何余良;张曙光;邢渊;杨赢;晁春峰
【摘 要】为提高预应力钢-砼组合梁的设计效率及合理性,精确预测其抗弯极限承载力,文中采用BP神经网络算法建立具有多个输入、单个输出的BP神经网络预应力钢-砼组合梁抗弯极限承载力预测模型,利用既有实测结果对该模型进行训练及验证,结果表明BP神经网络预测效果较好,其40次预测值与实测值比值的均值为1.002,具有较高的精度;选取浙江省绍兴市壶觞大桥边跨主梁进行抗弯极限承载力预测分析,结果表明该模型应用于实际工程可行,可用于预应力钢-砼组合梁抗弯极限承载力确定.
【期刊名称】《公路与汽运》
【年(卷),期】2019(000)005
【总页数】5页(P95-99)
【关键词】桥梁;预应力钢-砼组合梁;BP神经网络;极限承载力
【作 者】何余良;张曙光;邢渊;杨赢;晁春峰
【作者单位】绍兴文理学院 土木工程学院,浙江 绍兴 312000;绍兴文理学院 土木工程学院,浙江 绍兴 312000;华汇设计集团有限公司,浙江 绍兴 312000;绍兴文理学院 土木工程学院,浙江 绍兴 312000;桥梁无损检测与工程计算四川省高校重点实验室,四川 成都 610059
【正文语种】中 文
【中图分类】U441
目前，针对预应力钢-砼组合梁抗弯极限承载力的研究方法主要有数值模拟、试验研究、理论方法。宗周红、陶慕轩等建立了考虑材料非线性及几何非线性的预应力钢-砼组合梁有限元模型；聂建国等考虑预应力筋内力增量变化建立了预应力钢-砼简支组合梁抗弯承载力计算方法；胡少伟研究了不同初始预应力、加固位置、加载方式对预应力组合梁抗弯性能的影响，推导了考虑预应力增量的极限抗弯承载能力计算公式；JGJ 369-2016《预应力混凝土结构设计规范》也对预应力钢-砼组合梁的抗弯承载力作了说明。由于预应力钢-砼组合梁兼有组合梁及预应力的特点，结构形式复杂，设计需考虑的参数多，理论公式在实际应用
中过于繁琐且与实际值存在较大误差，不利于指导工程设计；试验研究和数值模拟对多种参数变化的构件很难进行全面、系统的控制，且会消耗大量人力、物力。因此，需寻一种在既有理论基础上能快速精确地确定预应力钢-砼组合梁承载力的方法。
人工神经网络是由大量人工神经元广泛互连组成的数学算法模型，可模拟动物神经网络行为特征进行分布式并行信息处理，通过调整大量内部节点之间的相互连接关系建立输入变量与目标输出的非线性映射关系，准确预测结构设计所需关键参数。因此，该文以BP神经网络为基础，研究方便、快速确定预应力钢-砼组合梁承载力的方法。
1 BP神经网络预测模型
1.1 BP预测系统网络结构
BP神经网络预测模型的拓扑结构包括输入层、隐含层、输出层，属于多层前馈型神经网络结构，每层节点的输出只影响相邻一层的节点(见图1)。
图1 BP神经网络结构模型
BP神经网络具有非线性映射、自适应学习及较强容错性的特点，理论上含有单个隐含层的BP网络模型可映射任意非线性关系。为提高网络预测精度，采用单隐含层神经网络，依次增加隐层节点数，若网络预测精度达不到要求，则继续增加隐含层，直到达到要求为止。
1.2 BP预测模型的实现
为全面考虑可控参数对预应力钢-砼组合梁极限承载力的影响，将钢梁高、砼翼缘厚、砼强度、初始张拉预应力、栓钉直径等11个参数作为BP网络结构的输入，以预应力钢-砼组合梁极限承载力为BP神经网络的输出。从国内外学者已实施的试验中选取具有代表性的31组数据作为基础数据(见表1)。利用MATLAB2016软件编写基于BP神经网络的预应力钢-砼组合梁抗弯极限承载力预测模型对其承载力进行评估。
表1 预应力钢-砼组合梁极限承载力试验数据文献编号组合梁编号组合梁高h/mm钢梁高hs/mm钢梁截面积As/mm2型钢抗拉强度设计值fy/MPa砼翼缘宽bc/mm砼轴心抗压强度设计值fc/MPa预应力筋截面积At/mm2预应力筋到梁底面距离ht/mm初始有效预应力Ti/kN跨长L/mm栓钉直径D/mm极限抗弯承载力M/(kN·m)15SB-23402504 85031090023.127530278.204 1506359.116A4363607 99035091533.84025749.004 5751
3690.017BS-23602703 9903501 10027.827530225.125 00013364.018PSCB-13001806 3003101 000 27.527550275.605 00022 653.0PSCB-23001806 3003101 00027.555050351.105 00022717.019A4423525 7243501 070 27.536030266.804 57219 697.020PCB-43001706 40031080027.536540215.103 75016473.92113302502 86831080035.027555163.904 00016 209.023302502 86831080035.027555193.604 00016216.022PC-33002004 65021560014.331430348.104 36016 136.5PC-43002004 65021560014.335330331.104 36016153.723N24423525 5243601 070 23.128430317.204 88019 602.024A4423525 7243501 07027.536030266.804 57219697.025FPSCT-23302502 86821580019.127542156.004 00016 250.0PSCB-13302502 86821580019.127542168.004 00016269.026PCPB-13602704 84031090019.127540223.404 50016 404.8PCPB-23602704 84031090023.127540219.304 50016407.0PCPB-33602704 84031090019.127540227.104 50016378.3PCPB-43602704 84031090023.127540238.604 50016412.4PCPB-53602704 84031090019.127540219.104 50016405.2PCPB-63602704 84031090023.127540220.30
4 50016409.427PCB-153001706 40021580027.527530204.603 75016 393.0PCB-173001706 40021580027.527530230.703 75016396.3PCB-193001706 40021580027.527530191.703 75016454.4PCB-203001706 40021580027.555030183.403 75016482.0SCB-213001706 40021580027.527530199.903 75016472.8SCB-223001706 40021580027.527530242.503 75016494.6PCB-233001706 40021580027.527530198.003 75016488.828PC-33002003 95021560014.331430436.004 36016 272.9PC-43002003 95021560014.340230490.104 36016307.529CB-22301803 51021570027.523630158.302 80013 270.3
基于BP神经网络的预应力钢-砼组合梁抗弯极限承载力预测模型分为学习阶段和测试阶段。先将样本随机分为训练样本及测试样本，利用训练样本经过反复训练，建立输入参数与目标输出之间的非线性关系，达到迭代次数时训练结束；然后将测试样本导入训练好的网络模型中，测试神经网络的预测性能，若预测精度不满足要求，则重新调整神经网络模型进行训练，直至预测精度满足要求(见图2)。
图2 BP神经网络预测流程
神经网络预测
2 测试样本结果对比分析
2.1 BP神经网络预测
从表1的31组样本中随机选取10组作为测试样本，其他为训练样本。分别建立单个隐含层及含有2个隐含层的BP神经网络预测模型，其中隐层节点数采用试算法确定，单个隐层节点数采用(i、j分别为输入、输出层节点数，c分别取0～10之间的正整数)确定，双隐含层通过改变一个隐含层节点数而另一个隐含层节点数不变来确定每层合理的隐含节点数。输入层与隐含层、隐含层与隐含层之间的传递函数均采用sigmoid型函数，隐含层与输出层之间的传递函数采用purelin型函数，训练函数采用Levenberg-Marquardt算法。隐层节点数为5的单隐层神经网络与前一隐层节点数为6、后一隐层节点数为4的双隐层神经网络的预测结果见表2。
由表2可知：两种神经网络的预测均值与实测值比值的协方差相近，但双隐层神经网络的预测值与实测值比值的均值更趋近于1，其预测效果更好。采用基于双隐层神经网络的预应力钢-砼组合梁抗弯极限承载力预测模型分别对10组测试样本进行20、40、60、80、100次预测，结果见表3。
由表3可知：10组测试样本的预测均值与实测值比值的均值AVG在预测40次时为1.002，最接近于1，且Cv值最小，预测40次时的结果与实测值吻合最好，故选取预测40次时的结果作为BP神经网络预测值。
2.2 承载力评估
为检验BP神经网络对预应力钢-砼组合梁极限承载力的预测精度，对表2中10组测试样本分别采用文献[7]、[9]、[10]中的理论公式计算预应力钢-砼组合梁的极限承载力。计算时忽略钢与砼间的滑移效应，只考虑预应力筋内力增量对极限抗弯承载力的影响。预测值和理论公式计算极限承载力与实测值的对比见表4。
表2 不同神经网络预测结果对比组合梁编号实测值/(kN·m)不同预测次数下单隐层神经网络预测均值与实测 值的比值 不同预测次数下双隐层神经网络预测均值与实测 值的比值 40次100次40次100次SB-2359.10.960.940.980.98PSCB-1653.00.850.850.930.91PSCB-2717.00.910.910.920.92PCB-4473.90.940.951.031.01FPSCT-2250.01.031.041.061.07PSCB-1269.00.980.990.990.99PCPB-1404.80.940.990.991.02PCPB-2407.00.981.021.031.04PCB-15393.01.081.081.141.16S
CB-21472.89.000.890.950.96均值AVG-0.9560.9671.0021.005协方差Cv-0.004 50.005 00.004 50.005 3
表3 双隐层神经网络预测结果组合梁编号不同预测次数下预测均值与实测值的比值20次40次60次80次100次SB-21.020.980.980.960.98PSCB-10.910.930.910.910.91PSCB-20.890.920.910.920.92PCB-41.071.031.021.011.01FPSCT-21.091.061.081.081.07PSCB-11.020.991.011.000.99PCPB-11.030.991.021.011.02PCPB-21.061.031.051.041.04PCB-151.151.141.131.151.16SCB-210.950.950.960.960.96均值AVG1.0171.0021.0081.0041.005协方差Cv0.006 50.004 50.005 70.005 30.005 3
由表4可知：文献[7]、[9]、[10]的理论计算结果及神经网络预测结果与实测值的比值的均值分别为0.819、0.83、0.783、1.002，计算值均低于实测值，文献[7]、[9]中公式计算值相近但高于规范值，说明理论公式偏于保守；预测值与实测值最接近，且其协方差最小，说明BP神经网络预测值与实测值吻合最好。BP神经网络可用于精确确定预应力钢-砼组合梁的抗弯极限承载力。若要进一步确定预应力钢-砼组合梁各关键参数，可通过不断调整各参数，运用BP神经网络对每组参数进行反复预测，确定达到设计承载力所需最优参数组合。
表4 各计算方法计算结果、预测值及实测值的对比组合梁编号 文献[7]计算结果 文献[9]计算结果 文献[10]计算结果 神经网络预测结果 计算值/(kN·m)计算值/实测值计算值/(kN·m)计算值/实测值计算值/(kN·m)计算值/实测值预测值/(kN·m)预测值/实测值SB-2374.41.04326.80.91331.80.92353.30.98PSCB-1441.40.68430.90.66481.60.74605.10.93PSCB-2417.90.58402.30.56568.30.79657.80.92PCB-4396.10.84303.50.64284.70.60489.91.03FPSCT-2236.20.94272.31.09193.10.77265.61.06PSCB-1239.10.89275.51.02193.10.72266.00.99PCPB-1355.70.88374.20.92332.60.82399.80.99PCPB-2380.10.93391.40.96347.90.85418.21.03PCB-15303.30.77317.40.81370.60.94446.51.14SCB-21300.60.64346.10.73319.60.68446.60.95协方差Cv-2.2×10-2-3.2×10-2-1.2×10-2-4.5×10-3
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议