一种非平稳强风下桥梁行车风险评估分级管控方法及装置

摘要: 本发明涉及一种非平稳强风下长跨桥梁行车安全快速评估与分级管控技术,属于桥梁工程运营安全与智能交通管控。背景技术:1、长跨桥梁是跨海、跨江及城市快速交通网络中的关...
一种非平稳强风下桥梁行车风险评估分级管控方法及装置

本发明涉及一种非平稳强风下长跨桥梁行车安全快速评估与分级管控技术,属于桥梁工程运营安全与智能交通管控。

背景技术:

1、长跨桥梁是跨海、跨江及城市快速交通网络中的关键节点。在台风、强季风、阵风锋等非平稳强风作用下,桥梁结构振动、车辆气动力、桥面交通流和路面附着条件之间存在显著耦合作用,车辆可能发生侧翻、侧滑等失稳风险,进而影响桥梁运营安全和交通通行能力。

2、现有风-车-桥耦合数值仿真方法能够较为准确地描述风荷载、桥梁动力响应和车辆运动之间的相互作用。例如,基于桥梁模态叠加、车辆多体动力学、随机交通流和桥面不平顺的全耦合计算模型,可以获得桥梁位移、速度、加速度以及车辆轮载、侧向力和侧倾响应。然而,在强风或台风全过程中进行逐窗口、逐车辆、逐样本的高保真动力计算,通常需要消耗大量计算资源,难以满足实时预警和主动交通管控的需求。

3、进一步地,桥面交通流具有天然的集合结构。同一时刻桥面上的车辆数量随入桥率、车速和车辆离桥过程不断变化,且车辆输入顺序不应影响桥梁响应。但传统机器学习代理模型通常要求固定维度输入,或者将车辆按照人为顺序拼接为向量,容易破坏交通荷载的置换不变物理属性,导致模型泛化能力不足。

4、此外,平稳随机风场下训练得到的代理模型直接用于台风等非平稳强风场景时,会遇到风速均值、湍流特性、交通分布和响应统计特性的目标域偏移。若完全重新训练模型,需要大量目标场景样本;若不进行目标域修正,则预测精度和风险评估可靠性难以保证。

5、因此,亟需一种能够同时处理可变车辆集合、保持桥梁动力预测连续性、适应非平稳强风场景并直接服务交通管控决策的长跨桥梁交通安全动态评估方法。

技术实现思路

1、本发明的目的在于提供一种非平稳强风下桥梁行车风险评估分级管控方法及装置,以解决现有技术中风-车-桥高保真仿真计算量大、可变交通流难以输入代理模型、平稳风场模型难以泛化至非平稳强风场景以及评估结果难以直接转化为交通管控策略的问题。

2、本发明采用的技术方案为:一一种非平稳强风下桥梁行车风险评估分级管控方法,包括以下步骤:

3、s1:获取长跨桥梁结构参数、风场数据、桥面不平顺信息、车辆动力学参数以及桥面交通流数据,其中桥面交通流数据包括每一评估时刻桥面上车辆数量可变的车辆集合;

4、s2:构建风-车-桥耦合高保真计算模型,并基于所述风-车-桥耦合高保真计算模型生成平稳随机风场源域样本和非平稳强风目标域样本,得到桥梁响应训练样本和车辆响应校验样本;

5、s3:构建deepsets车辆集合编码器,对任一评估时刻的车辆集合进行共享嵌入、掩码池化和输出映射,得到固定维度的交通潜变量;其中所述deepsets车辆集合编码器对车辆输入顺序具有置换不变性;

6、s4:将交通潜变量与风场特征、桥面不平顺特征、车辆动力学参数以及上一预测窗口桥梁状态拼接,形成傅里叶神经算子输入序列,并输入fno桥梁响应预测模型,得到当前预测窗口内的桥梁动力响应;

7、s5:在平稳随机风场样本上预训练deepsets车辆集合编码器和fno桥梁响应预测模型,得到源域预训练deepsets-fno模型;

8、s6:在非平稳强风目标场景下冻结源域预训练deepsets-fno模型的deepsets车辆集合编码器和fno主干网络,在deepsets车辆集合编码器输出端插入交通潜变量适配器,对交通潜变量进行目标域修正;在fno主干网络输出端插入输出响应适配器,对桥梁动力响应进行目标域修正;利用非平稳强风目标场景样本训练所述交通潜变量适配器和输出响应适配器,得到非平稳强风下的deepsets-fno快速预测模型;

9、s7:将非平稳强风下的deepsets-fno快速预测模型用于连续评估窗口的桥梁响应预测,并将预测桥梁响应作为车辆动力方程的基底激励,计算车辆动力响应;

10、s8:基于车辆动力响应计算载荷转移率和侧滑指标,判断车辆是否发生侧翻或侧滑失效;通过窗口级蒙特卡洛仿真获得各车型车辆失稳概率。

11、s9:基于各车型车辆失稳概率和预设风险阈值,确定各评估窗口的分级交通管控状态,并输出桥梁交通安全动态评估结果、服务保留率和交通损失率。

12、进一步地,所述步骤s1中车辆集合包括桥面上所有有效车辆的车辆特征向量,所述车辆特征向量至少包括车辆类型、桥面相对纵向位置、车道位置、瞬时车速和车辆有效标记。

13、进一步地,所述步骤s3中构建deepsets车辆集合编码器包括:

14、对每一车辆的桥面相对纵向位置进行正余弦位置编码;

15、将车辆类型、桥面相对纵向位置编码、车道位置、瞬时车速和车辆有效标记输入共享参数的车辆嵌入网络,得到每一车辆的车辆嵌入向量;

16、对全部有效车辆的车辆嵌入向量执行掩码均值池化、掩码最大池化和注意力池化,得到聚合交通特征;所述掩码均值池化用于表征平均车辆荷载强度和空间密度,所述掩码最大池化用于表征控制性或极端车辆荷载,所述注意力池化用于表征车辆在桥面空间上的关键分布模式;

17、将所述聚合交通特征与车辆数量归一化特征输入输出网络,得到固定维度的交通潜变量。

18、进一步地,所述步骤s4中fno桥梁响应预测模型包括线性提升层、多个一维傅里叶层和投影层;每一一维傅里叶层通过快速傅里叶变换将时域潜变量转换至频域,在截断的低频模态上执行可学习频域卷积,并通过逆快速傅里叶变换返回时域后,与线性变换结果叠加并经非线性激活更新;

19、所述桥梁动力响应包括桥梁模态位移、模态速度和模态加速度中的至少一种;在连续评估窗口中,将上一预测窗口末端的桥梁模态位移作为下一预测窗口的初始状态输入,以保持长时程预测的状态连续性。

20、进一步地,所述步骤s6中所述交通潜变量适配器为具有残差连接的多层感知机,所述输出响应适配器为一维傅里叶神经算子模块。

21、进一步地,所述步骤s8中获得各车型在各评估窗口内的车辆失稳概率包括:

22、将评估时程划分为多个固定时长的评估窗口;

23、在每一评估窗口内,根据预测风速、交通密度、车辆类型比例、车辆入桥时刻、车辆速度、车辆空间位置和路面摩擦系数生成多组随机样本;

24、对每组随机样本调用deepsets-fno快速预测模型得到桥梁响应,并将所述桥梁响应输入车辆动力方程得到车辆动力响应;

25、对完成过桥的车辆分别判断是否满足侧翻失效条件或侧滑失效条件;

26、统计每一车型的失效车辆比例,并对多组随机样本的失效车辆比例求期望,得到所述车辆失稳概率。

27、进一步地,所述步骤s8中侧翻失效条件为车辆载荷转移率大于或等于侧翻阈值,侧滑失效条件为车辆侧滑指标大于或等于侧滑阈值。

28、进一步地,所述步骤s9中分级交通管控状态按照车辆抗风稳定性由弱到强依次限制车辆类型,所述分级交通管控状态至少包括正常通行、限制高敏感车型通行、仅允许低敏感车型通行和桥梁关闭;

29、所述步骤s9中确定各评估窗口的分级交通管控状态包括:

30、计算无管控状态下各车型车辆失稳概率中的最大值,得到无管控系统风险;

31、按照管控强度递增的顺序枚举多个分级交通管控状态;

32、对每一分级交通管控状态,计算仍被允许通行车型的车辆失稳概率最大值,得到残余风险;

33、在残余风险不大于预设风险阈值的分级交通管控状态中,选择管控强度最小的状态作为当前评估窗口的管控状态。

34、进一步地,所述方法还包括:根据当前评估窗口中被允许通行车辆需求量与总车辆需求量的比值,计算服务保留率;根据被限制通行车辆需求量与总车辆需求量的比值,计算交通损失率。

35、本发明还提供一种非平稳强风下桥梁行车风险评估分级管控装置,所述装置包括:

36、数据获取模块,用于获取长跨桥梁结构参数、风场数据、桥面不平顺信息、车辆动力学参数以及桥面交通流数据;

37、高保真样本生成模块,用于构建风-车-桥耦合高保真计算模型,并生成桥梁响应训练样本和车辆响应校验样本;

38、车辆集合编码模块,用于通过deepsets车辆集合编码器将数量可变的车辆集合编码为固定维度的交通潜变量;

39、桥梁响应预测模块,用于通过fno桥梁响应预测模型输出预测窗口内的桥梁动力响应;

40、迁移学习模块,用于在非平稳强风目标场景下训练交通潜变量适配器和输出响应适配器,得到非平稳强风下的deepsets-fno快速预测模型;

41、车辆风险评估模块,用于基于桥梁动力响应和车辆动力方程计算车辆侧翻指标、侧滑指标和各车型车辆失稳概率;

42、交通管控决策模块,用于基于各车型车辆失稳概率和预设风险阈值输出分级交通管控状态、服务保留率和交通损失率。

43、所述装置中的各模块相互配合,用于执行上述方法的相应步骤,并输出桥梁交通安全动态评估结果、分级交通管控状态、服务保留率和交通损失率。

44、有益效果:本发明通过deepsets车辆集合编码器处理数量可变、顺序任意的车辆集合,使桥面交通流输入符合交通荷载对车辆排列顺序不敏感的物理特性,避免因人为车辆排序造成输入维度固定化和物理一致性不足的问题;通过fno桥梁响应预测模型学习风场、交通流、桥面不平顺与桥梁动力响应之间的算子映射,能够快速预测长时程桥梁模态响应,显著降低逐窗口高保真风-车-桥耦合仿真的计算成本;通过冻结源域预训练模型并训练交通潜变量适配器和输出响应适配器,将平稳随机风场中学习到的桥梁结构动力规律与非平稳强风目标场景的分布偏移相分离,从而减少目标域样本需求并降低模型灾难性遗忘风险;通过窗口级蒙特卡洛仿真将桥梁响应预测结果转化为不同车型的侧翻和侧滑失稳概率,使评估结果能够直接用于车辆通行安全判断;通过风险阈值约束下的分级交通管控状态选择,将车辆失稳概率进一步转化为正常通行、限制高敏感车型通行、仅允许低敏感车型通行和桥梁关闭等运营决策,并同步计算服务保留率和交通损失率,从而为非平稳强风期间长跨桥梁的主动运营管理提供量化依据。