论文部分内容阅读
作为缆索体系桥梁中的重要承重结构,拉索成为桥梁结构安全评价的一个重要因素,索力监测在大跨径斜拉桥和悬索桥的健康监测系统中已经成为必不可少的监测项目。一个合理的拉索监测方案,特别是索力监测位置极大程度地影响着桥梁结构安全评估的准确性,也是建造经济节约型健康监测系统的关键。本文从拉索群荷载响应的空间相关性出发提出了基于索力相关性的传感器优化方法,并利用最优测点处的索力信息实现了对未监测位置处拉索索力的估计,达到了利用有限的传感器最大限度地获取全桥拉索荷载响应的目的。首先采用B样条拟合法提取由环境因素引起的索力趋势项为研究对象,以Pearson相关系数、最大信息系数(MIC)和互信息系数(MI)三个系数作为拉索群空间相关性的度量指标,深入地挖掘不同位置拉索间荷载响应的内在关联。Pearson相关系数只能描述变量间的线性关系,但是桥梁的荷载响应的复杂程度远远超过线性关联;最大信息系数因为噪声的存在使其难以发挥在相关性探索中的优势,而拉索间的散点图却呈现出“宽带”的特点;相比而言,基于核密度估计的互信息系数更能探索拉索群间的非线性关系,因此选取互信息系数作为拉索群空间相关性建模的依据;其次利用键能算法(BEA)对拉索群相关系数矩阵进行聚类分析,并根据测点在聚类关联度中的排列顺序进行传感器测点分类和最优测点选择。以南京长江三桥上游84根拉索为研究对象,以0.05为间距,讨论了相关性阈值取0.9~0.6时上游拉索群传感器优化布置方案。当阈值取0.9时,有接近1/2的拉索被选择为监测对象,并且最优测点的个数随着相关性阈值的减少而逐渐减少,优化结果论证了该方法的有效性;最后提出了基于粒子群算法的核极限学习机模型(PSO_KELM)以实现利用有限的监测拉索对未监测处拉索索力变化的估计。从预测精度、误差分布等角度对比分析了不同的激活函数和核函数下的极限学习机模型(ELM)、多元线性回归模型(MLR)和自适应回归样条模型(MARS)在全桥索力反演预测中的性能,发现具有RBF核函数的RBF_KELM模型具有更高的预测精度和泛化能力,索力预测最大均方根为2.79,并且绝对误差落在[-3,3]区间内的概率为99.54%,预测精度满足实际工程的需要;文中还利用MARS模型对基于空间相关性的传感器优化方法进行验证,验证了选取互信息系数为相关性指标的合理性和优化方法的有效性。