一种基于AI驱动的桥梁参数分层解耦自适应修正方法与流程
本发明属于桥梁施工控制,尤其涉及一种基于ai驱动的桥梁参数分层解耦自适应修正方法。
背景技术:
1、有限元模型是桥梁施工过程仿真分析与线形控制的核心工具。一个精确的有限元模型不仅依赖于正确的结构几何建模和荷载输入,更取决于模型中关键物理参数的准确取值。然而,桥梁结构有限元模型中的诸多关键参数——包括混凝土弹性模量、构件自重系数、徐变系数、温度膨胀系数以及支座约束刚度、临时固结刚度等边界条件参数——在施工阶段具有显著的不确定性,且随施工推进、环境变化和材料龄期增长而持续演变。传统方法通常依据设计规范建议值或材料试验的有限样本确定这些参数,并将其视为施工全过程的固定常数,这导致仿真计算结果与现场实测数据之间逐渐产生系统性偏差,严重制约了施工线形控制的精度。
2、为克服上述问题,学术界和工程界发展了有限元模型修正技术,例如,有方法采用基于逆向子结构的有限元模型修正方法,通过将整体结构试验模态分解为独立子结构试验模态来建立目标函数;另有方法基于静载试验识别连续梁桥的实际刚度;还有方法采用遗传算法进行有限元模型参数优化。在数字孪生领域,也出现了基于多保真度学习与序贯贝叶斯推断的桥梁数字孪生动态更新方法。然而,现有ai方法大多将各类物理参数混在同一框架中统一辨识,未能解决参数响应耦合导致的辨识不唯一问题——ai模型可以拟合数据,但无法区分哪些变化由弹性模量引起、哪些由徐变引起。现有技术存在以下三个根本性缺陷:
3、(一)参数耦合导致识别结果不唯一:现有方法通常将所有待识别参数(弹性模量、徐变系数、温度膨胀系数、边界约束刚度等)打包在同一目标函数中进行统一优化。由于不同参数对同一结构响应可能产生相似的敏感度模式——例如弹性模量降低与截面刚度折减在位移响应上的效果近乎相同——数学上存在大量局部最优解,识别结果严重依赖初始假定值,缺乏唯一性保证。
4、(二)不同参数的响应时域特征被混淆:弹性模量影响的是瞬时弹性响应——挂篮前移或混凝土浇筑后数分钟至数小时内即可完成的变形;而徐变影响的是长期时变响应——持续数周乃至数月的缓慢变形。温度效应则叠加在两者之上,以日周期波动的方式持续干扰监测数据。将瞬时响应、温度响应与长期时变响应混在同一数据集中识别,相当于用同一把尺子量三种不同时间尺度的物理现象,识别结果必然相互污染。
5、(三)温度效应的处理存在“以不确定修正不确定”的困境:现有技术在处理温度影响时,通常依赖材料热工参数(导热系数、比热容等)的理论值或经验值建立温度修正模型。但这些热工参数本身同样存在显著的不确定性,用不确定的参数去修正同样不确定的监测数据,不仅无法提高识别精度,反而可能引入额外的系统误差。
6、因此,亟需一种基于监测数据分层解耦的桥梁参数自适应修正方法,能够克服现有技术中多参数耦合导致识别不唯一、不同参数响应时域特征相互混淆、温度效应处理依赖不确定热工参数的缺陷,实现桥梁关键物理参数的高精度在线识别与有限元模型动态更新。
技术实现思路
1、本发明的目的是提供一种基于ai驱动的桥梁参数分层解耦自适应修正方法,解决现有桥梁有限元模型修正方法中多参数耦合导致识别不唯一、不同时域特征参数相互混淆、温度效应处理依赖不确定热工参数的问题。本发明提供一种基于ai驱动的桥梁参数分层解耦自适应修正方法,以实现桥梁结构参数的高精度、高可靠性在线识别与有限元模型的持续动态更新。不将各类参数混在一起识别,而是按各参数的物理本质和响应时域特征将其分为不同层级,每层采用与该层参数时域特征相匹配的纯净监测数据进行独立识别,上层识别结果为下层提供先验约束,从而从根本上解决参数耦合和时域混淆问题。最后将分层解耦后识别得到的桥梁结构参数代入有限元模型进行正演计算,使模型理论计算值与实测监测数据之间的误差持续收敛,从而实现虚拟数字桥梁与实体桥梁力学行为的同步演化,显著提高有限元模型的计算精度和参数识别的可靠性。
2、为实现上述目的,通过如下技术方案实现:
3、本发明提供了一种基于ai驱动的桥梁参数分层解耦自适应修正方法,包括以下步骤:
4、s1、将桥梁有限元模型中的待识别参数按响应时域特征和空间影响范围划分为四个独立层级,每一层识别结果作为下层识别的先验已知条件;第一层为包括混凝土弹性模量和构件自重系数的刚度参数,第二层为温度膨胀系数,第三层为徐变系数终极值,第四层为包括支座水平剪切刚度和墩身抗推刚度的边界约束刚度;
5、s2、对第一层刚度参数进行识别,采集施工工况下的瞬时荷载响应数据,构建局部有限元子模型,将高斯过程代理模型或贝叶斯神经网络作为局部有限元子模型的ai替代模型嵌入贝叶斯推断框架,输入实测施工荷载,识别弹性模量和自重系数的后验概率分布;
6、s3、对第二层温度膨胀系数进行识别,建立线性回归模型,求解温度膨胀系数的最优估计值及置信区间;
7、s4、对第三层徐变系数进行识别,构建时间-温度-位移数据集,基于等温条件智能筛选规则,筛选构建等温时间序列;将第一层识别得到的弹性模量作为已知参数进行贝叶斯推断,输出徐变系数终极值的后验概率分布;
8、s5、对第四层边界约束刚度进行识别,构造位移与剪切变形的加权目标函数并采用优化算法求解约束刚度的最优估计值;
9、s6、将步骤s2至s5的识别结果注入桥梁全桥有限元模型,对虚拟数字桥梁进行更新,并对后续施工节段进行线形预测并计算控制指令。
10、优选的,步骤s2中,所述瞬时荷载响应数据的获取过程包括:
11、采集混凝土浇筑、挂篮前移、预应力张拉三个工况前后结构位移和应变数据,计算终值相对初始值的位移增量和应变增量得到瞬时荷载响应数据;各测点初始值与终值均在梁体温度变化不超过±0.5℃的时段内读取。
12、优选的,步骤s2中,所述ai替代模型的构建过程包括:
13、以所述局部有限元子模型的少量有限元正演计算结果作为训练样本,训练高斯过程代理模型或贝叶斯神经网络,构建待识别参数与结构响应之间的非线性映射;所述ai替代模型在马尔可夫链蒙特卡洛采样循环内替代局部有限元子模型的正演计算。
14、优选的,步骤s2中,所述贝叶斯推断具体包括:
15、构造以瞬时荷载响应数据与ai替代模型预测值之间误差为基础的似然函数,以基于设计规范值和材料试验结果的概率分布作为先验分布,采用马尔可夫链蒙特卡洛方法求解后验分布,输出弹性模量的后验均值及95%置信区间以及构件自重系数的后验均值及95%置信区间;每完成一个节段的第一层识别,将新的后验分布与历史识别结果进行贝叶斯递推融合,持续收窄参数的不确定性区间。
16、优选的,步骤s3中,在每一新浇筑梁段浇筑完成后的24小时内,以每小时一次的频率连续记录梁体代表温度与对应位移;所述梁体代表温度采用埋置于截面核心区、近表面和底板的温度传感器测量值的体积加权平均;
17、建立的线性回归模型,表达式如下:
18、;
19、其中,为浇筑完成时刻的初始温度;为初始位移;为随机测量误差;为温度膨胀系数;为梁体代表温度。
20、优选的,步骤s4中,所述等温条件智能筛选规则包括:
21、规则一,严格等温匹配:对于任意两个时刻和,若,则判定两个时刻的梁体代表温度相等,其中,为温度容差阈值,初始取±0.5℃;为时刻的梁体代表温度;为时刻的梁体代表温度;
22、规则二,时序配对约束:仅配对同一节段内不同日期但温度满足匹配条件的时刻;
23、规则三,等温序列构建:将所有等温时刻按时间先后排序,相邻两个时刻之间的位移增量即为纯徐变变形;
24、规则四,容差自适应放宽:若严格满足容差阈值的可用数据点少于预设数量,则自动将容差阈值放宽,并利用第二层已识别的温度膨胀系数对放宽引入的温度偏差进行一阶线性修正。
25、优选的,步骤s4中,在每一新浇筑梁段浇筑完成后的14天内,以每小时一次的频率连续记录梁段的位移和代表温度,得到时间-温度-位移数据集;
26、以规范推荐的徐变系数范围作为贝叶斯推断的先验分布,徐变系数表达式如下:
27、;
28、其中,为徐变系数终极值;为基于加载龄期、环境湿度和构件理论厚度计算确定的时间函数,为当前计算时刻,为混凝土加载龄期,为荷载持续作用时长,根据环境湿度、构件理论厚度、加载龄期按混凝土规范计算得到。
29、优选的,步骤s5中,以挂篮单侧偏心前移工况作为瞬时加载试验;构造加权目标函数,表达式如下:
30、;
31、其中,为待识别参数,边界约束刚度;为挂篮偏心加载工况下,梁体位移实测值;为有限元模型输入刚度计算得到的梁体位移模型计算值;为支座剪切变形实测值;为有限元模型输入刚度计算得到的支座剪切变形模型计算值;为根据位移与剪切变形测量精度确定的权重系数,取值范围为0.5~1.0;
32、所述优化算法为多起点梯度优化算法或粒子群优化算法。
33、优选的,步骤s5的数据采集时间窗口为前移开始前10分钟至前移到位后30分钟,窗口总时长不超过120分钟,窗口内温度变化小于0.5℃;
34、利用多个施工节段的挂篮单侧前移数据进行多次独立识别,取统计平均值作为最终的边界约束刚度估计值,并计算标准差作为不确定性度量。
35、优选的,每完成一个新节段的施工即重复执行步骤s2至s6,实现参数的持续在线更新和桥梁全桥有限元模型的自适应演化。
36、因此,相比于现有技术,本发明采用上述一种基于ai驱动的桥梁参数分层解耦自适应修正方法,具有的有益效果为:
37、(1)本发明摒弃了传统方法中将所有参数混在一起统一优化的思路,创新性地按参数的物理本质和响应时域特征进行分层解耦——每一层仅识别2~3个参数,且使用对该层参数最敏感的纯净监测数据。这种策略从根本上消除了参数之间的响应耦合,确保了识别结果的唯一性和物理可解释性。
38、(2)本发明第三层通过等温条件智能筛选,从监测数据中直接提取温度相同的时刻计算位移增量,天然抵消了温度热胀冷缩分量。在数据不足时,利用第二层已识别的温度膨胀系数进行小温差线性补偿。
39、(3)本发明第一层和第四层所利用的监测数据——混凝土浇筑、挂篮移动、预应力张拉、挂篮单侧偏心前移——均来源于桥梁施工过程中必经工序,不需要为参数识别而额外增加任何荷载试验、等待时间或专用设备。
40、(4)本发明各层均采用贝叶斯推断框架,输出参数的后验概率分布(而非单一的点估计值),并将上层参数的完整后验分布作为下层识别的先验已知条件。参数不确定性在四层之间逐级传递并逐层收窄,最终给出每个参数的均值及其置信区间,为施工控制决策提供了完整的概率信息。
41、应当理解, 技术实现要素: 部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征,亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com