基于BP神經網絡的大跨橋梁結構混凝土溫度預測

田 谷,續若楠,繆長青,孫傳智

(東南大學 土木工程學院,江蘇 南京210096)

0 引 言

在現代橋梁工程的建設中,越來越多的工程研究表明大體積混凝土中的溫度變化的重要性。混凝土澆注后,水泥與水結合發生水化作用,同時也是混凝土的凝固過程。隨著水化熱的逐漸減少及熱量的散發,混凝土的溫度就會慢慢地降低。橋墩施工中的混凝土大都體積龐大,其溫度在澆筑后3 d～5 d內呈上升趨勢,以后溫度逐漸下降,一般經過較長時間才能達到穩定溫度。在這個過程中,水泥水化作用要生成大量的熱量,由于混凝土自身的熱物理性能和外界不同情況下的氣溫狀況,形成不同的溫度分布,構成整個橋墩的溫度場。由于溫度場分布的不均勻,內外形成溫差以及表面和外界形成溫差,溫差的存在產生溫度熱應力.如果該溫度應力超過混凝土的拉應力,將可能產生裂縫[1]。

我國的《公路橋涵施工技術規范》(JTJ041-2000)關于大體積混凝土的定義是:現場澆注的最小邊界尺寸為1m～3 m且必須采取措施以避免水化熱引起的溫差超過25℃的混凝土稱為大體積混凝土。美國的混凝土學會ACI的規定為:“任何就地澆注的混凝土,其尺寸之大,必須得采取措施解決其水化熱及隨之引起的體積變形問題,以最大限度減少開裂”。關于大體積的混凝土的定義國內外不盡相同,在大體積混凝土澆筑過程中的溫度場分布是一種非常復雜的高度非線性映射關系,結構斷面尺寸、外界氣溫、水泥配合比、結構內部溫差以及結構自身特點等都會影響混凝土澆筑與控制方法,并影響結構最終應力。因此需要綜合考慮各種影響溫度變化的因素予以確定[2,3]。

本文利用人工神經網絡理論從反問題的角度用多組影響因素數據和溫度值訓練出能夠描述溫度場的網絡,簡化了原本復雜的求解過程,此神經網絡對大體積混凝土的溫度控制起一定的指導作用。

1 應用BP神經網絡預測混凝土水化熱溫度

1.1 工程背景

瀛洲大橋結構共分為三個部分,主橋中跨為跨徑120 m帶懸臂剛架的中承式鋼管混凝土系桿拱橋(如圖1所示),主橋邊跨為3 m×50 m帶懸臂半孔的無推力上承式鋼筋混凝土箱型拱橋,兩岸引橋為預應力鋼筋混凝土連續箱梁結構。在正常使用階段,剛架系桿拱是超靜定結構,橋梁上部、下部以及基礎甚至地基連成一體,結構的超靜定次數較多,受力十分復雜。系桿拱拱墩固節點的構造較為復雜,拱肋、橋墩、帽梁匯聚在這里,一般為不規則的幾何體。固節點處的受力很復雜,各方向的力都集中于此點,且受系桿強大的集中力作用,容易在主拉應力方向發生開裂。另一方面,瀛洲大橋拱肋2位于主跨側,根部厚度2m,高度3.5m,橫向長度為20 m,底板和頂板厚度為0.5 m,中腹板厚度為0.6 m,邊腹板厚度為0.699 m～0.954 m,中心隔板寬為4 m,厚度為2.5m,因此此處拱肋具有了明顯的大體積混凝土結構特點,本文選擇的三角區橋跨內側拱肋為研究對象,如圖1所示。

圖1 瀛洲大橋結構主跨示意圖

1.2 BP神經網絡的參數選擇

導熱系數、計算厚度這兩個參數與混凝土的溫度和環境溫度有著很大的關聯。根據混凝土溫度場的分布規律,筆者認為:當結構的尺寸一定時,雖然混凝土材料、外界環境溫度、和導熱性能是影響某點混凝土的主要因素,但是某點溫度的變化情況、最大值、與外界溫差主要和此點的位置以及入模溫度相關。

大量工程實踐表明,混凝土內部的實際水化熱溫升與每m3的水泥用量,結構計算厚度,混凝土的熱性能,入模溫度和環境溫度有關。根據現場埋設的溫度傳感器,可以量測混凝土水化熱溫度的變化情況。選擇單位體積混凝土發熱量、導熱系數、計算厚度、澆筑入模溫度和外界溫度等5個參數作為BP網絡的輸入參數,來進行訓練樣本。

國內大體積混凝土工程一般的溫度計算都是計算混凝土的中心最高溫度Tmax及表面溫度Tb,本文為了更突出且簡便地反映混凝土水化熱對位置不同的測點的溫度影響,因此選擇訓練樣本的三維坐標和入模溫度作為輸入參數,輸出參數為各樣本的溫度隨時間變化值,隱層的神經元數目為10[4,5]。

鑒于現場測試點較少,且只集中在兩個截面上,故提取有限元仿真結構作為輸出值,圖2為瀛洲大橋拱肋的尺寸示意圖。輸出值第1 d每隔3 h取1次值,第2 d、3 d每6 h取1次值,第4 d、5 d每12 h取1次值、第6 d～10 d每1 d取1次值,圖3為拱肋的有限元模型。

圖2 拱肋2尺寸示意圖

1.3 BP神經網絡的訓練樣本

本文采用拱肋中心部分水化熱溫度變化值作為所研究對象,樣本點位置如圖4所示,共34個點數據作為訓練樣本(●表示),樣本輸入參數如表1。神經網絡預測的溫度結果用4個點作為檢驗樣本(▲表示)。訓練樣本點與檢驗樣本點位置如圖4所示。

圖3 拱肋的有限元模型

表1 樣本輸入參數

圖4 樣本點位置示意圖

1.4 BP神經網絡的訓練及檢驗

把訓練向量輸入BP神經網絡模型,利用MATLAB中的neural network中的NNTOOL進行訓練。網絡共進行了1 047次訓練,收斂于全局最小點。最后,應用Sim()函數進行仿真和檢驗。檢驗選擇結構中4個點的溫度數據作為檢驗樣本,4個檢驗樣本的輸入參數如表2所示。正常坐標下的最終逼近曲線如圖5所示,有限元仿真與神經網絡預測的溫度變化曲線如圖6～圖9所示[6～9]。

表2 驗證樣本

圖5 正常坐標下的最終逼近曲線

圖6 樣本1預測結果與有限元結果對比圖

圖7 樣本2預測結果與有限元結果對比圖

圖8 樣本3預測結果與有限元結果對比圖

圖9 樣本4預測結果與有限元結果對比圖

從以上數據對比中可以發現,BP神經網絡的預測結果總體上與有限元仿真結果相差不大,樣本1～樣本4的平均誤差分別為-1.02%,0.64%,-0.38%,0.52%,最大誤差值分別為-4.8%,5.8%,-5.2%,5.3%,最大誤差值發生的時間分別在澆筑后192 h,120 h,192 h,216 h。

由于樣本點1和樣本點4處于拱肋結構的內部,在混凝土澆筑后45 h～50 h,水化熱引起這兩點的最高溫度達到最大值(＞70℃),此時神經網絡預測的溫度值平均誤差分別為-0.2%和1%;樣本點2和樣本點3位于拱肋的邊界,受外界環境溫度影響比較明顯,在混凝土澆筑后30 h～45 h,水化熱引起這兩點的最高溫度達到最大值(＜42℃),神經網絡預測的溫度值平均誤差為1%和0.4%。

由此看出,利用此BP神經網絡預測大體積混凝土澆筑后水化熱產生的溫度峰值和最大溫差梯度是可以應用于工程實踐的。

2 結 語

控制大體積混凝土水化熱階段的裂縫開展,必須首先對其進行溫度監控,繼而考慮溫度效應對早期結構的不利影響,從而采取降低水化熱的放熱量及其反應速率,調整內外溫差峰值等方法提高早期強度,防止早期裂縫。通過工程實例分析表明利用BP人工神經網絡能夠較準確地對橋梁的大體積混凝土水化熱時的溫度場進行預測,并可以通過訓練確定適應效果最優的BP人工神經網絡,在此基礎上結合有限元分析,影響參數的修正和溫度效應的計算能得到與工程實際更加吻合的結果[10]。

[1] 趙秀云.橋梁大體積混凝土裂縫產生原因與防治措施[J].中國新技術新產品,2009,(15):52.

[2] 朱伯芳.大體積混凝土溫度應力與溫度控制[M].北京:中國電力出版社,2001.

[3] 呂建福.大體積混凝土溫度應力場與開裂的研究[D].哈爾濱:哈爾濱工業大學,2005.

[4] 王旭,王 宏,王文輝.人工神經元網絡原理及應用[M].沈陽:東北大學出版社,2003.

[5] 鄧 磊.基于神經網絡的橋梁承臺混凝土溫度預測系統研究[D].武漢:武漢理工大學,2006.

[6] 虞和濟,陳長征,張 省,等.基于神經網絡的智能判斷[M].北京:冶金工業出版社,2000.

[7] 董長虹.Matlab的神經網絡與應用[M].北京:國防工業出版社,2005.

[8] 許 波,劉征.Matlab工程數學應用[M].北京:清華大學出版社,2000.

[9] 王新剛,王啟才,周 巖,等.基于人工神經網絡的大體積混凝土溫度場預測[J].混凝土,2006,(9):21-24.

[10] 韋愛鳳.大體積混凝土裂縫控制的有效措施[J].廣西工學院學報,2000,(2):20-23.