基于神经网络与粒子群的斜拉桥索力容差优化方法及系统技术方案

本发明专利技术属于桥梁施工控制技术领域，特别涉及一种基于神经网络与粒子群的斜拉桥索力容差优化方法及系统，该方法包括建立基于可靠度的容差区间优化模型；通过参数敏感性分析确定施工阶段显著性斜拉索索力；根据均匀试验响应面法拟合施工阶段主梁和塔顶截面位移与斜拉索索力的响应面方程；采用蒙特卡洛抽样构造施工阶段主梁和塔顶截面位移可靠度样本；将遗传算法与

【技术实现步骤摘要】
基于神经网络与粒子群的斜拉桥索力容差优化方法及系统


[0001]本专利技术属于桥梁施工控制
，特别涉及一种基于神经网络与粒子群的斜拉桥索力容差优化方法及系统
。

技术介绍

[0002]斜拉桥
、
悬索桥等大跨度缆索支撑体系桥梁，属于高次超静定结构，力学行为复杂，随着跨径的提高，其施工难度也逐渐增加
。
作为斜拉桥全生命周期中的重要一环，斜拉桥在施工阶段受到材料性能
、
结构几何参数
、
荷载作用效应
、
计算模式等不确定性和施工环境复杂性的影响，实际结构状态会与理想设计状态产生偏差，为了确保斜拉桥在施工阶段具备足够的安全性和可靠性，需要对斜拉桥进行严格的施工控制
。
斜拉桥施工控制时，主要对截面位移和索力进行监控，尤其是对施工阶段截面位移的控制直接关系到成桥状态的线形，而截面位移又主要受斜拉索索力的影响
。
为确保斜拉桥施工过程的安全性和成桥状态的合理性，提升施工控制的精准性，降低施工控制难度，需要在保障结构可靠性的前提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于神经网络与粒子群的斜拉桥索力容差优化方法，其特征在于，包含以下步骤：步骤1，建立基于可靠度的容差区间优化模型；将施工阶段主梁和塔顶截面位移可靠度分别作为目标函数和约束函数，将斜拉索索力容差区间的变化上限和下限作为待优化值，以寻找最优索力容差区间；步骤2，通过参数敏感性分析确定施工阶段显著性斜拉索索力；以施工阶段斜拉索索力为设计参数，综合采用正交试验设计方法以及极差分析显著性检验方法，对施工阶段主梁和塔顶截面位移进行统计敏感性分析，确定影响施工阶段主梁和塔顶截面位移的显著性斜拉索索力；步骤3，根据均匀试验响应面法拟合施工阶段主梁和塔顶截面位移与斜拉索索力的响应面方程；利用均匀试验设计表选取斜拉索索力作为随机变量，将随机变量代入桥梁有限元模型中，计算各随机变量的施工阶段主梁和塔顶截面位移值，根据结构响应面函数拟合出斜拉索索力与施工阶段主梁和塔顶截面位移的函数关系式；步骤4，采用蒙特卡洛抽样构造施工阶段主梁和塔顶截面位移可靠度样本；对于待优化斜拉索索力值，以区间的形式在设计域内随机抽取区间样本，然后在区间样本中进行均匀抽样，对于其余斜拉索索力值，根据其概率分布抽样，将抽样得到的样本代入步骤3构造的响应面方程中，采用蒙特卡洛抽样方法计算施工阶段主梁和塔顶截面位移可靠度指标，作为神经网络的训练和测试样本；步骤5，将遗传算法与
BP
神经网络相结合，构建索力容差区间变化上下限与施工阶段主梁和塔顶截面位移可靠度的映射关系，即目标函数和约束函数的
BP
神经网络代理模型；采用
BP
神经网络搭建待优化斜拉索索力值的变化上下限与施工阶段主梁和塔顶截面位移可靠度指标
β
的直接映射关系，构造目标函数和约束函数；采用遗传算法对
BP
神经网络的参数初始值进行优化；步骤6，结合改进粒子群算法进行斜拉索索力容差区间优化；结合时变惯性权重对粒子群算法进行改进，通过构造奖励函数将约束函数与目标函数相组合；根据步骤5得到的目标函数和约束函数的
BP
神经网络代理模型，采用粒子群算法对斜拉索索力容差区间进行优化
。2.
根据权利要求1所述的基于神经网络与粒子群的斜拉桥索力容差优化方法，其特征在于，步骤1中容差区间优化模型为：
B
＝
[b1,b2,b3,
…
b
n
]
T
findmax
β
m
(X,B)s.t.s.t.
式中，
B
为
n
维待优化斜拉索索力值，
b
i
为第
i
个待优化斜拉索索力值，分别为
第
i
个待优化斜拉索索力的设计值
、
变化上限和变化下限，
X
为其余斜拉索索力值，根据其概率分布进行抽样，用以模拟施工中的索力误差；
β
m
(X,B)
为目标函数，
β
y
(X,B)
为约束函数，为约束函数最小值，分别为待优化斜拉索索力值
b
i
的变化下界和上界
。3.
根据权利要求1所述的基于神经网络与粒子群的斜拉桥索力容差优化方法，其特征在于，步骤2中正交试验设计方法根据正交表进行试验，正交表是正交试验的基本工具，用
L
n
(t
m
)
表示，其中
L
为正交表的符号，
n
为所需试验次数，
m
为因素数量，
t
为因素划分的水平数；步骤2中极差分析显著性检验方法具体包括：极差
R
j
是指同一因素不同水平之间最大值与最小值的差值，极差
R
j
反映了因素对响应的影响程度，极差越大则因素显著性越强，计算公式如下：
R
j
＝
max{K
1j
,K
2j
,...,K
rj
}
‑
min{K
1j
,K
2j
,...,K
rj
}
式中，
K
rj
为第
j
列水平号为
r
的各试验结果的总和
。4.
根据权利要求1所述的基于神经网络与粒子群的斜拉桥索力容差优化方法，其特征在于，步骤3中均匀试验响应面法具体包括：均匀试验表有两种类型，一种是
U
n
(q
s
)
型，另一种是
U
n
(n
s
)
型，其中
U
为均匀试验表的符号，
n
为所需试验次数，
s
为因素数量，
q
为因素划分的水平数；根据均匀试验设计选取响应面试验点，选用不考虑交叉项的二阶多项式作为待拟合函数，参见下面
f(x1,x2,...x
k
)
的表达式，根据均匀试验表进行
m
＝
2n+1
组取样，利用桥梁有限元模型计算各组样本的施工阶段主梁和塔顶截面位移值，对计算结果进行回归拟合，确定结构响应与变量的显示关系式；式中，
f(x1,x2,x3...,x
k
)
为结构响应面函数，
x1、x2、...x
k
为斜拉索索力，
a、b
i
、c
i
为响应面系数，该系数由
A
＝
X
‑1f
求得，其中
X
为斜拉索索力
x
i
的样本点矩阵，
f
为
m
个样本点对应的施工阶段主梁和塔顶截面位移，
A
为响应面系数向量；为了检验结构响应面函数的拟合精度，采用判定系数
R2对其进行检验，计算公式如下：式中，
y
i
、y
i
′
分别为第
i
个样本的有限元计算得到的施工阶段主梁和塔顶截面位移值和响应面函数计算得到的施工阶段主梁和塔顶截面位移值，为有限元计算得到的施工阶段主梁和塔顶截面位移结果的平均值，当
R2>0.95
时，则函数拟合精度符合要求
。5.
根据权利要求4所述的基于神经网络与粒子群的斜拉桥索力容差优化方法，其特征在于，步骤4中蒙特卡洛抽样具体包括：假设截面位移功能函数为
Z
＝
R
‑
S
＝
g(x1,x2,x3...,x
k
)
，其中
Z
为施工阶段的主梁或塔顶截面位移，对斜拉索索力
x1,x2,x3...,x
k
按照其概率密度函数
f
X
(x)
进行抽样，将得到的斜拉索索力
x
i
代入截面位移功能函数中，对于塔顶截面若
Z
＞
30mm
，则表示结构失效一次，对于
主梁截面若
|Z|
＜
50mm
，则表示结构失效一次；设分别进行了
N
次模拟，
...

【专利技术属性】
技术研发人员：汪志昊，程振清，徐宙元，孙胜，王明，徐兴双，吕燕军，高宇甲，赵展，罗志文，刘祖军，许艳伟，赵洋，
申请(专利权)人：中铁三局集团有限公司，
类型：发明
国别省市：