基于參數化模型的架空直立式碼頭損傷誘因反演*

左良棟，周世良，曹詩寶，吳 俊

(1.重慶交通大學 河海學院，重慶 400074；2.重慶交通大學，重慶西南水運工程科學研究所，重慶 400016)

內河架空直立式碼頭的數量越來越多、應用越來越廣泛。由于對架空直立式碼頭結構損傷機理研究認識不深刻，且無相應的結構監測措施，碼頭損傷破壞問題普遍存在。針對碼頭損傷誘因分析可分為5種類型：1)材料劣化。Wall等[1]測量并分析了鋼筋混凝土構件銹蝕速度及其影響因素，Paul等[2]分析了鋼筋混凝土碳化深度影響因素和演化過程。2)超載、野蠻靠泊和水流作用。范云生等[3]、Xie等[4]利用有限元方法分別對船舶撞擊架空直立式碼頭的碰撞過程、靠泊能力、最大撞擊力、碼頭基樁應力、位移變化進行仿真分析。3)超限堆載。李越松等[5]、Zeng等[6]指出后方堆載導致土體水平位移和承臺構件相對錯位，王元戰等[7]研究了堆貨荷載下架空直立式碼頭結構損傷特性。4)岸坡失穩。吳紅霞等[8]、袁和平等[9]、Li等[10]得出岸坡滑動或不穩導致碼頭變位和損傷，施斌[11]指出架空直立式碼頭不均勻性沉降導致樁帽豎向開裂。5)地震。張文敬[12]、Li等[13]、Heidary等[14]建立了樁-土-結構有限元模型，分別針對碼頭面板及樁的位移和加速度動態響應、樁基內力變化、非結構性構件在地震作用下的響應特性等進行深入研究。

現有樁基檢測方法主要有：靜載荷試驗法、鉆孔取芯法、聲波透射法、低應變檢測法、高應變檢測法、模態參數識別法、光纖傳感檢測法等。但這些技術僅能實現對樁基結構的不定期結構檢測，有些還會對樁基造成損傷。

本文擬通過綜合利用力學分析、有限元計算、信息融合等方法，建立碼頭樁基受力特性與損傷誘因之間的內在關聯機制與反演模型，對主要損傷誘因的相關參數進行反演，并對反演結果和模型性能進行分析，使樁基由傳統的承力結構上升為具有自感知能力與“窗口”作用的智能結構，實現內河架空直立式碼頭不良誘因反演功能。

1 參數化有限元模型

神經網絡模型具有非常強大的泛化能力和非線性映射能力，模型的輸入對模型預測結果優劣發揮至關重要的作用，當輸入的樣本數量少時會造成模型欠擬合，模型對于給定的數據集能夠得到較好的預測，但對于新數據集預測較差，顯然不利于損傷誘因的識別，為了得到良好的預測結果，需要采集大量的數據樣本。對于實體單元模型而言，其單元數量多、本構關系復雜、邊界條件復雜，軟件計算存儲開銷大、計算時間長，不利于大數據大樣本的獲取。故通過Python的subprocess庫調用有限元計算程序的方式進行參數化模型的計算和數據的提取。

1.1 建模方式簡化

采用ANSYS Parametric Design Language和鐵木辛柯梁理論進行參數化建模。對于碼頭結構樁基、縱梁、橫梁、立柱等構件采用beam188單元，其余碼頭面板采用shell181，將基巖層和拋填層考慮成彈性體，采用combin14彈簧單元。鋼筋混凝土與鋼結構材料均采用線彈性模型，與實體單元模型相同。見圖1。

圖1 架空直立式碼頭實體模型

1.2 邊界條件簡化

假定岸坡作用為水平推力，則樁基在岸坡作用下為水平受荷樁，因此可以考慮采用彈性地基梁法模擬簡化模型的樁土約束。將拋石層和基巖層假定為彈性體，將樁視為彈性地基上的梁。嵌巖和拋填部分采用土彈簧combin14進行模擬，在水平面上做雙向彈簧約束，樁基底端采用固結形式。

1.3 加載方式

選取船舶靠泊、岸坡滑動、不均勻堆載這3種高樁碼頭的代表荷載，在load分析步中分別施加，各種荷載的加載方式如下：船舶噸位按照6 000 t，靠泊速度取值為20 cm/s，計算得到靠泊力大小取值為420 kN，作用點分別取X方向160、165、170 m 共3個位置。

按照GB 50007—2011《建筑地基基礎設計規范》附錄Q的相關規定，當樁基上部橫梁最大位移為0.04 m時，拋填塊石層后方岸坡推力為2 MPa的穩定荷載，施加位置為岸坡后方X方向。不均勻堆貨荷載采用碼頭前方堆貨荷載作用的大小取20 kPa，為距前沿10 m范圍內；后方取30 kPa，為距后沿20 m范圍內均布，作用方向為-Z。

1.4 損傷誘因參數化

根據JTS 144-1—2010《港口工程荷載規范》及GB 50007—2011《建筑地基基礎設計規范》的有關規定，結合三峽庫區架空直立式碼頭受力特點，將損傷誘因確定為3個：碼頭不均勻堆載、船舶靠泊和岸坡推力。作用范圍見圖2和表1，各損傷誘因的參數化指標見表1。

圖2 損傷誘因作用點分布(單位：m)

表1 損傷誘因參數量化

1.5 參數化模型驗證

為驗證參數化模型的準確性，與實體單元模型做對比，將相同位置、相同大小的荷載同時施加在兩個模型上進行計算。對比中間排架4根樁頂豎向位移和應力。

由表2的計算結果可得，樁頂豎向位移值平均相差14.5%，簡化模型平均豎向位移比實體單元模型要大。因為實體單元模型下部是基巖和拋填層，對樁基起到了嵌固作用，減少了樁頂的豎向位移。

表2 樁頂豎向位移計算結果 mm

表3為樁頂豎向應力值對比，平均相差5.3%。簡化模型和實體單元模型樁頂豎向應力整體相差較小。

表3 樁頂豎向應力計算結果對比 MPa

由以上對比分析，參數化簡化模型與實體模型計算結果差異不大，可以作為反演分析的模型使用。將簡化有限元模型設置為調用模型，隨機抽取量化的不良作用參數，將參數載入求解文件(求解文件是ANSYS命令流文件，包含調用有限元模型的命令，所有的荷載的命令，后處理提取應力的命令，以及導出數據的宏文件)，Python的子程序庫subprocess進入MANSYS模塊，導入求解文件，讓其自行調取有限元模型進行計算采集數據并導出。

2 單一損傷誘因效用反演

為了測試神經網絡模型對于復雜應力特征的適應性，本節主要采用抽樣的方式抽取單一誘因的樣本工況，將其投入簡化模型進行計算，提取批量的應力特征數據。

2.1 堆載作用反演分析

參數優化采用Python的機器學習庫sklearn中的網格搜索算法Gridsearch，對神經網絡的隱含層，懲罰因子進行搜索，利用交叉驗證精度來驗證參數優化后的神經網絡模型的性能。經過網格搜索得到神經網絡反演模型優化參數，見表4。

表4 神經網絡模型最優參數

2.1.1位置識別

位置識別屬于分類問題，分類學習器采用交叉熵損失作為模型損失指標，由圖3可知，當神經網絡模型迭代117次時，模型收斂。

圖3 堆載作用下分類學習器損失曲線

為檢驗模型對堆載誘因各個作用位置處的泛化能力，將訓練集和測試集按位置進行統計，并通過訓練好的模型分別對訓練集和測試集進行評分，得到具體指標見表5。

表5 位置識別結果

由表5可見，對于訓練集4個區域的位置識別精度達到0.989，測試樣本的識別精度也達到0.978，精度表示模型對位置識別的準確性，最優值為1；F1表示對樣本召回數量和準確率的調和平均數，最優值為1；漢明損失表示模型計算值與真實值之間的差值，最優值為0。F1指標和漢明損失指標均比較理想，并且訓練集和測試集的指標和評分相差較小，說明神經網絡模型性能調校較好、泛化能力較強、能夠正確識別堆載誘因的位置。

2.1.2大小識別

大小識別屬于回歸問題，回歸學習器采用方差作為模型損失指標，由圖4可知，當神經網絡模型迭代225次時，損失誤差達到0.001左右，此時即可判定模型收斂。

圖4 堆載作用下回歸學習器損失曲線

將訓練集和測試集按位置進行統計，得到模型的結果，見表6。

表6 大小識別結果

由表6可以知，訓練集和測試集擬合優度指標R2最小值達到了0.98，對于回歸模型而言，擬合優度指標不能完全判斷預測值的精度，還要看均方差和平均絕對誤差，表中均方差和平均絕對誤差結果相對較低，為比較平均絕對誤差相對于堆載作用的取值的大小，繪制了測試集絕對誤差圖和相對誤差圖，并隨機抽取了預測樣本中的20個樣本進行預測值和真實值對比，見圖5。

圖5 大小識別結果曲線

由圖5可見，絕對誤差均小于4.0 kPa，平均絕對誤差在0.892 kPa左右，平均相對誤差為2.97%，對堆載誘因大小識別，模型表現比較優秀。對堆載誘因作用1萬個樣本，訓練集和測試集的指標和評分相差較小，說明構造的神經網絡反演模型預測能力較好，不存在擬合能力欠缺和多度的情況；泛化能力較強，能夠對堆載作用的位置、大小進行準確高效的預測，滿足一般條件下損傷誘因的判別要求。

2.2 船舶靠泊和岸坡推力作用反演分析

限于篇幅，以2.1中的分析方法，開展船舶靠泊和岸坡推力損傷誘因的詳細過程不再表述。經分析，文中使用的方法對兩種損傷誘因均能取得良好的反演效果。

3 混合損傷誘因效用反演

在相同類型的不良作用下，碼頭應力特征具有相似性，將具有相似性特征的樣本輸入模型，必然會導致模型識別精度的提升，而神經網絡反演模型對樣本數據特征非常敏感，將三類損傷誘因作用的數據集整合成一個數據集作為反演模型的輸入，觀察一個反演模型對損傷誘因的類型、位置和大小的適應性和識別精度。分析結果見表7。

表7 混合損傷誘因識別結果

由表7可見，模型可非常準確地判斷所有樣本分屬損傷誘因作用的類型，說明不同損傷誘因類型下的樁基應力分布具有清晰的邊界，模型可根據樣本特征進行準確識別；堆載作用下樣本位置識別精度達到0.980，船撞作用位置識別精度達到0.900，相較于單一船撞樣本精度有所下降，但仍具有較好的識別效果；岸坡作用僅有一個作用位置，不必識別；堆載作用下樣本位置識別精度達到0.965，相較于單一船撞樣本精度有所下降，船撞作用位置識別精度達到0.990。

總體而言，反演模型對混合樣本整體表現較好。相較于單一作用類型的樣本，對堆載作用，位置識別精度基本不變，大小識別精度有所降低；對于船撞作用，位置識別精度降低了5%作用，大小識別的精度保持不變；對于岸坡作用，精度不變。

4 結論

1)通過Python的subprocess模塊調用MANSYS模塊進行分析，證明了批量計算的可行性，并通過與實體單元模型進行應力特征對比，分析知兩種模型差別不大，簡化模型數據可以進行替代計算。

2)通過網格搜索的方式搜索神經網絡模型的最優參數，交叉驗證得到模型評估指標的得分，并分別對堆載作用、船撞靠泊和岸坡推力損傷誘因進行分析。經分析，堆載作用位置識別精度為0.980，大小識別的平均絕對誤差在0.892 MPa；船撞作用位置識別精度為0.940，大小識別的平均絕對誤差在5.5 kN；堆載作用位置大小識別的平均絕對誤差在1.2 kN；反演模型對單一損傷誘因樣本具有非常好的泛化能力。

3)將所有樣本整合，進行混合損傷誘因分析并檢測神經網絡反演模型的性能，分析得知混合樣本集反演結果，類型識別精度在1.00，位置識別精度0.940，大小識別平均絕對誤差為2.2；模型在個別損傷誘因識別指標上出現了精度和評分的下降，但其總體預測精度仍滿足了反演識別的一般要求。

4)本文施加的外部荷載為豎向和橫向，未考慮縱向水流力和系纜力的作用的影響，縱向荷載的作用必然會對模型識別精度造成一定影響，但考慮到碼頭結構縱向剛度較大，加之縱向荷載對結構物整體安全性的影響不是主導因素，為此本文未作單獨討論。

5)實際工程中，岸坡沉降和結構變形等數據均為長期累積結果，本文計算中未考慮長期作用效應，這對反演結果的真實性有一定影響，實際應用中可將沉降和變形穩定后的數據作為反演樣本。