一种复杂风险源下的混凝土桥梁悬臂施工风险评估方法技术

本发明专利技术公开了一种复杂风险源下的混凝土桥梁悬臂施工风险评估方法，本发明专利技术将复杂风险因素视为随机变量，确定随机变量及其概率分布，建立复杂风险因素下桥梁悬臂施工风险临界状态方程；建立有限元模型，对随机变量进行样本设计，构成训练样本与检测样本；通过样本的学习，使BP神经网络形成样本输入参量和输出参量间的非线性映射关系；根据风险临界状态方程，利用蒙特卡罗原理模拟随机抽样，求解具体风险事件的风险概率；根据概率描述表对风险进行评价。本发明专利技术利用BP神经网络、有限元建模计算以及蒙特卡罗模拟方法对桥梁施工最大悬臂合拢阶段进行风险概率评估，判断合拢时因挠度误差导致的风险事件概率，对相应风险进行评估。

Risk assessment method for cantilever construction of concrete bridge under complex risk source

The invention discloses a concrete bridge cantilever construction risk source complex risk assessment method, the complex risk factors as random variables, determine the probability distribution of random variables, established under the bridge construction risk critical state equation of complex risk factors; finite element model is established, the sample design of random variables, a training sample and test sample; by studying the sample, the BP neural network to form a nonlinear mapping relationship between input parameters and output sample parameters; according to the risk of critical state equation, using the Monte Carlo simulation of random sampling principle, risk probability for the specific risk events; according to the probability of risk evaluation and description table. The invention uses BP neural network, finite element modeling calculation and Monte Carlo simulation method for probabilistic risk assessment of bridge construction stage maximum cantilever closure, closure for judgment error caused by the deflection probability, to evaluate the corresponding risk.

【技术实现步骤摘要】
一种复杂风险源下的混凝土桥梁悬臂施工风险评估方法
本专利技术属于土木工程领域混凝土桥梁悬臂施工风险评估
，尤其涉及一种基于正交试验设计—BP神经网络—蒙特卡罗模拟的风险估计方法。
技术介绍
复杂环境下的连续刚构桥悬臂施工存在着诸多风险。充分考虑连续刚构桥悬臂施工阶段的风险因素并建立适宜的风险概率计算方法，对保证施工安全意义重大。桥梁施工风险评估近些年来开始流行，不同类型的桥梁、不同形式的施工方法在进行风险评估时的准确性有一定的影响。目前基于遗传算法的风险评估方法结果较为准确，便于理解与推广。但是，对于混凝土桥梁在复杂风险源下的悬臂施工进行风险评估尚没有特别准确适用的方法。复杂危险源要求考虑多重风险因素，在桥梁悬臂施工的最大悬臂状态结构受力复杂，影响因素众多。
技术实现思路
为了解决上述技术问题，本专利技术提供了一种基于正交试验设计—BP神经网络—蒙特卡罗模拟的风险估计方法，对复杂风险源下混凝土桥梁最大悬臂施工阶段的风险进行评估，得到更加准确的风险估计值，进行风险描述，指导桥梁悬臂施工与监测。本专利技术所采用的技术方案是：一种复杂风险源下的混凝土桥梁悬臂施工风险评估方法，其特征在于，包括以下步骤：步骤1：将复杂风险因素视为随机变量，确定随机变量及其概率分布，建立复杂风险因素下桥梁悬臂施工风险临界状态方程；步骤2：建立有限元模型，对随机变量进行样本设计；利用正交试验设计产生样本数据输入值，根据样本数据输入值，建立混凝土桥梁悬臂施工最大悬臂状态有限元模型；根据正交试验设计确定样本点个数，分为A组和B组，其中A组有a个样本，B组有b个样本；步骤3：将A组和B组样本代入有限元模型，计算样本数据理论输出值，构造BP神经网络训练样本与检验样本；步骤4：通过A组样本训练BP神经网络，使BP神经网络形成样本输入参量和输出参量间的非线性映射关系，B组样本检验BP神经网络，检验网络精度是否满足要求；步骤5：判断检验网络精度是否满足要求；若是，则执行下述步骤6；若否，则回转执行步骤2；步骤6：对随机变量进行N次抽样，神经网络仿真，得到N组响应值；步骤7：根据步骤1中的风险临界状态方程，获得风险发生次数为m，利用蒙特卡罗原理模拟随机抽样，求解具体复杂风险因素的风险概率Pf：本专利技术的有益效果如下：本专利技术提出了对复杂风险源下的混凝土桥梁悬臂施工最大悬臂状态进行风险评估的方法，可以考虑多重复杂风险因素对桥梁悬臂施工的风险影响。确定桥梁悬臂施工阶段各主要风险因素以及其概率分布，通过正交试验设计方法形成各风险因素的样本数据点并进行有限元计算；将有限元计算得到的结果作为神经网络训练样本，训练神经网络形成相应输入与输出量的非线性高次映射关系；使用蒙特卡罗模拟对复杂风险因素下桥梁的风险概率进行求解，更加准确地对悬臂施工中的桥梁进行定量风险评估。附图说明图1为本专利技术实施例的流程图；图2为本专利技术实施例的BP神经网络计算流程图；图3为本专利技术实施例的神经网络训练学习示意图；图4为本专利技术实施例的混凝土连续刚构桥有限元仿真模型图；图5为本专利技术实施例的悬臂施工最大悬臂阶段有限元模型图；图6为本专利技术实施例的神经网络训练过程误差曲线图；图7为本专利技术实施例的神经网络训练样本输出值与有限元计算值对比图；图8为本专利技术实施例的检验样本输出值与有限元计算值对比图；图9为本专利技术实施例的跨中合拢段挠度误差范围图；具体实施方式为了便于本领域普通技术人员理解和实施本专利技术，下面结合附图及实施例对本专利技术作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本专利技术，并不用于限定本专利技术。基于现有复杂风险源下混凝土桥梁悬臂施工风险评估方法中存在的不足，本专利技术提出一种桥梁悬臂施工风险评估方法。考虑桥梁悬臂施工中最大悬臂状态时复杂风险因素对结构的影响，以两最大悬臂端挠度误差作为风险控制变量，利用正交试验设计得到样本数据点，再通过有限元计算得到训练样本与检验样本；通过样本的学习，使BP神经网络形成样本输入与输出参量间的非线性映射关系，然后根据蒙特卡罗模拟进行随机抽样，求出具体风险事件的风险概率，并对风险进行描述分级，明确复杂风险因素对桥梁悬臂施工的不利影响。请见图1，本专利技术提供的一种复杂风险源下的混凝土桥梁悬臂施工风险评估方法，包括以下步骤：步骤1：将复杂风险因素视为随机变量，确定随机变量及其概率分布，建立复杂风险因素下桥梁悬臂施工风险临界状态方程；考虑库区桥梁在多因素复杂风险源下的风险评估，将设计因素、材料因素、施工管理因素以及外界因素纳入考虑范围，以悬臂施工两悬臂端间挠度误差风险分析为例。用X1、X2、……、Xn表示n个复杂风险因素，并通过查阅文献以及概率统计的方式确定每个风险因素所服从的概率分布模型。则混凝土桥梁悬臂施工最大悬臂中跨合拢阶段两悬臂端的挠度误差风险临界状态方程可表示为：g(x)＝δr(X1,X2,…Xn)-δl(X1,X2,…Xn)其中δr与δl分别表示两侧主梁中跨合拢准备阶段的悬臂端挠度值，通过悬臂端挠度值之差与相应规范值的对比来判断桥梁悬臂施工的风险状态。步骤2：建立有限元模型，对随机变量进行样本设计；利用正交试验设计产生样本数据输入值，根据样本数据输入值，建立混凝土桥梁悬臂施工最大悬臂状态有限元模型；根据正交试验设计确定样本点个数，分为A组和B组，其中A组有a个样本，B组有b个样本；正交试验设计所用正交表如表1。表1正交表L9(34)表中的是正交表的记号L9(34)，等水平的正交表可用Ln(rm)表示，其中L为正交表代号；n为试验次数；r为因素水平数；m为最多能安排的因素个数。步骤3：将A组和B组样本代入有限元模型，计算样本数据理论输出值，构造BP神经网络训练样本与检验样本；步骤4：通过A组样本训练BP神经网络，使BP神经网络形成样本输入参量和输出参量间的非线性映射关系，B组样本检验BP神经网络，检验网络精度是否满足要求；请见图2和图3，BP神经网络的具体训练检验步骤如下：步骤4.1：随机给定所有权系数的初始值，并对阈值设定初值；步骤4.2：整理输入样本数据P以及期望输出数据d；步骤4.3：正向演算计算实际输出o和网络误差E；步骤4.4：反向演算，调整所有权值；步骤4.5：判断误差是否满足要求步骤4.6：若误差不满足要求，则返回到步骤4.3重复，直至各样本的误差满足要求为止；若误差满足要求，则本流程结束。通过输入样本数据，得出风险结果近似值，通过误差分析，确定神经网络结果的可靠性。步骤5：判断检验网络精度是否满足要求；若是，则执行下述步骤6；若否，则回转执行步骤2；步骤6：对随机变量进行N次抽样，神经网络仿真，得到N组响应值；步骤7：根据步骤1中的风险临界状态方程，获得风险发生次数为m，利用蒙特卡罗原理模拟随机抽样，求解具体复杂风险因素的风险概率Pf；根据各风险因素的概率分布规律，利用蒙特卡罗模拟对其进行随机抽样，通过训练后的BP神经网络对随机生成样本进行输出预测，将预测值代入风险临界状态方程进行计算，通过计算机大规模的模拟试验，确定风险发生频次。设一共进行N次试验，风险发生次数为m，则风险概率可以由下式近似表示：式中m表示挠度差超过规范允许范围的次数。总的来说，在蒙特卡罗模拟中，风险概率Pf就是风险损失现实发生的次数m占总抽样次数N的频率。本专利技术以三本文档来自技高网...

【技术保护点】
一种复杂风险源下的混凝土桥梁悬臂施工风险评估方法，其特征在于，包括以下步骤：步骤1：将复杂风险因素视为随机变量，确定随机变量及其概率分布，建立复杂风险因素下桥梁悬臂施工风险临界状态方程；步骤2：建立有限元模型，对随机变量进行样本设计；利用正交试验设计产生样本数据输入值，根据样本数据输入值，建立混凝土桥梁悬臂施工最大悬臂状态有限元模型；根据正交试验设计确定样本点个数，分为A组和B组，其中A组有a个样本，B组有b个样本；步骤3：将A组和B组样本代入有限元模型，计算样本数据理论输出值，构造BP神经网络训练样本与检验样本；步骤4：通过A组样本训练BP神经网络，使BP神经网络形成样本输入参量和输出参量间的非线性映射关系，B组样本检验BP神经网络，检验网络精度是否满足要求；步骤5：判断检验网络精度是否满足要求；若是，则执行下述步骤6；若否，则回转执行步骤2；步骤6：对随机变量进行N次抽样，神经网络仿真，得到N组响应值；步骤7：根据步骤1中的风险临界状态方程，获得风险发生次数为m，利用蒙特卡罗原理模拟随机抽样，求解具体复杂风险因素的风险概率Pf：

【技术特征摘要】
1.一种复杂风险源下的混凝土桥梁悬臂施工风险评估方法，其特征在于，包括以下步骤：步骤1：将复杂风险因素视为随机变量，确定随机变量及其概率分布，建立复杂风险因素下桥梁悬臂施工风险临界状态方程；步骤2：建立有限元模型，对随机变量进行样本设计；利用正交试验设计产生样本数据输入值，根据样本数据输入值，建立混凝土桥梁悬臂施工最大悬臂状态有限元模型；根据正交试验设计确定样本点个数，分为A组和B组，其中A组有a个样本，B组有b个样本；步骤3：将A组和B组样本代入有限元模型，计算样本数据理论输出值，构造BP神经网络训练样本与检验样本；步骤4：通过A组样本训练BP神经网络，使BP神经网络形成样本输入参量和输出参量间的非线性映射关系，B组样本检验BP神经网络，检验网络精度是否满足要求；步骤5：判断检验网络精度是否满足要求；若是，则执行下述步骤6；若否，则回转执行步骤2；步骤6：对随机变量进行N次抽样，神经网络仿真，得到N组响应值；步骤7：根据步骤1中的风险临界状态方程，获得风险发生次数为m，利用蒙特卡罗原理模拟随机抽样，求解具体复杂风险因素的风险概...

【专利技术属性】
技术研发人员：付军，马晓冬，谢逸超，余昆，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北,42