CN116401902A - 基于随机森林模型的意外爆炸对桥梁毁伤评估方法 - Google Patents

Abstract

本发明公开一种基于随机森林模型的意外爆炸对桥梁毁伤评估方法，该方法包括：基于有限元建模技术，对桥梁进行三维建模得到桥梁模型，以冲击波荷载为输入，对所述桥梁模型进行不同工况下的毁伤响应模拟，得到不同工况下的桥梁毁伤响应数据；对所述不同工况下的桥梁毁伤响应数据进行线性插值，构建桥梁毁伤效应数据库；将所述桥梁毁伤效应数据库中的不同工况下的桥梁毁伤响应数据分为训练数据集和测试数据集，进行随机森林模型方法的学习，获取模型参数，根据模型参数构建随机森林模型，基于随机森林模型实现意外爆炸对桥梁毁伤评估。本发明融合随机森林模型与有限元建模技术，解决大规模桥梁的有限元动态模拟过程耗时长、不能完成桥梁毁伤快速评估的难题。

Description

基于随机森林模型的意外爆炸对桥梁毁伤评估方法

技术领域

本发明涉及易燃易爆品大规模意外爆炸所形成的空气冲击波造成桥梁目标毁伤效应的评估技术领域，尤其涉及一种基于随机森林模型的意外爆炸对桥梁毁伤评估方法。

背景技术

桥梁作为重要的地面交通设施，是陆地交通线路的“咽喉”，在运输通行中有着重要的战略意义。意外爆炸事故中，桥梁一旦被破坏，不仅会造成交通中断和巨大经济损失，还可能造成大量人员伤亡并对灾后抢救和重建工作带来巨大影响。近年来大规模意外爆炸事故频发，给桥梁的结构安全性带来严重的威胁。同时，由于意外爆炸往往爆炸源质量较大，所产生的冲击波幅值和脉宽也远大于一般常规武器爆炸。大规模意外爆炸冲击波作用下桥梁毁伤程度的快速评估和预测是工业安全、减灾防灾、市政规划领域关注的焦点之一。利用有限元模拟对意外爆炸对桥梁毁伤效应进行预测是一条可行的路径，然而，建立高效的桥梁毁伤评估方法仍然具有相当大的挑战性，主要体现在实验数据获取困难，开展实际运营中的桥梁在大规模爆炸荷载工况下的破坏实验不具有可行性。虽然在实验室内可开展桥梁缩比模型的爆炸毁伤实验，但同样存在危险程度高和成本高等问题，而且破坏性实验缩比模型带来的问题也无法有效解决。通过数值模拟可获取桥梁的毁伤效应，但对于大规模实际桥梁结构而言，其三维有限元模型往往比较复杂，且爆炸毁伤响应的预测涉及动态模拟过程，其计算量大，计算耗时长，不能达到快速预测桥梁在不同意外爆炸工况下毁伤效应的目标。综上所述，必需探寻一种新型的、快速的桥梁毁伤评估方法。随着人工智能技术的发展，机器学习方法被广泛应用于医学、土木、材料等领域，并取得了良好的效果。这些成功的应用皆归功于机器学习具备强大的非线性问题处理能力。对于大跨度桥梁结构在爆炸荷载下产生的毁伤效应而言，炸药的当量、位置与桥梁的力学响应或毁伤效应之间的关系是典型的强非线性问题。因此，将机器学习应用于桥梁爆炸毁伤效应的预测，将有望提高桥梁在易燃易爆品大规模意外爆炸作用下毁伤效应的预测效率。

发明内容

提供了本发明以解决现有技术中存在的上述问题。因此，需要一种基于随机森林模型的意外爆炸对桥梁毁伤评估方法，将机器学习应用于桥梁爆炸毁伤效应的预测，以提高桥梁在易燃易爆品大规模意外爆炸作用下毁伤效应的预测效率。本发明具体采用随机森林(Random Forest，简称随机森林,RF)模型与有限元模型技术相融合，建立一套快速、有效的桥梁毁伤智能评估方法。

根据本发明的第一方案，提供一种基于随机森林模型的意外爆炸对桥梁毁伤评估方法，所述方法包括：

基于有限元建模技术，对桥梁进行三维建模得到桥梁模型，以冲击波荷载为输入，对所述桥梁模型进行不同工况下的毁伤响应模拟，得到不同工况下的桥梁毁伤响应数据；

对所述不同工况下的桥梁毁伤响应数据进行线性插值，构建桥梁毁伤效应数据库；

将所述桥梁毁伤效应数据库中的不同工况下的桥梁毁伤响应数据分为训练数据集和测试数据集，进行随机森林模型方法的学习，获取模型参数，根据所述模型参数构建随机森林模型，基于所述随机森林模型实现意外爆炸对桥梁毁伤评估。

进一步地，所述不同工况下的桥梁毁伤响应数据包括冲击波载荷和桥梁毁伤响应，根据所述冲击波载荷确定工况，所述桥梁毁伤响应包括桥梁不同构件梁的主梁顶板、主梁底板、主梁腹板和桥墩的破坏面积比。

进一步地，所述随机森林模型包括一个由多个决策树分类器{h(X,θ),k＝1,2,...,k}组合而成的集成分类器；其中，h(X,θ)是决策树分类器，θ是随机森林模型参数，需训练集进行训练确定，{θ}服从独立分布，X是载荷输入，其为服从独立分布的随机变量，K为决策树的总个数，k是决策树序号；在变量X下，每颗决策树首先对预测的样本独立进行判定，最后由K个决策树投票表决最终的分类结果。

进一步地，所述将所述桥梁毁伤效应数据库中的不同工况下的桥梁毁伤响应数据分为训练数据集和测试数据集，进行随机森林模型方法的学习，获取模型参数，根据所述模型参数构建随机森林模型，基于所述随机森林模型实现意外爆炸对桥梁毁伤评估，具体包括：

在所述训练数据集中，有放回地随机抽样训练样本子集，构造K个决策树；

假定共计n个特征，每个决策树的每个节点均随机抽取m_try个特征，分别计算m_try个特征对应的信息增益，然后开始节点分裂，确定每个决策树的判定次序思路，所述特征包括冲击波载荷；

每个决策树无限增长，且不进行剪枝；

将测试样本放入每个决策树，每个决策树独立分类和预测，随机森林最终的分类结果由所有决策树投票并表决，所述随机森林最终的分类结果为冲击波载荷所对应的桥梁毁伤响应。

进一步地，通过如下方法计算冲击波载荷：

根据易燃易爆品等效TNT质量W和距离

计算比例距离Z＝R/W^1/3(m/kg^1/3)，其中H_G为爆心高度，H_S为桥面高度，R_G为斜距离；

根据比例距离Z确定入射冲击波超压：

P_so＝(220.85823/z+26.26331/z²-2.24704/z³+0.05132/z⁴)×10⁴,(Pa)

for 0.052≤z≤0.25m/kg^1/3

P_so＝(-34.80748/z+148.50424/z²-17.62525/z³+0.17262/z⁴)×10⁴,(Pa)

for 0.25<z≤1.56m/kg^1/3

P_so＝(7.98715/z+18.54141/z²+106.43854/z³-39.54196/z⁴)×10⁴,(Pa)

for 1.56<z≤19m/kg^1/3

P_so＝(5.46053/z+7.58204/z²+2647.33563/z³-28454.85927/z⁴)×10⁴,(Pa)

for 19<z≤39.67m/kg^1/3 (1)

其中P_so为入射冲击波超压，单位为Pa；

根据入射冲击波超压P_so确定反射区声速C_r，单位为m/s：

C_r＝344+6.8×10^-4P_so-3.6×10^-10P_so ² (2)

根据桥梁高度H_S(m)、宽度W_S(m)和反射区声速C_r(m/s)计算驱散时间t_c，

其中S为桥梁半宽度W_S/2和桥梁高度H_S中的最小值，G为桥梁半宽度W_S/2和桥梁高度H_S中的的最大值，即，S＝min(W_s/2,H_s)，G＝max(W_s/2,H_s)；

根据比例距离Z确定比例冲量i_s/W^1/3：

根据入射超压峰值P_so计算动压峰值q₀，(Pa)：

根据入射超压峰值P_so和入射角α，利用不同入射角的斜反射系数获取反射超压系数C_rα，并通过下式(5)得到斜反射超压峰值P_r：

P_r＝P_soC_rα (5)

根据入射超压峰值P_so和入射角α，利用不同入射角的斜反射比例冲量获取斜反射比例冲量i_r/W^1/3；

利用式(5)得到的反射超压峰值P_r，单位MPa，代入下式解出比例距离Z(P_r)，单位m/kg^1/3：

将比例距离Z(P_r)代入下式(7)得到负压阶段反射超压峰值P_rα ^-，(Pa)：

将斜反射比例冲量i_r/W^1/3，单位(Pa·s/kg^1/3)，代入下式(8)解出以斜比例反射冲量i_r/W^1/3表达的比例距离Z(i_r/W^1/3)，单位m/kg^1/3：

将Z(i_r/W^1/3)，代入下式(9)得负压阶段反射冲量峰值

单位(Pa·s)：

利用P_rα ^-和

求负压阶段等冲量等效时间/>

利用比例距离Z＝R/W^1/3(m/kg^1/3)通过下式(11)求解负压载荷段开始时间t₀，单位(s)：

根据本发明的第二方案，提供一种基于随机森林模型的意外爆炸对桥梁毁伤评估装置，所述装置包括：

有限元仿真单元，其被配置为基于有限元建模技术，对桥梁进行三维建模得到桥梁模型，以冲击波荷载为输入，对所述桥梁模型进行不同工况下的毁伤响应模拟，得到不同工况下的桥梁毁伤响应数据；

线性插值单元，其被配置为对所述不同工况下的桥梁毁伤响应数据进行线性插值，构建桥梁毁伤效应数据库；

评估单元，其被配置为将所述桥梁毁伤效应数据库中的不同工况下的桥梁毁伤响应数据分为训练数据集和测试数据集，进行随机森林模型方法的学习，获取模型参数，根据所述模型参数构建随机森林模型，基于所述随机森林模型实现意外爆炸对桥梁毁伤评估。

进一步地，所述不同工况下的桥梁毁伤响应数据包括冲击波载荷和桥梁毁伤响应，根据所述冲击波载荷确定工况，所述桥梁毁伤响应包括桥梁不同构件梁的主梁顶板、主梁底板、主梁腹板和桥墩的破坏面积比。

进一步地，所述随机森林模型包括一个由多个决策树分类器{h(X,θ),k＝1,2,...,k}组合而成的集成分类器；其中，h(X,θ)是决策树分类器，θ是随机森林模型参数，需训练集进行训练确定，{θ}服从独立分布，X是载荷输入，其为服从独立分布的随机变量，K为决策树的总个数，k是决策树序号；在变量X下，每颗决策树首先对预测的样本独立进行判定，最后由K个决策树投票表决最终的分类结果。

根据本发明的第三方案，提供了一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行根据本发明各个实施例所述的方法。

根据本发明各个方案的基于随机森林模型的意外爆炸对桥梁毁伤评估方法，其至少具有以下技术效果：

1、本发明采用有限元技术获取不同工况下的桥梁毁伤响应数据，避免了开展桥梁缩比模型爆炸毁伤实验或原型实验存在危险程度高和成本高等问题。

2、本发明采用线性插值方式，结合有限的不同工况下的桥梁毁伤响应数据，进行快速生成构建随机森林模型算法所需的桥梁毁伤效应数据库，极大地减少了模型库建立的时间，提高了效率。

3、本发明融合随机森林模型与有限元建模技术，解决大规模桥梁的有限元动态模拟过程耗时长、不能完成桥梁毁伤快速评估的难题，实现了空气冲击波对桥梁毁伤效应的快速智能评估。

附图说明

在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所发明的实施例进行说明。在适当的时候，在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的，而并非旨在作为本装置或方法的穷尽或排他实施例。

图1示出了根据本发明实施例的一种基于随机森林模型的意外爆炸对桥梁毁伤评估方法的流程图。

图2示出了根据本发明实施例的基于随机森林模型实现意外爆炸对桥梁毁伤评估的流程图。

图3示出了根据本发明实施例的桥梁案例的ANSYS有限元模型的结构图。

图4示出了根据本发明实施例的实桥的桥梁迎爆面冲击波载荷时程曲线图。

图5示出了根据本发明实施例的不同入射角的斜反射系数。

图6示出了根据本发明实施例的不同入射角的斜反射比例冲量。

图7示出了根据本发明实施例的冲击波入射角示意图。

图8示出了根据本发明实施例的0.1t等效TNT爆炸桥梁各主要构件的破坏面积比。

图9示出了根据本发明实施例的线性插值后10t等效TNT爆炸桥梁各主要构件的破坏面积比。

图10随机森林模型训练集与测试集的准确率。

图11示出了根据本发明实施例的一种基于随机森林模型的意外爆炸对桥梁毁伤评估装置的结构图。

具体实施方式

为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明作详细说明。下面结合附图和具体实施例对本发明的实施例作进一步详细描述，但不作为对本发明的限定。本文中所描述的各个步骤，如果彼此之间没有前后关系的必要性，则本文中作为示例对其进行描述的次序不应视为限制，本领域技术人员应知道可以对其进行顺序调整，只要不破坏其彼此之间的逻辑性导致整个流程无法实现即可。

本发明实施例提供一种基于随机森林模型的意外爆炸对桥梁毁伤评估方法，首先，以爆炸荷载为输入，采用有限元建模技术获取不同工况下的桥梁毁伤效应数据；然后，采用数据增强技术，对有限的桥梁毁伤响应数据进行扩充，快速实现毁伤数据库的构建，为训练提供数据基础；最后，结合桥梁毁伤数据库，构建随机森林模型，进而实现了基于随机森林模型的桥梁大规模爆炸冲击毁伤效应评估。

如图1所示，该基于随机森林模型的意外爆炸对桥梁毁伤评估方法始于步骤S100，基于有限元建模技术，对桥梁进行三维建模得到桥梁模型，以冲击波荷载为输入，对所述桥梁模型进行不同工况下的毁伤响应模拟，得到不同工况下的桥梁毁伤响应数据。

需要说明的是，在一些实施例中，所述不同工况下的桥梁毁伤响应数据包括冲击波载荷和桥梁毁伤响应，根据所述冲击波载荷确定工况，所述桥梁毁伤响应包括桥梁不同构件梁的主梁顶板、主梁底板、主梁腹板和桥墩的破坏面积比。

在步骤S200中，对所述不同工况下的桥梁毁伤响应数据进行线性插值，构建桥梁毁伤效应数据库。

本实施例采用线性插值方式，结合有限的不同工况下的桥梁毁伤响应数据，进行快速生成构建随机森林模型算法所需的桥梁毁伤效应数据库，极大地减少了模型库建立的时间，提高了效率。

最后在步骤300中，将所述桥梁毁伤效应数据库中的不同工况下的桥梁毁伤响应数据分为训练数据集和测试数据集，进行随机森林模型方法的学习，获取模型参数，根据所述模型参数构建随机森林模型，基于所述随机森林模型实现意外爆炸对桥梁毁伤评估。

在一些实施例中，所述随机森林模型包括一个由多个决策树分类器{h(X,θ),k＝1,2,...,k}组合而成的集成分类器；其中，h(X,θ)是决策树分类器，θ是随机森林模型参数，需训练集进行训练确定，{θ}服从独立分布，X是载荷输入，其为服从独立分布的随机变量，K为决策树的总个数，k是决策树序号；在变量X下，每颗决策树首先对预测的样本独立进行判定，最后由K个决策树投票表决最终的分类结果。

示例性的，在桥梁毁伤效应数据库中抽取随机80％的数据作为训练数据集，剩余的20％作为测试数据集。在训练过程中，构建一个基础模型，以冲击波载荷作为输入，桥梁毁伤响应作为输出，在训练数据集中，冲击波载荷对应一种桥梁毁伤响应，即基于有监督学习的方式对该基础模型进行训练，获取模型参数，模型参数包括决策树个数K和随机森林模型参数θ；将该模型参数去配置基础模型，得到随机森林模型，即得到一个确定参数的集成分类器。

在一些实施例中，如图2所示，所述将所述桥梁毁伤效应数据库中的不同工况下的桥梁毁伤响应数据分为训练数据集和测试数据集，进行随机森林模型方法的学习，获取模型参数，根据所述模型参数构建随机森林模型，基于所述随机森林模型实现意外爆炸对桥梁毁伤评估，具体包括：

步骤S301，在所述训练数据集中，有放回地随机抽样训练样本子集，构造K个决策树；

步骤S302，假定共计n个特征，每个决策树的每个节点均随机抽取m_try个特征，分别计算m_try个特征对应的信息增益，然后开始节点分裂，确定每个决策树的判定次序思路，所述特征包括冲击波载荷；

步骤S303，每个决策树无限增长，且不进行剪枝；

步骤S304，将测试样本放入每个决策树，每个决策树独立分类和预测，随机森林最终的分类结果由所有决策树投票并表决，所述随机森林最终的分类结果为冲击波载荷所对应的桥梁毁伤响应。

在清楚如上各实施例所阐述的基于随机森林模型的意外爆炸对桥梁毁伤评估方法的基本原理后，下面本发明实施例将结合具体的实例对本发明的可行性和进步性进行充分说明。

一种基于随机森林模型的意外爆炸对桥梁毁伤评估方法，包括以下步骤：

步骤1：采用有限元数值模拟技术(ANSYS有限元软件)构建实桥梁模，如图3所示，该实桥为混凝土连续刚构桥，其中，桥长256m，桥宽12.7m，有2个桥墩(1#和2#为一个桥墩，3#和4#为一个桥墩)，主梁两端设为简支约束，桥墩均为固支。所有模型的单元均采用8节点的六面体实体单元，最终模型单元数为24万7千。

步骤2：冲击波荷载的模拟。

本实施例对冲击波荷载数值模拟时只考虑空气冲击波效应。

本实施例桥梁目标所承受冲击波载荷简化为马赫反射区的平面波，其主要计算参数有超压峰值、动压峰值、压力时程曲线及正压作用时间等。

由于实际超压波形计算较为复杂，为方便计算，将其简化为如图4所示的冲击波载荷，其计算过程如下：

步骤201：根据易燃易爆品等效TNT质量W和距离

计算比例距离Z＝R/W^1/3(m/kg^1/3)，其中H_G为爆心高度，H_S为桥面高度，R_G为斜距离；

步骤202：根据比例距离Z确定入射冲击波超压：

P_so＝(220.85823/z+26.26331/z²-2.24704/z³+0.05132/z⁴)×10⁴,(Pa)

for 0.052≤z≤0.25m/kg^1/3

P_so＝(-34.80748/z+148.50424/z²-17.62525/z³+0.17262/z⁴)×10⁴,(Pa)

for 0.25<z≤1.56m/kg^1/3

P_so＝(7.98715/z+18.54141/z²+106.43854/z³-39.54196/z⁴)×10⁴,(Pa)

for 1.56<z≤19m/kg^1/3

P_so＝(5.46053/z+7.58204/z²+2647.33563/z³-28454.85927/z⁴)×10⁴,(Pa)

for 19<z≤39.67m/kg^1/3 (1)

其中P_so为入射冲击波超压，单位为Pa；

步骤203：根据入射冲击波超压P_so确定反射区声速C_r，单位为m/s：

步骤204：根据桥梁高度H_S(m)、宽度W_S(m)和反射区声速C_r(m/s)计算驱散时间t_c，

其中S为桥梁半宽度W_S/2和桥梁高度H_S中的较小值，G为两者中的较大值，即，S＝min(W_s/2,H_s)，G＝max(W_s/2,H_s)；

步骤205：根据比例距离Z确定比例冲量i_s/W^1/3：

步骤206：根据入射超压峰值P_so计算动压峰值q₀，(Pa)：

步骤207：根据入射超压峰值P_so和入射角α，利用不同入射角的斜反射系数(如图5所示)获取反射超压系数C_rα，并通过下式(5)得到斜反射超压峰值P_r：

P_r＝P_soC_rα (5)

步骤208：根据入射超压峰值P_so和入射角α，利用不同入射角的斜反射比例冲量(如图6所示)获取斜反射比例冲量i_r/W^1/3；

步骤209：利用式(5)得到的P_r，单位MPa，代入下式解出比例距离Z(P_r)，单位m/kg^{1 /3}：

步骤210：将比例距离Z(P_r)代入下式(7)得到到负压阶段反射超压峰值P_rα ^-，(Pa)：

步骤211：将斜反射比例冲量i_r/W^1/3，单位(Pa·s/kg^1/3)，代入下式(8)解出以斜比例反射冲量i_r/W^1/3表达的比例距离Z(i_r/W^1/3)，单位m/kg¹³：

步骤212：将Z(i_r/W^1/3)，代入下式(9)得负压阶段反射冲量峰值

单位(Pa·s)：

步骤213：利用P_rα ^-和

求负压阶段等冲量等效时间/>

步骤214：利用比例距离Z＝R/W^1/3(m/kg^1/3)通过下式(11)求解负压载荷段开始时间t₀，单位(s)：

步骤215：根据以上计算结果，给出图4所示的载荷曲线。

步骤216：以上以正入射为例(即冲击波传播方向与梁轴线垂直)，若非正入射，超压、动压以及负压均乘sinα，α为冲击波传播方向与主梁轴线的夹角(见图7)。

步骤3：数值仿真工况设计及数据扩充生成数据集。

爆高H为2m，而爆点距离L为20m到300m，炸药当量W取0.1t、1t和10kt三种情况，具体工况如表1所示。实桥模型数值模拟得到不同工况下桥梁的损伤效应，即可得到桥梁不同构件梁的主梁顶板、主梁底板、主梁腹板和桥墩的破坏面积比(毁伤后面积比毁伤前后面积)也列于表1。图8为桥梁在W＝0.1t情况下，各构件破坏面积比随爆点水平距离L的变化曲线，各构件的破坏面积比随爆点距离的增大而下降，表面数值计算结果基本合理。

采用有限元软件模拟工况样本数为31个(见表1)，通过线性插值方式扩充样本数量为12203个，图9为W＝10t工况插值后桥梁的主梁顶板、底板和腹板的破坏面积比随水平距离L的变化曲线。

表1.有限元模拟结果

/>

步骤4：融合随机森林模型的桥梁毁伤效应评估。

以炸药当量W和水平爆心距L作为输入、以桥梁各个构件的破坏等级s作为输出，采用随机森林的机器学习方法建立桥梁毁伤效应的快速评估模型。破坏面积比τ按照程度的大小分为11个等级s(当i/10-0.5≤τ<i/10+0.5时，s表示为s＝i/10,其中，i＝0,0.1,L,1，当s＝0时表示该构件没有出现损坏，s＝1表示构件已经完全损坏)。在数据集中随机抽取80％的数据作为随机森林模型的训练集，另外20％的数据集作为测试集，进行构建随机森林模型算法，进而实现对桥梁大规模爆炸冲击波毁伤效应快速智能评估。

桥梁在不同算法下训练集和测试集的准确率如图10所示，可以看出训练集和测试的准确率相符，模型预测效果良好(无过拟合和欠拟合现象)。对于桥梁的不同构件，融合RF模型算法的评估方法准确率基本能达到99％，体现了良好的预测效果。

本发明实施例还提供一种基于随机森林模型的意外爆炸对桥梁毁伤评估装置，如图11所示，该装置1100包括：

有限元仿真单元1101，其被配置为基于有限元建模技术，对桥梁进行三维建模得到桥梁模型，以冲击波荷载为输入，对所述桥梁模型进行不同工况下的毁伤响应模拟，得到不同工况下的桥梁毁伤响应数据；

线性插值单元1102，其被配置为对所述不同工况下的桥梁毁伤响应数据进行线性插值，构建桥梁毁伤效应数据库；

评估单元1103，其被配置为将所述桥梁毁伤效应数据库中的不同工况下的桥梁毁伤响应数据分为训练数据集和测试数据集，进行随机森林模型方法的学习，获取模型参数，根据所述模型参数构建随机森林模型，基于所述随机森林模型实现意外爆炸对桥梁毁伤评估。

在一些实施例中，所述不同工况下的桥梁毁伤响应数据包括冲击波载荷和桥梁毁伤响应，根据所述冲击波载荷确定工况，所述桥梁毁伤响应包括桥梁不同构件梁的主梁顶板、主梁底板、主梁腹板和桥墩的破坏面积比。

在一些实施例中，所述随机森林模型包括一个由多个决策树分类器{h(X,θ),k＝1,2,...,k}组合而成的集成分类器；其中，h(X,θ)是决策树分类器，θ是随机森林模型参数，需训练集进行训练确定，{θ}服从独立分布，X是载荷输入，其为服从独立分布的随机变量，K为决策树的总个数，k是决策树序号；在变量X下，每颗决策树首先对预测的样本独立进行判定，最后由K个决策树投票表决最终的分类结果。

在一些实施例中，所述有限元仿真单元1101被进一步配置为通过如下方法计算冲击波荷载：

根据易燃易爆品等效TNT质量W和距离

计算比例距离Z＝R/W^1/3(m/kg^1/3)，其中H_G为爆心高度，H_S为桥面高度，R_G为斜距离；

根据比例距离Z确定入射冲击波超压：

P_so＝(220.85823/z+26.26331/z²-2.24704/z³+0.05132/z⁴)×10⁴,(Pa)

for 0.052≤z≤0.25m/kg^1/3

P_so＝(-34.80748/z+148.50424/z²-17.62525/z³+0.17262/z⁴)×10⁴,(Pa)

for 0.25<z≤1.56m/kg^1/3

P_so＝(7.98715/z+18.54141/z²+106.43854/z³-39.54196/z⁴)×10⁴,(Pa)

for 1.56<z≤19m/kg^1/3

P_so＝(5.46053/z+7.58204/z²+2647.33563/z³-28454.85927/z⁴)×10⁴,(Pa)

for 19<z≤39.67m/kg^1/3 (1)

其中P_so为入射冲击波超压，单位为Pa；

根据入射冲击波超压P_so确定反射区声速C_r，单位为m/s：

C_r＝344+6.8×10^-4P_so-3.6×10^-10P_so ² (2)

根据桥梁高度H_S(m)、宽度W_S(m)和反射区声速C_r(m/s)计算驱散时间t_c，

其中S为桥梁半宽度W_S/2和桥梁高度H_S中的较小值，G为两者中的较大值，即，S＝min(W_s/2,H_s)，G＝max(W_s/2,H_s)；

根据比例距离Z确定比例冲量i_s/W^1/3：

/>

根据入射超压峰值P_so计算动压峰值q₀，(Pa)：

根据入射超压峰值P_so和入射角α，利用不同入射角的斜反射系数获取反射超压系数C_rα，并通过下式(5)得到斜反射超压峰值P_r：

P_r＝P_soC_rα (5)

根据入射超压峰值P_so和入射角α，利用不同入射角的斜反射比例冲量获取斜反射比例冲量i_r/W^1/3；

利用式(5)得到的P_r，单位MPa，代入下式解出比例距离Z(P_r)，单位m/kg^1/3：

将比例距离Z(P_r)代入下式(7)得到到负压阶段反射超压峰值P_rα ^-，(Pa)：

将斜反射比例冲量i_r/W^1/3，单位(Pa·s/kg^1/3)，代入下式(8)解出以斜比例反射冲量i_r/W^1/3表达的比例距离Z(i_r/W^1/3)，单位m/kg¹³：

将Z(i_r/W^1/3)，代入下式(9)得负压阶段反射冲量峰值

单位(Pa·s)：

利用P_rα ^-和

求负压阶段等冲量等效时间/>

利用比例距离Z＝R/W^1/3(m/kg^1/3)通过下式(11)求解负压载荷段开始时间t₀，单位(s)：

需要注意，上面各实施例所描述的装置与在先阐述的基于随机森林模型的意外爆炸对桥梁毁伤评估方法属于同一技术思路，其具有相同的技术原理和技术效果。

此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本发明的具有等同元件、修改、省略、组合(例如，各种实施例交叉的方案)、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。

以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本发明。这不应解释为一种不要求保护的发明的特征对于任一权利要求是必要的意图。相反，本发明的主题可以少于特定的发明的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。

Claims (10)

1.一种基于随机森林模型的意外爆炸对桥梁毁伤评估方法，其特征在于，所述方法包括：

基于有限元建模技术，对桥梁进行三维建模得到桥梁模型，以冲击波荷载为输入，对所述桥梁模型进行不同工况下的毁伤响应模拟，得到不同工况下的桥梁毁伤响应数据；

对所述不同工况下的桥梁毁伤响应数据进行线性插值，构建桥梁毁伤效应数据库；

将所述桥梁毁伤效应数据库中的不同工况下的桥梁毁伤响应数据分为训练数据集和测试数据集，进行随机森林模型方法的学习，获取模型参数，根据所述模型参数构建随机森林模型，基于所述随机森林模型实现意外爆炸对桥梁毁伤评估。

2.根据权利要求1所述的方法，其特征在于，所述不同工况下的桥梁毁伤响应数据包括冲击波载荷和桥梁毁伤响应，根据所述冲击波载荷确定工况，所述桥梁毁伤响应包括桥梁不同构件梁的主梁顶板、主梁底板、主梁腹板和桥墩的破坏面积比。

3.根据权利要求2所述的方法，其特征在于，所述随机森林模型包括一个由多个决策树分类器{h(X,θ),k＝1,2,...,k}组合而成的集成分类器；其中，h(X,θ)是决策树分类器，θ是随机森林模型参数，需训练集进行训练确定，{θ}服从独立分布，X是载荷输入，其为服从独立分布的随机变量，K为决策树的总个数，k是决策树序号；在变量X下，每颗决策树首先对预测的样本独立进行判定，最后由K个决策树投票表决最终的分类结果。

4.根据权利要求3所述的方法，其特征在于，所述将所述桥梁毁伤效应数据库中的不同工况下的桥梁毁伤响应数据分为训练数据集和测试数据集，进行随机森林模型方法的学习，获取模型参数，根据所述模型参数构建随机森林模型，基于所述随机森林模型实现意外爆炸对桥梁毁伤评估，具体包括：

在所述训练数据集中，有放回地随机抽样训练样本子集，构造K个决策树；

假定共计n个特征，每个决策树的每个节点均随机抽取m_try个特征，分别计算m_try个特征对应的信息增益，然后开始节点分裂，确定每个决策树的判定次序思路，所述特征包括冲击波载荷；

每个决策树无限增长，且不进行剪枝；

将测试样本放入每个决策树，每个决策树独立分类和预测，随机森林最终的分类结果由所有决策树投票并表决，所述随机森林最终的分类结果为冲击波载荷所对应的桥梁毁伤响应。

5.根据权利要求2所述的方法，其特征在于，通过如下方法计算冲击波载荷：

根据易燃易爆品等效TNT质量W和距离

计算比例距离Z＝R/W^1/3(m/kg^1/3)，其中H_G为爆心高度，H_S为桥面高度，R_G为斜距离；

根据比例距离Z确定入射冲击波超压：

P_so＝(220.85823/z+26.26331/z²-2.24704/z³+0.05132/z⁴)×10⁴,(Pa)

for 0.052≤z≤0.25m/kg^1/3

P_so＝(-34.80748/z+148.50424/z²-17.62525/z³+0.17262/z⁴)×10⁴,(Pa)

for 0.25＜z≤1.56m/kg^1/3

P_so＝(7.98715/z+18.54141/z²+106.43854/z³-39.54196/z⁴)×10⁴,(Pa)

for 1.56＜z≤19m/kg^1/3

P_so＝(5.46053/z+7.58204/z²+2647.33563/z³-28454.85927/z⁴)×10⁴,(Pa)

for 19＜z≤39.67m/kg^1/3 (1)

其中P_so为入射冲击波超压，单位为Pa；

根据入射冲击波超压P_so确定反射区声速C_r，单位为m/s：

C_r＝344+6.8×10^-4P_so-3.6×10^-10P_so ² (2)

根据桥梁高度H_S(m)、宽度W_S(m)和反射区声速C_r(m/s)计算驱散时间t_c，

其中S为桥梁半宽度W_S/2和桥梁高度H_S中的最小值，G为桥梁半宽度W_S/2和桥梁高度H_S中的的最大值，即S＝min(W_s/2,H_s)，G＝max(W_s/2,H_s)；

根据比例距离Z确定比例冲量i_s/W^1/3：

根据入射超压峰值P_so计算动压峰值q₀，(Pa)：

根据入射超压峰值P_so和入射角α，利用不同入射角的斜反射系数获取反射超压系数C_rα，并通过下式(5)得到斜反射超压峰值P_r：

P_r＝P_soC_rα (5)

根据入射超压峰值P_so和入射角α，利用不同入射角的斜反射比例冲量获取斜反射比例冲量i_r/W^1/3；

利用式(5)得到的P_r，单位MPa，代入下式解出比例距离Z(P_r)，单位m/kg^1/3：

将比例距离Z(P_r)代入下式(7)得到负压阶段反射超压峰值P_rα ^-，(Pa)：

将斜反射比例冲量i_r/W^1/3，单位(Pa·s/kg^1/3)，代入下式(8)解出以斜比例反射冲量i_r/W^1/3表达的比例距离Z(i_r/W^1/3)，单位m/kg^1/3：

将Z(i_r/W^1/3)，代入下式(9)得负压阶段反射冲量峰值

单位(Pa·s)：

利用P_rα ^-和

求负压阶段等冲量等效时间/>

利用比例距离Z＝R/W^1/3(m/kg^1/3)通过下式(11)求解负压载荷段开始时间t₀，单位(s)：

。

6.一种基于随机森林模型的意外爆炸对桥梁毁伤评估装置，其特征在于，所述装置包括：

有限元仿真单元，其被配置为基于有限元建模技术，对桥梁进行三维建模得到桥梁模型，以冲击波荷载为输入，对所述桥梁模型进行不同工况下的毁伤响应模拟，得到不同工况下的桥梁毁伤响应数据；

线性插值单元，其被配置为对所述不同工况下的桥梁毁伤响应数据进行线性插值，构建桥梁毁伤效应数据库；

评估单元，其被配置为将所述桥梁毁伤效应数据库中的不同工况下的桥梁毁伤响应数据分为训练数据集和测试数据集，进行随机森林模型方法的学习，获取模型参数，根据所述模型参数构建随机森林模型，基于所述随机森林模型实现意外爆炸对桥梁毁伤评估。

7.根据权利要求6所述的装置，其特征在于，所述不同工况下的桥梁毁伤响应数据包括冲击波载荷和桥梁毁伤响应，根据所述冲击波载荷确定工况，所述桥梁毁伤响应包括桥梁不同构件梁的主梁顶板、主梁底板、主梁腹板和桥墩的破坏面积比。

8.根据权利要求7所述的装置，其特征在于，所述随机森林模型包括一个由多个决策树分类器{h(X,θ),k＝1,2,...,k}组合而成的集成分类器；其中，h(X,θ)是决策树分类器，θ是随机森林模型参数，需训练集进行训练确定，{θ}服从独立分布，X是载荷输入，其为服从独立分布的随机变量，K为决策树的总个数，k是决策树序号；在变量X下，每颗决策树首先对预测的样本独立进行判定，最后由K个决策树投票表决最终的分类结果。

9.根据权利要求8所述的装置，其特征在于，所述评估单元被进一步配置为：

在所述训练数据集中，有放回地随机抽样训练样本子集，构造K个决策树；

假定共计n个特征，每个决策树的每个节点均随机抽取m_try个特征，分别计算m_try个特征对应的信息增益，然后开始节点分裂，确定每个决策树的判定次序思路，所述特征包括冲击波载荷；

每个决策树无限增长，且不进行剪枝；

将测试样本放入每个决策树，每个决策树独立分类和预测，随机森林最终的分类结果由所有决策树投票并表决，所述随机森林最终的分类结果为冲击波载荷所对应的桥梁毁伤响应。

10.一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行根据权利要求1至5中任一项所述的方法。

Images