基于多目標遺傳算法的大型共構管廊早拆模板體系晚拆桿優化分析

王星

摘 要：大型共構段城市管廊結構快速建造技術中，移動模架早拆體系是決定施工進度的關鍵，針對模板早拆技術中晚拆桿局部失穩問題，建立了有限元數值分析模型。通過參數化建模，基于多目標遺傳算法，對其屈曲穩定性進行了優化分析，得到了輸入參數與輸出參數之間的關系，通過迭代逐漸逼近期望值，最終得出候選點。結果顯示，優化后的截面可以減少耗材，增大穩定系數，為類似工程提供借鑒經驗。

關鍵詞：模板早拆;管廊;屈曲穩定性;優化分析

中圖分類號：TU755.2 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：2096-6903（2022）05-0031-03

0 引言

大型共構綜合管廊[1]是將城市地下綜合管網，包括電力、通信、燃氣、供熱供水、排水為一體，結合地上地下的行車系統，形成的一個整體管廊結構。大型的綜合管廊有著快速化、綠色化的施工要求，模板早拆體系具有節約成本、縮短工期、模板用量少、周轉率高的優點，在建筑行業得到了廣泛的關注和應用。

在移動模架早拆[2]施工中，早拆模板被周轉后，遺留下的晚拆桿的穩定性問題是影響施工安全的重要因素，本文以雄安新區容東片區E3路管廊模板早拆體系工程為背景，針對早拆體系中可能出現的晚拆桿失穩問題，對晚拆桿的穩定性進行優化分析，為類似的工程提供借鑒。

1 分析模型

1.1 工程概況

雄安新區E3路地下綜合管廊為地面道路、穿湖隧道及綜合管廊共構結構。結構地下二層為綜合管廊，包括智能物流通道、綜合艙、能源艙及預留設備間，結構凈寬19.5 m，凈高4.7 m;地下一層內設雙孔穿湖隧道，單孔凈寬9.25 m，凈高6.6 m，E3路結構標準斷面所用支架模板體系為裝配式滑模體系（圖1滑模體系），材料選用易安特模板有密度高、強度高、精度高等特點。

1.2 數值分析模型

模板早拆體系分為兩大塊：一是早拆支撐體系，二是晚拆體系。在板混凝土[3]達到設計強度75%時，對兩側早拆部分的支架頂托進行降低處理，拆除主次楞及滑動模板，推動滑動模板單元整體進入下一施工段，晚拆桿繼續支撐至混凝土強度達到拆除模板的時間規范，分階段計算工況如圖2所示。

取B2為研究對象，網格劃分采用四面體網格，劃分節點數29 373，劃分單元數10 291。管廊部分采用實體單元，晚拆桿采用梁單元，管廊底部固定支撐，晚拆桿與管廊接觸部分為綁定連接，荷載為自重條件下的荷載。

1.3 模型的參數化建立

對晚拆桿進行參數化建模，其中空心管外徑長度D1，內徑長度D2，拉伸長度為l1，其中將外徑，內徑作為輸出參數導出，材料選用結構鋼，密度7 850 kg/m3，楊氏模量2e+11 Pa，泊松比0.3。其中底部采用固定支撐，頂部施加面壓力，壓力值取20 506 N，網格采用0.3 m的六面體網格，對其模型進行屈曲分析，將一階模態的負載系數以及晚拆桿的質量作為輸出參數，具體數據如表1，模型如圖3所示。

2 基于遺傳算法的優化理論

Direct Optimization（直接優化）是根據輸入輸出參數（Parameters）設計函數關系來篩選出最佳設計點（Design point），求解多個設計點的時候使用AMO（自適應多目標算法），該算法是非支配排序遺傳算法-Ⅱ的一個變種，支持多目標和約束，目的是找到全局最優。

AMO方法全稱為Adaptive Multiple-Objective Optimization，是一種選代的多目標優化方法。該方法采用了Kriging響應面和MOGA優化算法，適合于處理連續變量的優化問題。AMO方法首先形成LHS樣本并基于這些樣本形成 Kriging響應面，隨后通過NPQL方法對響應面進行搜索，這些搜索基于不同的起始點，得到一系列不同的備選設計（Candidate）。

多目標優化問題中，由于存在目標之間的沖突和無法兼顧的現象， Pareto提出多目標的解不受支配解（Non- dominated set）的概念。，其定義為：假設任何二個解S1及S2對所有目標而言，S1均優于S2，則稱S1支配S2，若S1的解沒有被其他解所支配，則S1稱為非支配解（不受支配解），也稱Pareto解。

基于Pareto排序的多目標遺傳算法的關鍵點是Pareto 解的集合，而不是一個 Pareto 解，因此需要鼓勵樣本的多樣性。MOGA采用的多樣性方法被稱為 fitness sharing 。fitness sharing 方法首先用下面的公式計算不同個體之間的距離。

（1）

其中fk{max}表示目前找到的最大k目標值，同理可知fk{min}。對于個體 I ，可以計算它的niche count。

（2）

再用個體的niche count調整個體的適應度。

（3）

基于Pareto排序的多目標遺傳算法[4]相較于線性加權的遺傳算法更加智能化，其關鍵點不在于分配權重，而是在于解決適應度函數的設計問題，該算法旨在求出帕累托解集，并且通過人工選擇的辦法來找出最符合理想的最優解。

3 晚拆桿優化計算

設置P1的參數上限為110，參數下限為90，波動值為20，表示參數1可以在此范圍內波動，同理可設置P2的參數上限為88，下限為72，波動值為16。為盡可能的提高負載系數，約定P3的期望值為5，最低下限值為3.4，容許差為0.001，參數目標為最大化[5]。為保證材料用量最少，約束P4的類型為最小化，期望值為95，最大值不應超過110。參數值變化如圖 4、圖 5所示。3BBBB494-84B7-43D1-95BD-4BB64F6C978C

本方案有2個輸出參數，采用自適應多目標算法，初始樣本值為17，最大評估樣本數量為29，設計點數28，生成樣本集17個，候選點3。數值收斂標準采用帕累托標準，收斂標準圖如圖6、圖7所示，收斂值靠近下限值，表示約束合理。

圖 8為樣本點與晚拆桿質量的走勢圖，隨著外徑內徑值的變化，質量在運算初期變化較大，波動較多，最低值為48.33，最大值為186.44，不符合對質量的要求，之后隨著迭代次數的增加，質量值趨于96，在上下小范圍波動。

相比較于原來的晚拆桿，總壁厚由20 mm減小到了18 mm，負載系數由2.05增加到3.5，質量由100.99 kg減少到95 kg，比較候選點1與候選點2，選擇候選點1作為晚拆桿的設計方案[6]。

在輸入參數改變時會引起輸出參數改變，在改變越小時參數的靈敏性越高[7]，會引起輸出參數發生的改變越大。

4 結語

本文對早拆模板體系中的穩定性問題，運用多目標遺傳算法理論，采用直接優化模塊對模板早拆體系中的晚拆桿進行優化設計，得出以下結論：

通過多目標遺傳算法，實現了桿件輕量化。在尋找最優截面過程中，通過給定的約束條件可以在保證經濟效益的前提下提高晚拆桿安全性。

參考文獻

[1] 油新華.我國城市綜合管廊建設發展現狀與未來發展趨勢[J].隧道建設（中英文），2018，38（10）：1603-1611.

[2] 毛建斌.模板早拆體系在施工中的應用和發展[D].天津：天津大學，2007.

[3] 熊成君.建筑施工模板早拆對混凝土結構影響研究[D].天津：天津大學，2007.

[4] 朱大林，詹騰，張屹，等.多鄰域結構多目標遺傳算法[J].農業機械學報，2015，46（4）：309-315+324.

[5] 王學文，楊兆建，段雷.ANSYS優化設計若干問題探討[J].塑性工程學報，2007，67（6）：181-184.

[6] 牛飛.結構拓撲優化設計若干問題的建模、求解及解讀[D].大連：大連理工大學，2013.

[7] 王世海.基于ANSYS workbench的構架結構優化分析[J].科技視界，2021，345（15）：163-166.3BBBB494-84B7-43D1-95BD-4BB64F6C978C