一种多约束拱桥施工期最优扣索索力快速确定方法和装置制造方法及图纸

本发明专利技术公开了一种多约束拱桥施工期最优扣索索力快速确定方法和装置，方法包括：S1.确定拱肋各施工阶段的线形和应力联合目标状态；S2.构建学习样本，分为训练集、验证集、测试集；S3.搭建DNN深层神经网络模型，进行网络训练、网络验证与网络测试，确定DNN深层神经网络模型；S4.随机生成多组扣索索力，筛选满足约束条件的扣索索力；S5.将扣索索力输入到确定的DNN深层神经网络模型中，得到对应的线形；S6.将对应的线形与目标线形Ut进行比较，确定最优线形。解决了现有技术中所存在的在钢管混凝土拱桥结构体系复杂，结构响应和扣索索力之间的关系存在较强的非线形时，不能快速准确找满足工程需求的最优扣索索力的问题。程需求的最优扣索索力的问题。程需求的最优扣索索力的问题。

【技术实现步骤摘要】
一种多约束拱桥施工期最优扣索索力快速确定方法和装置


[0001]本专利技术涉及桥梁设计施工领域，特别涉及一种多约束拱桥施工期最优扣索索力快速确定方法和装置。

技术介绍

[0002]钢管混凝土拱肋是钢管混凝土拱桥中的主要受力构件，在钢管混凝土拱桥施工中拱肋安装是十分重要和关键的一道工序。一方面，随着拱桥施工的进行结构受力体系和刚度不断变化，特别是在钢管混凝土拱肋合龙前拱肋尚未形成整体，承载能力和刚度较小，抗风能力和结构稳定性较成桥状态弱；另一方面，拱肋安装时的拱轴线形控制是控制成桥后拱肋轴线达到设计要求的关键，钢管混凝土拱肋合龙后拱肋轴线很难再做调整。当下，钢管混凝土拱桥主要采用缆索吊装斜拉扣挂法施工。在拱肋架设过程中，结构形态不断改变，结构超静定次数逐渐增加，扣索对拱肋安装线形和成桥线形影响显著，必须计算出合理的扣索索力，使拱肋线形和受力达到最佳状态。如何快速准确的求得一组较为理想的扣索索力，使得施工过程中拱肋的线形变化平缓、合龙松索后的线形满足精度要求、空钢管成拱后结构的内力较优，是当前CFST拱桥施工控制中需要探索的地方。
[0003]而当前的索力优化方法大致可以分为解析法和数值法，解析法力学概念明确，但是存在计算繁琐效率底、索力不均匀、忽略切线拼装位移的影响，因此早期多用于确定跨度和节段数较小的张拉索力或施工方案中扣索根数的估计。随着有限元原理和计算机的发展，数值法的优越性逐渐体现，不少学者结合各种优化方法和工具，将索力求解问题转换为优化问题。目前以基于影响矩阵的优化算法应用最为广泛,但是，在考虑非线性问题上存在缺陷。
[0004]如果将钢管混凝土拱桥的索力优化问题转换为：求结构线形达到目标线形时的一组扣索索力。若利用有限元求解需要试算很多次才能找到离目标线形最近的哪组扣索索力，计算量庞大，特别是对于复杂结构计算效率更低。想要正向求解，即由扣索索力得到结构响应，还可以利用目前较常采用的基于影响矩阵的优化算法，但是如上所述，在考虑非线性问题上存在缺陷。

技术实现思路

[0005]本专利技术的目的在于克服现有技术中所存在的在钢管混凝土拱桥结构体系复杂，结构响应和扣索索力之间的关系存在较强的非线性时，不能快速准确找满足工程需求的最优扣索索力的问题，提供一种多约束拱桥施工期最优扣索索力快速确定方法和装置。
[0006]为了实现上述专利技术目的，本专利技术提供了以下技术方案：
[0007]一种多约束拱桥施工期最优扣索索力快速确定方法，包括以下步骤：
[0008]S1.根据各施工阶段拱肋线形、应力状态对拱肋安全性和成桥合理性的影响，确定拱肋各施工阶段的线形和应力联合目标状态；
[0009]S2.基于试验设计确定扣索索力组合，利用Python调用OpenSeespy库建立考虑初
始切线位移的钢管混凝土拱桥施工阶段有限元模型，输入不同扣索索力组合进行结构响应计算，以此作为学习样本，并将学习样本分为训练集、验证集、测试集；
[0010]S3.基于TensorFlow平台搭建DNN深层神经网络模型，进行网络训练、网络验证与网络测试，通过多个评估指标判断网络的稳定性和预测精度，确定DNN深层神经网络模型；
[0011]S4.随机生成多组扣索索力，筛选满足工程需求约束条件的扣索索力；
[0012]S5.将所述满足工程需求约束条件的扣索索力输入到确定的DNN深层神经网络模型中，得到与所述满足约束条件的扣索索力对应的线形；
[0013]S6.将所述与所述满足约束条件的扣索索力对应的线形与目标线形Ut通过评估指标进行比较，确定最优线形，得到最优扣索索力。
[0014]优选地，还包括：S7.将所述最优扣索索力输入到Midas中得到对应的线形，并通过与所述最优线形的偏差，验证所述确定的DNN深层神经网络模型的正确性。
[0015]优选地，在步骤S2中，采用多进程multiprocessing库对所述学习样本的构造加快速度。
[0016]优选地，在步骤S3中，所述确定的DNN深层神经网络模型包括前馈神经网络模型或循环神经网络模型，所述前馈神经网络模型选择多层感知机模型MLP，所述循环神经网络模型选择长短期记忆模型LSTM。
[0017]优选地，所述多层感知机模型MLP，包括1个输入层、3个隐藏层、1个输出层，所述3个隐藏层全连接，单元数均为24，激活函数为relu，优化器采用Adam，学习率lr＝0.001，所述输入层为扣索索力X，单元数为扣索数，输出层为结构响应Y，单元数为结构控制点数；所述长短期记忆模型LSTM包括1个输入层、7个隐藏层、1个输出层，所述7个隐藏层包括4层LSTM层、1个展平层Flatten和2个全连接层，优化器采用Adam，学习率lr＝0.0005，除所述展平层Flatten外，其余所述隐藏层单元数均为24，第1个全连接层的激活函数为rule，所述输出层为扣索索力X，单元数为扣索数，所述输出层为结构响应Y，单元数为结构控制点数。
[0018]优选地，在步骤S3中，所述评估指标包括网络训练评估指标、网络验证评估指标、网络测试评估指标，
[0019]所述网络训练评估指标、网络验证评估指标包括损失函数Loss、评价函数metrics，所述损失函数Loss，选择均方误差MSE函数，所述评价函数metrics选择平均绝对误差MAE函数，
[0020]所述网络测试评估指标包括线形绝对偏差、平均绝对误差MAE函数、均方根误差RMSE函数、确定系数R2，所述确定系数R2的计算公式如下：
[0021][0022]其中，R2的取值范围为0到1，y
i
为基于实验计算出来的真值，为真值的平均值，为预测值；当网络训练、网络验证、网络测试的评估指标均满足要求时，则证明网络预测精度满足要求且稳定性好，所述DNN深层神经网络模型满足要求。
[0023]优选地，在步骤S4中，所述约束条件包括索力总和上限值、相邻段索力差值限值、相同段索力差值限值。
[0024]优选地，在步骤S6中，所述评估指标包括线形绝对偏差、平均绝对误差MAE函数、均
方根误差RMSE函数、确定系数R2。
[0025]优选地，在步骤S7中，若所述将所述最优扣索索力输入到Midas中得到对应的线形，与所述最优线形的偏差不满足要求，则通过优化器Adam自动调整网络结构重复步骤S3到步骤S7的过程，直至对应的线形与所述最优线形的偏差满足要求。
[0026]一种多约束拱桥施工期最优扣索索力快速确定装置，包含至少一个处理器和至少一个处理器通信连接的存储器，所述存储器存储有可被至少一个处理器执行的指令，所述指令被至少一个处理器执行，以使至少一个处理器能够执行所述指令实现所述方法的任意步骤。
[0027]与现有技术相比，本专利技术的有益效果：
[0028]1.本专利技术利用深层神经网络替代钢管混凝土拱桥有限元计算模型，快速预测出结构响应，充分发挥DNN预测的准确性和快捷性，并通过设置扣索多约束条件寻找出既能符合施工期要求本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多约束拱桥施工期最优扣索索力快速确定方法，其特征在于，包括以下步骤：S1.根据各施工阶段拱肋线形、应力状态对拱肋安全性和成桥合理性的影响，确定拱肋各施工阶段的线形和应力联合目标状态；S2.基于试验设计确定扣索索力组合，利用Python调用OpenSeespy库建立考虑初始切线位移的钢管混凝土拱桥施工阶段有限元模型，输入不同扣索索力组合进行结构响应计算，以此作为学习样本，并将学习样本分为训练集、验证集、测试集；S3.基于TensorFlow平台搭建DNN深层神经网络模型，进行网络训练、网络验证与网络测试，通过多个评估指标判断网络的稳定性和预测精度，确定DNN深层神经网络模型；S4.随机生成多组扣索索力，筛选满足工程需求约束条件的扣索索力；S5.将所述满足工程需求约束条件的扣索索力输入到确定的DNN深层神经网络模型中，得到与所述满足约束条件的扣索索力对应的线形；S6.将所述与所述满足约束条件的扣索索力对应的线形与目标线形Ut通过评估指标进行比较，确定最优线形，得到最优扣索索力。2.根据权利要求1所述的一种多约束拱桥施工期最优扣索索力快速确定方法，其特征在于，还包括：S7.将所述最优扣索索力输入到Midas中得到对应的线形，并通过与所述最优线形的偏差，验证所述确定的DNN深层神经网络模型的正确性。3.根据权利要求1所述的一种多约束拱桥施工期最优扣索索力快速确定方法，其特征在于，在步骤S2中，采用多进程multiprocessing库对所述学习样本的构造加快速度。4.根据权利要求1所述的一种多约束拱桥施工期最优扣索索力快速确定方法，其特征在于，在步骤S3中，所述确定的DNN深层神经网络模型包括前馈神经网络模型或循环神经网络模型，所述前馈神经网络模型选择多层感知机模型MLP，所述循环神经网络模型选择长短期记忆模型LSTM。5.根据权利要求4所述的一种多约束拱桥施工期最优扣索索力快速确定方法，其特征在于，所述多层感知机模型MLP，包括1个输入层、3个隐藏层、1个输出层，所述3个隐藏层全连接，单元数均为24，激活函数为relu，优化器采用Adam，学习率lr＝0.001，所述输入层为扣索索力X，单元数为扣索数，输出层为结构响应Y，单元数为结构控制点数；所述长短期记忆模型LSTM包括1个输入层、7个隐藏...

【专利技术属性】
技术研发人员：曹璐，周筱航，解威威，秦大燕，唐睿楷，凌干展，
申请(专利权)人：广西路桥工程集团有限公司，
类型：发明
国别省市：