状态。从图3可以看出，重型车辆在夜间出现的概率明显要高于白天。

图4及图5展示了本说明方法的车辆荷载概率建模过程，图4为3轴车车重概率模型，可以看出该数据同时符合广义极值分布和伽马分布，但是根据K-S检验结果，最符合广义极值分布，无需使用多峰分布。图5为6轴车重概率模型，可以看出该数据不符合单峰分布，需要使用混合高斯分布进行拟合。

本发明方法实施得到了两种交通运行状态，根据蒙特卡洛抽样得到不同运行状态下的随机车流，密集状态下的随机车流如图6所示，稀疏运行状态下的随机车流如图7所示。根据图6和图7可以明显看出两种运行状态在车重和车流量方面的不同。

在本实施算中，将模拟得到的精细化随机车流用于桥梁车致疲劳分析的结果对比如图8所示。分别对比仅考虑密集运行状态、考虑区分两种交通运行状态、不考虑交通运行状态和仅考虑稀疏交通运行状态四种情况模拟的随机车流用于桥梁车致疲劳分析的结果，可以看出区分交通运行状态比不区分交通运行状态可靠度指标达到设定值提前13年，所以不区分交通运行状态可能导致疲劳风险被低估，证明了本发明的精细化随机车流建模方法对桥梁车致疲劳评估的重要意义。

Claims (1)

1.一种用于桥梁车致疲劳分析的随机车流精细模拟方法，其特征在于，步骤如下：

步骤1.使用两步聚类法划分随机车流运行状态

(1.1)根据动态称重系统获取的车辆荷载数据，定义车辆荷载样本集合为X＝{x₁,x₂,...,x_N}，其中包含N个车辆荷载样本点；以车流量、车重、车速和前后相邻两辆车到达同一位置的时间间隔这四个车辆荷载特征数据作为聚类指标，则每个样本点x_i有n＝4个车辆荷载特征数据；簇i和簇j之间的距离定义为式(1)：

D(i,j)＝λ_i+λ_j-λ_<i,j> (1)

其中，r＝i，j；<i,j>表示将聚类簇i和j合并；N_r是车辆荷载聚类簇r中的车辆荷载样本数；

是车辆荷载样本全体中第k个车辆荷载特征变量的估计方差；

是车辆荷载聚类簇r中第k个车辆荷载特征参量变量的估计方差；

基于贝叶斯信息准则BIC，初步确定簇数的估计值，即随着簇数的增加，BIC的减少量开始大幅减少时，对应的聚类个数即确定为车辆荷载的初步聚类数；BIC的计算公式如式(3)：

其中，C_J＝{C₁,...,C_J}为车辆荷载聚类簇的集合；

(1.2)以初始聚类结果为对象，逐步合并最小距离的两个簇，形成新的聚类结果；根据式(4)计算合并前后聚类簇中的最小距离，进一步根据式(5)计算合并前后最小距离的比值变化；以该比值作为判定标准，对应最大比值的聚类数即为最优聚类个数；

D_min(C_J)＝min{D(C_i,C_j):i≠j} (4)

步骤2.建立车辆载荷参数的概率模型

为建立桥梁结构疲劳分析的随机交通流模型，需要确定随机交通流中各车辆荷载在桥梁上的相对位置和重量，从而确定桥梁构件的局部疲劳应力时程；

(2.1)根据实际车辆荷载数据进行车型分类，确定各车道各车型的数量和所占比例，然后对实测各车型的车轴间距和轴重数据进行统计分析，确定车型、各车型的轴重比以及轴间距；

(2.2)将不同交通运行状态下的车辆间距、车重和车速分别进行概率建模，分别采用正态分布、对数正态分布、极值分布、威布尔分布、伽马分布这5种单峰分布，在0.05的显著性水平下对估计的概率密度函数进行K-S检验，若单峰分布拟合结果无法通过检验，则进一步采用高斯混合分布进行拟合，并进行K-S检验；当有多于1个单峰分布通过检验时，则根据车辆荷载参数测试统计量值和接受假设的临界值的差值，最终确定最接近实际数据的最优分布；

步骤3.随机移动车辆荷载流模拟

(3.1)随机车辆流的模拟：将待模拟车道不同交通运行状态下车流量、车辆类型比例、车重、车速以及车间距分别依次进行蒙特卡洛随机抽样，得到包含车速随机序列、车重随机序列及车间距随机序列的随机车辆流；

(3.2)将随机车辆流转化为随机移动荷载流：根据各类车型车辆的车轴间距、轴重的分配比例以及相邻车辆的车辆间距，将随机车流分解为以轴重随机序列、距离随机序列和速度随机序列组成的随机移动荷载流。

Images