一種改進(jìn)的高鐵橋沉降變形預(yù)報(bào)方法研究

林淼

(南陽市城鄉(xiāng)規(guī)劃測繪院，河南 南陽 473000)

一種改進(jìn)的高鐵橋沉降變形預(yù)報(bào)方法研究

林淼*

(南陽市城鄉(xiāng)規(guī)劃測繪院，河南 南陽 473000)

鑒于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)在高鐵橋沉降變形預(yù)報(bào)中隨機(jī)性強(qiáng)、收斂速度慢、易陷入局部極值等缺點(diǎn)，本文引入了顧及鄰域粒子群影響的改進(jìn)粒子群算法(IPSO)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，建立IPSO_BP的高鐵橋臺沉降變形預(yù)報(bào)模型，組合模型的預(yù)報(bào)結(jié)果與高鐵沉降變形評估方法—Asaoka進(jìn)行比較，結(jié)果表明：基于改進(jìn)的粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型較高鐵橋傳統(tǒng)BP預(yù)報(bào)模型收斂速度更快，預(yù)報(bào)精度更高；預(yù)報(bào)評估結(jié)果與Asaoka方法預(yù)報(bào)的結(jié)果相符，證明了IPSO_BP模型的可靠性和實(shí)用性。

BP神經(jīng)網(wǎng)絡(luò)；IPSO_BP；高鐵橋；Asaoka；預(yù)報(bào)精度

1 引 言

橋梁作為公路或鐵路跨越江河、山谷、道路或其他障礙物的紐帶，是道路系統(tǒng)中極為重要的工程結(jié)構(gòu)。其特殊性決定了橋梁大多建造于水文、工程地質(zhì)條件較為復(fù)雜的環(huán)境中，且橋基的開挖、墩臺的灌注以及建成后橋面的行車荷載和季節(jié)性的水壓作用對原巖土結(jié)構(gòu)的穩(wěn)定性造成了較大破壞，實(shí)時(shí)對橋梁的沉降變形進(jìn)行監(jiān)測是掌握其變形規(guī)律、發(fā)現(xiàn)異常沉降并及時(shí)采取科學(xué)加固或規(guī)避的重要依據(jù)[1]。

然而，傳統(tǒng)方法多是利用橋梁眾多監(jiān)測數(shù)據(jù)建立變形沉降量與時(shí)間的函數(shù)，這種方法會對監(jiān)測數(shù)據(jù)的質(zhì)量依賴性很大，少量期數(shù)若存在粗差且未及時(shí)剔除，會對模型的精度有較大損失[2]。本文中所引用的IPSO_BP模型(Improved Particle swarm Optimization_BP)利用了BP網(wǎng)絡(luò)的非線性逼近模式和IPSO算法的全局和局部搜索機(jī)制，充分挖掘監(jiān)測數(shù)據(jù)中蘊(yùn)含信息，并對貴廣高速鐵路段的一高鐵橋進(jìn)行沉降變形評估，結(jié)果與高速鐵路沉降評估系統(tǒng)中Asaoka法比較，驗(yàn)證IPSO_BP模型在橋梁變形評估上的可靠性。

2 標(biāo)準(zhǔn)粒子群算法(PSO)及改進(jìn)

2.1 標(biāo)準(zhǔn)的粒子群算法

粒子群算法[3，4]是基于群體與進(jìn)化的概念，將問題的每一個(gè)解抽象為一個(gè)粒子，所有粒子構(gòu)成解向量—粒子群(Particle Swarm)，具體算法可在數(shù)學(xué)上描述為：

群體S=(X1，X2，…，XM)由M個(gè)粒子，任一粒子在D，d=(1，2，…，D)維上的當(dāng)前位置為：Xi=(xi1，xi2，…，xiD)，歷史最優(yōu)位置為：Pbesti=(Pi1，Pi2，…，PiD)，飛行速度為：Vi=(vi1，vi2，…，viD)。整個(gè)群體中，全局最優(yōu)位置為：gbestg=(Pg1，Pg2，…，PgD)，根據(jù)適應(yīng)度函數(shù)f(·)更新粒子t+1時(shí)刻的位置。

(1)

粒子速度信息更新為：

(2)

式中，ω為慣性權(quán)重，反映粒子相鄰時(shí)刻速度之間的影響；c1和c2是加速常數(shù)。

粒子位置信息更新為：

(3)

粒子i當(dāng)前的最好位置表示為：

(4)

在時(shí)間t種群的最好位置為：

(5)

2.2 PSO算法的改進(jìn)

(6)

同時(shí)，對線性調(diào)整策略ω進(jìn)行改進(jìn)，具體如下：

(7)

式中，K為控制因子，且通常K∈(3，4)。

3 改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(IPSO_BP)模型

IPSO_BP模型的主要思想是：將BP網(wǎng)絡(luò)中的權(quán)值和閾值映射為PSO算法中的粒子，通過式(6)、式(7)和式(4)、式(5)調(diào)整粒子的速度和位置實(shí)現(xiàn)網(wǎng)絡(luò)的訓(xùn)練。具體步驟為[7，8]：

(1)確定網(wǎng)絡(luò)參數(shù)：維度D、種群規(guī)模M、慣性權(quán)重范圍[ωmin，ωmax]、迭代次數(shù)Tmax、加速常數(shù)c、網(wǎng)絡(luò)精度ε。

(3)計(jì)算f(·)并據(jù)此更新粒子局部最優(yōu)和全局最優(yōu)值。

(4)判斷f(·)<ε或k≥Tmax，若成立，訓(xùn)練結(jié)束；若不成立，根據(jù)速度調(diào)整式(6)和位置調(diào)整式(4)、式(5)更新粒子的速度和位置，并轉(zhuǎn)到步驟(3)。

最后，將經(jīng)過IPSO算法優(yōu)化后得到的一組最優(yōu)實(shí)數(shù)編碼映射到神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值輸出，并賦予BP網(wǎng)絡(luò)訓(xùn)練。

4 IPSO_BP模型在高鐵橋沉降變形中應(yīng)用

本文以一高速鐵路雙線橋?yàn)槔?，該橋長 48 m，共有3孔、2個(gè)橋墩、2個(gè)橋臺。下部構(gòu)造為嵌巖樁基礎(chǔ)和實(shí)體墩臺，下部樁基礎(chǔ)全采用機(jī)械鉆孔。上部構(gòu)造為(12+16+12)m連續(xù)剛構(gòu)，梁部采用曲梁曲做，滿堂支架現(xiàn)澆施工。境內(nèi)路基穿越的地層巖性以侏羅紀(jì)烏洋山單元(J3wy)花崗巖和侏羅紀(jì)屋面前單元(J3w)花崗巖為主。表層覆蓋第四系坡殘積層(Q4d1+e1)之粉質(zhì)黏土，地質(zhì)條件較好。

2個(gè)橋臺設(shè)8觀測樁，2個(gè)橋墩設(shè)4個(gè)觀測樁，采用美國Trimble Dini03型精密電子水準(zhǔn)儀對這12個(gè)觀測樁按照高鐵沉降三等規(guī)范進(jìn)行觀測。本論文以橋臺5的4個(gè)觀測樁(T01，T02，T03，T04)2013年2月4日到2013年9月23日共34期數(shù)據(jù)進(jìn)行研究，按照滾動(dòng)方式組合，即由xi、xi+1、xi+2期預(yù)測第xi+3期，i=(1，2，…，31)，可見，網(wǎng)絡(luò)輸入層神經(jīng)元有3個(gè)，輸出層1個(gè)。隱含層神經(jīng)元數(shù)設(shè)為5，即構(gòu)成4×5×1的網(wǎng)絡(luò)模式，進(jìn)而求得D=61，M=40，T=3000，c=2，鄰域維度2。分別用BP模型和IPSO_BP模型對總樣本的前21期進(jìn)行訓(xùn)練，后10期進(jìn)行預(yù)測對比，4個(gè)觀測樁中以T04為例，經(jīng)過IPSO優(yōu)化后的最優(yōu)權(quán)值和閾值如表1所示。

IPSO優(yōu)化后的權(quán)值和閾值 表1

將經(jīng)過IPSO優(yōu)化后的權(quán)值和閾值賦給BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到IPSO_BP模型的后10期預(yù)測結(jié)果，如表2所示。

IPSO_BP模型的預(yù)報(bào)結(jié)果(單位/m) 表2

由表2可計(jì)算出T01、T02、T03、T04四個(gè)觀測樁的殘差序列，且最大殘差分別為： 0.17 mm、 -0.17 mm、 -0.14 mm、 -0.12 mm；平均相對誤差分別為：1.699×10-7、2.151×10-7、1.623×10-7、1.25×10-7；預(yù)測樣本均方根誤差分別為： 0.08 mm、 0.09 mm、 0.07 mm、 0.06 mm。IPSO_BP模型預(yù)報(bào)果與實(shí)測數(shù)據(jù)吻合較好。

5 結(jié)果比較

5.1 BP模型預(yù)報(bào)結(jié)果

BP網(wǎng)絡(luò)對該4個(gè)觀測樁的后10期預(yù)報(bào)結(jié)果如表3所示。

由表2和表3可計(jì)算出IPSO_BP模型較BP模型在該橋臺沉降數(shù)據(jù)預(yù)報(bào)中的優(yōu)越性，具體優(yōu)化結(jié)果如表4所示。

BP模型的預(yù)報(bào)結(jié)果 表3

兩種模型的優(yōu)化結(jié)果比較 表4

表中RMSE、MRE分別為預(yù)測樣本均方根誤差和平均相對誤差。

4個(gè)觀測樁的兩種模型高程—時(shí)間沉降預(yù)報(bào)結(jié)果如圖1所示。

圖1 兩種模型預(yù)報(bào)的高程-時(shí)間曲線圖

5.2 Asaoka法預(yù)報(bào)結(jié)果

運(yùn)用高速鐵路沉降變形評估方法—Asaoka法[9]對該高鐵橋橋臺4個(gè)觀測樁進(jìn)行分析，評估結(jié)果如圖2所示。

圖2 Asaoka法評估曲線圖

Asaoka法與IPSO_BP模型對橋臺4個(gè)觀測標(biāo)的變形沉降評估結(jié)果比較如表5所示。

Asaoka法與IPSO_BP模型評估結(jié)果比較(單位/mm) 表5

6 結(jié) 論

通過以上分析可知，IPSO算法尋優(yōu)得到的權(quán)值和閾值再賦給BP網(wǎng)絡(luò)訓(xùn)練，克服了BP網(wǎng)絡(luò)模型對權(quán)值和閾值初始化的盲目性，收斂慢的缺點(diǎn)。改進(jìn)后的算法在搜索時(shí)間上由 3.7 s減小到 2.6 s；4個(gè)觀測標(biāo)的預(yù)測樣本均方根誤差比BP模型分別小了 0 mm、 0.05 mm、 0.05 mm、 0.05 mm；最大殘差也比基于BP模型下相應(yīng)點(diǎn)減小 0.01 mm、 0.16 mm、 0.07 mm、 0.09 mm，表明IPSO_BP模型性能更穩(wěn)定。

與高速鐵路通用的沉降評估方法-Asaoka法比較的結(jié)果表明：IPSO_BP模型對4個(gè)觀測標(biāo)的沉降預(yù)報(bào)結(jié)果與Asaoka法相當(dāng)，當(dāng)前預(yù)測沉降分別相差 0.03 mm、 0.11 mm、 -0.14 mm、 -0.02 mm；相關(guān)系數(shù)相差0.1%、0.3%、0.2%、0.2%；左右觀測標(biāo)實(shí)測當(dāng)前沉降差值在 -0.02 mm～0.01 mm之間，左右差異沉降很小；4個(gè)觀測標(biāo)沉降均在小范圍波動(dòng)，無明顯下沉趨勢，表明這些沉降樁的沉降已趨于穩(wěn)定，滿足《客運(yùn)專線鐵路無碴軌道鋪設(shè)條件評估技術(shù)指南》第6.3.4條“地質(zhì)條件較好、沉降趨于穩(wěn)定且設(shè)計(jì)及實(shí)測沉降總量不大于 5 mm時(shí)，可判定沉降滿足無砟軌道鋪設(shè)條件”[10]。BP模型在橋梁變形預(yù)報(bào)中的可靠性和實(shí)用性。

[1] 冷伍明，楊奇，聶如松等. 高速鐵路橋梁樁基工后沉降組合預(yù)測沉降研究[J]. 巖土力學(xué)，2011，32(11)：3341～3348.

[2] 陳寶春，余印根. 公路與城市橋梁技術(shù)狀況評估方法對比分析[J]. 中國公路學(xué)報(bào)，2013，26(3)：94～100.

[3] 張文霄. 基于PSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)股票預(yù)測模型[D]. 哈爾濱：哈爾濱工業(yè)大學(xué)，2010.

[4] 王雪紅，劉曉青，陶海龍等. 優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的位移預(yù)測模型[J]. 水利水運(yùn)工程學(xué)報(bào)，2014(2)：38～42.

[5] 劉殿鋒，劉耀林，趙翔. 多目標(biāo)微觀鄰域粒子群算法及其在土壤空間優(yōu)化抽樣中的應(yīng)用[J]. 測繪學(xué)報(bào)，2013，42(5)：722～728.

[6] 胡紀(jì)元，文鴻雁，周呂等. 基于IPSO-BP模型的大壩多源監(jiān)測數(shù)據(jù)預(yù)報(bào)與反演[J]. 大地測量與地球動(dòng)力學(xué)，2014，34(4)：67～70.

[7] 張文成，周穗華，吳志東等. 改進(jìn)策略的粒子群算法及其實(shí)驗(yàn)測試[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2012，33(10)：3945～3949.

[8] 徐鋒，王崇倡，張飛. 粒子群—BP神經(jīng)網(wǎng)絡(luò)模型在大壩變形監(jiān)測中的應(yīng)用[J]. 測繪科學(xué)，2012，37(4)：181～183.

[9] 陳冠宇，文鴻雁，周呂等. 高鐵隧道沉降變形評估方法分析[J]. 施工技術(shù)，2014(7)：103～106+109.

[10] 鐵道部工程管理中心. 客運(yùn)專線鐵路無碴軌道鋪設(shè)條件評估技術(shù)指南[M]. 北京：鐵道出版社，2009.

ResearchofanImprovedPredictionMethodonSettlementDeformationofaHigh-speedRailwayBridge

Lin Miao
(Nanyang Urban and Rural Planning Surveying and Mapping Institute，Nanyang 473000，China)

As the shortcomings that traditional BP neural network has a strong randomness when Initialization，converges slowly and falls into local optimum easily，an improved particle swarm optimization algorithm，which takes into account the impact of neighborhood particle swarm，is introduced in this paper to optimize the BP neural network，finally，establishing a settlement deformation prediction model based on IPSO_BP of a High-speed railway bridge. Compared the prediction results of the combined model with the results of High-speed railway settlement deformation evaluation method—Asaoka，the results show that the IPSO_BP model has a faster convergence speed and higher forecast precision than the traditional BP neural network model；Consistent prediction and assessment result with the Asaoka method，which improves the reliability and practicability of IPS_BP model.

BP neural network；IPSO_BP；high-speed railway bridge；asaoka；prediction accuracy

1672-8262(2017)06-135-04

TU196，P209

A

2017—02—25

林淼(1989—)，男，助理工程師，主要從事城市道路網(wǎng)規(guī)劃與形變監(jiān)測。