基于多因素數據融合的PC斜拉橋安全評估

李艷鳳，于歡，梁力

0 引言

橋梁是交通網絡的重要組成部分，其結構安全性和耐久性是確保線路暢通的關鍵.自20世紀80年代以來，歐美和亞洲等多個國家，相繼發生了一些橋梁倒塌、斷裂、傾覆等災難性事件，造成了難以估量的損失.因此，有必要對橋梁結構的安全狀況進行相應的評估，及時采取相應的措施，避免導致無法挽回的損失.目前，基于模糊理論[1]、層次分析法、遺傳算法、灰色理論、可靠度、神經網絡等數學方法以及多種方法相融合的綜合評估法成為橋梁安全評估研究的主流.最近十多年來，神經網絡在智能機器人[2]、預測估計、模式識別[3]、生物、經濟、醫學等領域已取得了很大的進展，成功解決了很多現代計算機難以解決的實際問題.本文將數據融合的方法應用于預應力混凝土斜拉橋的安全評估中，通過將粗糙集理論和神經網絡理論進行集成，從而結合了粗糙集和神經網絡各自的優點，為橋梁安全評估提供了一條新的途徑.

沈陽市某單索面斜拉橋，主橋長為420 m，邊跨為89 m，中跨為242 m，橋梁布置如圖1所示.主梁材料為C50混凝土，斷面為單箱三室，邊跨及中跨尺寸如圖2所示.斜拉索采用鍍鋅高強鋼絲，全橋共120根.

圖1 橋梁布置圖(m)

圖2 中(邊)跨箱梁橫斷面(cm)

1 安全評估等級的確定

1.1 安全評估指標

引起混凝土橋梁發生性能退化的因素較多，在一般大氣環境下，鋼筋銹蝕[4]、混凝土碳化[5]、預應力損失及超載是造成預應力混凝土梁橋承載能力下降的比較重要的幾個因素.本文結合實際工程經驗和可操作性，選取表觀檢查、碳化深度、預應力值、混凝土強度、鋼筋面積、凍融循環、溫度以及超載情況等 8個指標作為評估數據庫的屬性指標.建立起的評估模型如下圖3所示.

圖3 主梁安全評估模型圖

上述模型的8個評價指標中，表觀檢查得分P1是一個隨機變量的數值；碳化深度P2主要用來確定鋼筋的銹蝕程度；混凝土強度P3采用時變模型，總體符合強度先增大后減小的規律；凍融循環作用P4對橋梁的影響主要表現在其造成了混凝土強度和彈性模量在不同程度上的折減；鋼筋面積P5和預應力值P6主要是從鋼筋或預應力筋的銹蝕角度出發；超載情況P7分別考慮在移動荷載規范值的1.0倍、1.15倍、1.35倍和1.5倍下的彎矩效應值；溫度效應P8考慮以下兩種情況：① 整體升溫+正溫度梯度；② 整體降溫+負溫度梯度，在橋梁安全評估數據庫中分別用離散型數字“0”和“1”代替.

1.2 安全評估等級

依據混凝土橋梁結構承載能力評定等級近似推導結果，給出混凝土橋梁承載能力評定等級標準見表1.

表1 混凝土橋梁承載能力評定等級標準

文獻[6]考慮不同安全等級、抗力分項系數的承載能力評定指標應采R/γ0γRS，基本組合下在役橋梁結構構件承載能力分級標準如表2所示：

表2 承載能力分級標準

為了確定安全等級的評價標準，向20位專家學者通過發放調查問卷的方式征求了建議，問卷的統計結果如下表3所示：

表3 問卷調查結果統計表

本文利用Clementine 12.0[7]作為數據挖掘工具，建立Kohonen神經網絡對數據庫進行聚類分析的數據流.Kohonen神經網絡的訓練采用專家模式.寬度為5，長度為1，輸出層的神經元數量為5，Kohonen網絡會將樣本聚為5類. 經聚類分析將整個評估數據庫聚為五類，具體的評定標準如表4所示：

表4 安全等級評定標準表

可以看出，由Kohonen神經網絡得到的評定標準與大多數專家給出的建議評定標準十分接近，因而具有較高的可信度，將其確定為本橋主梁安全等級評定標準.

2 評估數據的處理

2.1 樣本數據的計算

以正升溫情況下橋梁運營第5年且在超載1.15倍的情況為例，給出一個樣本數據的計算過程，其他樣本數據的獲得方法均與此例相同.橋梁建成運營第5年時，其碳化深度未達到臨界最大碳化深度，故認為橋梁預應力鋼筋和普通鋼筋均未發生銹蝕，鋼筋面積取1.00；預應力未發生損失，故預應力取為1.00；根據文獻[8]給出的碳化深度公式得到此時的碳化深度為 13.44 mm；按文獻[9]給出的混凝土強度時變公式可知，此時混凝土強度為65 MPa；按年平均凍融次數為64次考慮，橋梁經受了5年的凍融作用，凍融循環為320次，故混凝土強度和彈性模量均應給予一定的折減，分別根據混凝土強度時變公式計算得到折減系數為0.891和0.832；在正升溫情況下，溫度效應取0；橋梁經過5年的運營后，其表觀會有一定的損傷，表觀評分隨運營時間而降低，并具有很大的不確定性，故通過隨機產生一組0～1之間的數值來模擬表觀檢查得分，生成的得分為0.943 7.到此就得到了正升溫情況下橋梁運營第5年且在超載1.15倍的情況對應的樣本數據.

2.2 粗糙集屬性約簡

在對數據進行粗糙集屬性約簡之前，需要對數據進行處理，因為信息表中的數據是完備的，條件屬性和決策屬性的某些值域是連續的，所以不需要對其補齊，只需要對信息表進行離散化.利用Clementine 12.0 作為數據挖掘工具，對樣本數據采用均值—標準差分組進行離散化的數據流如圖4所示.

圖4 數據離散化的數據流圖

利用粗糙集知識的充分性理論對樣本數據進行簡化，處理過程分兩個步驟進行，一是對決策表條件屬性集進行約簡求核，二是對條件屬性值進行約簡.采用粗糙集理論進行數據預處理，不需要預先知道任何額外信息，并且約簡算法簡單，有利于借助計算機或軟件實現自動操作.去掉重復信息碳化深度P2和鋼筋面積P5后，條件屬性值由8個變為6個，減少了數據庫的冗余，提高了運算效率.

3 神經網絡的訓練及預測

為了檢驗基于粗神經網絡訓練模型的性能以及正確性，從約簡好的數據庫中抽取545組數據樣本作為訓練集輸入到神經網絡中對神經網絡進行訓練，將剩余的120組數據樣本作為校驗數據，用于檢驗網絡的預測精度.通過神經網絡節點來創建并訓練神經網絡，數據流圖見圖5.

圖5 訓練神經網絡的數據流圖

采用的訓練方式為快速方式專家，神經網絡訓練完成后，將120組校驗數據輸入到神經網絡中得到基于粗神經網絡算法的預測值，神經網絡預測的數據流圖如下圖6所示.

圖6 神經網絡預測的數據流圖

將原來安全評估數據庫中的這120組數據的K值作為理論值，將由神經網絡輸出的值作為預測值.比較二者的相對大小，并以此作為評價神經網絡模型預測精度的依據.網絡預測誤差曲線如圖7所示.

圖7 網絡預測誤差曲線

從中可以看出，神經網絡具有很高的精確性，相對誤差最多不超過3%，完全滿足實際情況的需要，可以將其應用于實際工程.

4 某單索面斜拉橋安全評估

4.1 單索面斜拉橋檢測結果

沈陽某斜拉橋位于沈陽城區南側渾河長青橋下游約2 km處，該橋建于2003年，屬于城市Ⅰ類橋梁. 2011年4月哈爾濱工業大學交通實驗中心對該橋進行了動靜載試驗和外觀檢測，檢測結果如下：

(1)在外觀調查中，發現主跨跨中部分斜拉索的PE護套斷裂.主梁橫隔梁存在裂縫， 絕大多數裂縫寬度無明顯變化，個別裂縫寬度有增長的趨勢.外觀觀測如下圖8所示：

圖8 外觀觀測圖

(2)2003年11月橋梁竣工時實際實測主跨跨中橋面標高低于設計標高18 mm.通車運營7年后，主跨跨中下撓理論計算值為59 mm，主跨跨中實測下撓值為87 mm，實際下撓比理論下撓值多28 mm.2003年橋梁竣工時，主跨跨中實測標高應該高于設計值.高出部分應該等于10年收縮徐變值加0.5倍汽車活載產生的下撓值.事實上，主跨跨中實測標高為56.743 m，比設計標高56.761 m還低18 mm.顯然主跨的橋面線形較大幅度地低于設計值.綜合全橋索力、線形實測結果與理論結果可知，該橋通車運營7年后，索力線形的變化幅度都處于較小的范圍之內，線形變化值與理論值基本相符.索力變化量也不大，但在具體變化趨勢上與理論值有微小區別.同時，目前的實際線形與設計線形有較大偏差，橋面線形實測如圖9.

圖9 橋面線形實測值

由以上兩項檢測內容，給出橋梁安全評估指標—表觀檢查P1=0.876 4.

(3)在橋面無車輛荷載的狀態下，對主梁預埋的永久應變檢測點進行數據采集，對比結果表明，監測時各測點的最大拉應變為5 με，無明顯拉應變產生.因此，可以認為梁體未發生預應力損失現象，橋梁的受力狀態未發生明顯變化，給出橋梁安全評估指標—預應力P3=0.954 4.

(4)監測時對該橋進行了固有頻率監測，利用跑車頻域分析數據，并建立該橋動力模型.選取主跨橋面跨中，測點的1～8級頻率分別為0.51、1.37、2.85、2.95、3.09、3.24、3.38和5 Hz，主跨跨中動撓度時程圖如圖10.

圖10 主跨跨中動撓度時程圖

通過上述動力試驗與理論計算可知：中跨1階對稱豎向彎曲0.490 106 Hz，測試值0.51 Hz；中跨1階反對稱豎向彎曲0.759 268 Hz，測試值0.86 Hz.可以看出，該橋頻率實測值大于理論值(但是相差較小)，說明該橋的動力剛度滿足設計要求.同時需要說明的是，上述最重要的兩個頻率值與2003年11月竣工試驗的測試值基本一致，相差極小，說明對應該兩階頻率的橋梁結構動力特性沒有變化.

4.2 單索面斜拉橋安全評估指標的確定

結合前面的理論研究，給出橋梁安全評估指標—混凝土強度P4=63.40 MPa.另外，該橋于2003年設計建造，截止到2011年最近的橋梁監測，已經歷了8年，按年平均凍融次數為64次考慮，則共經歷凍融循環512次，占最大凍融循環的5.79%；交通量調查結果表明橋梁無明顯超載現象發生，故取超載系數為1.0；原設計橋梁在升溫狀態下的組合彎矩值要大于降溫狀態下的組合彎矩值，基于最不利情況的考慮，取橋梁處于升溫狀態.現階段橋梁安全評估指標見下表5：

表5 安全評估指標匯總表

4.3 單索面斜拉橋安全評估

將表5中的6個指標值輸入到訓練好的神經網絡模型中，得出預測值為 1.157.對照表4給出的安全等級評定標準，可知橋梁所處安全等級為二類.橋梁具有的安全儲備滿足目前使用要求，與檢測結論一致，證明了評估模型的有效性及準確性，具體結論如下：

(1)靜載試驗結論：按照規范規定，從該橋的撓度計算值和實測值對比來看，撓度校驗系數絕大部分在0.85以下.因此，從靜力撓度角度分析在該試驗荷載工況下靜力剛度滿足設計規范要求;

(2)動載試驗結論：該橋頻率實測值大于理論值(但是相差較小)，說明動力剛度滿足設計要求.同時需要說明的是，上述最重要的兩個頻率值與2003年11月竣工試驗的測試值基本一致，相差極小，說明對應該兩階頻率的橋梁結構動力特性沒有變化.

5 結論

本文通過考慮現有的各種數據融合算法及其實用性，將粗糙集和神經網絡進行集成，相互取長補短，構造出粗神經算法，并應用于橋梁安全評估中，得出主要結論如下：

(1)約簡后的神經網絡訓練時間縮短，提高了訓練速度.并且神經網絡模型仿真精度較高，預測值與理論值之間的誤差絕對值最大不超過3%.由此說明，粗神經網絡數據融合方法可用于橋梁安全的評估;

(2)進行斜拉橋安全評估，快速得到該橋目前所處的安全狀況為“第二類”，即橋梁具有的安全儲備滿足目前使用要求，與檢測單位的檢測結果相一致，表明該方法評價結果具有客觀性，能夠提高工作效率.

參考文獻：

[1]姜紹飛,張帥.基于模糊神經網絡的數據融合結構損傷識別方法[J].工程力學,2008,25(2):95- 101.

[2]LUO ZHIZENG,JIANG PINGZENG.Robot Sensor and Information[M].Fusion Beijing:Mechanism Industry Press,2002:23- 50.

[3]BASIR O,YUAN XIAOHONG.Engine fault diagnosis based on multi-sensor information fusion using dempster-shafer evidence theory[J].Information Fusion,2007(8):379- 386.

[4]BOLZONI F,FUMAGALLI G,LAZZARI L,et al.Mixed-ininhibitors for concrete structure:Corrosion of Reinforcement in Concrete,Mechanisms,Mornitoring,Inhibitors and Rehabilition Techniques[C].Woodhead:European Federation of Corrosion Publication,2007.

[5]彭建新,邵旭東,張建仁.考慮氣候變化的受碳化腐蝕先張預應力混凝土梁時變可靠性評估[J].長沙理工大學學報,2010,6(2):33- 42.

[6]鄔曉光,李彥偉,趙彥東.在役預應力混凝土橋梁檢測與量化評估及加固關鍵技術[M].北京:人民交通出版社,2011.

[7]薛薇,陳歡歌.Based on the data mining of Clementine [M].北京:中國人民大學出版社,2012.

[8]孫曉燕,孫保沭,黃承逵,等.基于可靠度的寒冷地區混凝土橋梁碳化壽命分析[J].中國礦業大學學報,2005(4):458- 461.

[9]牛荻濤,王慶霖.一般大氣環境下混凝土強度經時變化模型[J].工業建筑，1995,25(6):36- 38.