一种刚构桥桥面标高的预测方法及装置制造方法及图纸

本发明专利技术公开了一种刚构桥桥面标高的预测方法及装置，方法包括：采用卡尔曼滤波法估计出刚构桥主要影响因素的真实状态，再结合贝叶斯网络学习训练对刚构桥桥面变形进行预测；为获得更真实影响因素数据，采用附加局部迭代的非线性卡尔曼滤波估计算法，去除影响因素的误差污染，同时解决施工测量过程中出现对影响因素数据的测量缺失、测量误差等问题；为获得贝叶斯网络的完整训练样本，采用拉丁超立方抽样的方法，其最大的优势在于容易产生任何大小的抽样数目，且抽样效果优于蒙特卡洛抽样，使贝叶斯网络对刚构桥桥面标高的预测效果更加精确。本发明专利技术能够避免施工过程中影响因素数据带来的问题，实现桥面标高的预测并提高预测精度。

A method and device for predicting deck elevation of rigid frame bridge

【技术实现步骤摘要】
一种刚构桥桥面标高的预测方法及装置
本专利技术涉及桥梁
，尤其是涉及一种刚构桥桥面标高的预测方法及装置。
技术介绍
在刚构桥的整个施工过程中，桥梁结构受到众多确定和不确定因素(误差)的影响，尤其是某些偏差(如线形误差)具有累积的特性，随着悬臂浇筑段的向前推进，误差将越来越大，容易造成跨中合拢错位或成桥线型严重偏离设计线型等情况，在我国已建成的桥梁中不乏这样的案例。鉴于主梁线型易受施工过程影响，需在施工过程中对桥面标高进行预测控制。现有技术基于贝叶斯网络的桥面标高预测方法具有不错的预测精度，但其精度很大程度上依赖于前期主要影响因素数据(如混凝土容重、预应力大小等)的数量及准确性，且在施工过程中容易存在主要影响因素数据缺失问题，这就给基于贝叶斯网络的桥面标高预测方法带来很大的实现困难。
技术实现思路
本专利技术提供了一种刚构桥桥面标高的预测方法，以解决现有的桥面标高预测方法难以实现的技术问题，避免施工过程中影响因素数据带来的问题，实现桥面标高的预测并提高预测精度。为了解决上述技术问题，本专利技术实施例提供了一种刚构本文档来自技高网...

【技术保护点】
1.一种刚构桥桥面标高的预测方法，其特征在于，包括以下步骤：/n对刚构桥桥面标高的影响因素数据进行敏感性分析，得到符合预设的桥面标高变形的敏感程度范围内的影响刚构桥桥面标高的主要影响因素数据；/n基于附加局部迭代的非线性卡尔曼估计算法对所述主要影响因素数据进行数据处理，得到主要影响因素的最优值；/n根据输入的梁段桥面变形实测数据和所述主要影响因素数据构建贝叶斯网络拓扑结构；/n基于误差高斯分布的均值和方差确定在所述主要影响因素数据中的各个主要因素的先验概率分布；/n构建主要影响因素与所述贝叶斯网络拓扑结构的桥面结构标高变形之间的节点函数关系，并利用拉丁超立方抽样法抽取获得所述贝叶斯网络拓扑结构...

【技术特征摘要】
1.一种刚构桥桥面标高的预测方法，其特征在于，包括以下步骤：
对刚构桥桥面标高的影响因素数据进行敏感性分析，得到符合预设的桥面标高变形的敏感程度范围内的影响刚构桥桥面标高的主要影响因素数据；
基于附加局部迭代的非线性卡尔曼估计算法对所述主要影响因素数据进行数据处理，得到主要影响因素的最优值；
根据输入的梁段桥面变形实测数据和所述主要影响因素数据构建贝叶斯网络拓扑结构；
基于误差高斯分布的均值和方差确定在所述主要影响因素数据中的各个主要因素的先验概率分布；
构建主要影响因素与所述贝叶斯网络拓扑结构的桥面结构标高变形之间的节点函数关系，并利用拉丁超立方抽样法抽取获得所述贝叶斯网络拓扑结构中所有节点的完整数据样本；
将所述完整数据样本输入至所述贝叶斯网络拓扑结构中，并利用所述贝叶斯网络结构的参数学习方法计算得到所述贝叶斯网络拓扑结构的初始概率表；
基于所述完整数据样本，结合所述主要影响因素的最优值、当前梁段桥面结构标高变形的实测值进行数据样本的贝叶斯网络训练，得到刚构桥所有梁段的桥面标高预测结果。


2.如权利要求1所述的刚构桥桥面标高的预测方法，其特征在于，所述节点函数关系为：



其中，是桥面结构标高理论变形的相对误差，是混凝土容重的相对误差，是预应力张拉力的大小的相对误差，是混凝土弹性模量的相对误差，kγ是桥面结构标高理论变形的相对误差和混凝土容重的相对误差的计算系数，为一常数，kT是桥面结构标高理论变形相对误差和预应力张拉力大小相对误差的计算系数，为一常数。


3.如权利要求1所述的刚构桥桥面标高的预测方法，其特征在于，所述基于所述完整数据样本，结合所述主要影响因素的最优值、当前梁段桥面结构标高变形的实测值进行数据样本的贝叶斯网络的训练，得到刚构桥所有梁段的桥面标高预测结果，具体为：
在所述完整数据样本中加入所述主要影响因素的最优值，得到第二完整数据样本，对加入所述第二完整数据样本进行贝叶斯网络的训练，得到当前梁段的挠度变形误差的预测值；
在所述第二完整数据样本中加入当前梁段桥面结构标高变形的实测值，得到第三完整数据样本，对所述第三完整数据样本进行贝叶斯网络的训练，得到下一梁段的挠度变形误差的预测值；
在所述第N+2完整数据样本中加入第N梁段桥面结构标高变形的实测值，得到第N+3完整数据样本，对所述第N+3完整数据样本进行贝叶斯网络的训练，得到N+1梁段的挠度变形误差的预测值；其中，N为大于等于1的正整数；
基于刚构桥每一梁段的挠度变形误差的预测值，得到所述刚构桥所有梁段的桥面标高预测结果。


4.如权利要求1所述的刚构桥桥面标高的预测方法，其特征在于，所述根据输入的梁段桥面变形实测数据和所述主要影响因素数据构建贝叶斯网络拓扑结构，具体为：
根据刚构桥每一梁段的桥面标高测量数据获得输入的梁段桥面变形实测数据；
基于所述输入的梁段桥面变形实测数据和所述主要影响因素数据，根据节点间的因果关系来构建贝叶斯网络拓扑结构。


5.如权利要求1所述的刚构桥桥面标高的预测方法，其特征在于，所述刚构桥桥面标高的影响因素数据至少包括：混凝土容重、混凝土弹性模量、预应力大小、混凝土...

【专利技术属性】
技术研发人员：饶瑞，池春，黄永辉，王汉发，邓启东，
申请(专利权)人：广州大学，
类型：发明
国别省市：广东;44