斜拉扣掛施工鋼箱拱肋線形預測的LS-SVM法

周晨曦

(合肥工業大學 土木與水利工程學院，安徽 合肥 230009)

0 引 言

由于地形因素，在山區建拱橋時常常不便于搭設支架施工。近年來，斜拉扣掛纜索吊裝施工法的發展，使其在大跨度拱橋無支架施工中得到了廣泛應用[1]。對于采用斜拉扣掛法施工的拱肋，其拼裝精度受到多種因素影響，實際測量結果會和有限元仿真結果有所偏差。結合測量結果和已知參數對后續拼裝節段的狀態進行正確的估計和預測，可及時縮小施工誤差，避免合龍后拱肋達不到控制線形[2]。

橋梁線形預測的方法一般有：BP神經網絡、灰色理論、卡爾曼濾波法、支持向量機法等。SuyKens等[3,4]基于支持向量機法提出的最小二乘支持向量機法(LS-SVM法)，在優化目標中選取誤差的二范數為損失函數，提高了分析速率，可以有效應用于具有小樣本、高維數、非線性、局部極小點等特點的實際工程問題。陳哲衡等[5]使用該方法預測了PC斜拉橋懸臂澆筑施工過程中主梁節段標高誤差。孫全勝等[6]基于LS-SVM法對某大跨連續剛構橋施工中節段標高誤差進行預測，并與BP神經網絡法進行對比。孫元[7]使用已有MATLAB工具箱預測大跨CFST拱橋施工中拱桁位移。本文主要探索LS-SVM法用于預測大跨徑鋼箱提籃拱橋斜拉扣掛施工過程中拱肋實際線形與理想線形偏差大小的適用性。

1 基本理論

LS-SVM法是一種非線性回歸預測方法，在橋梁線形預測中，一般把影響施工中橋梁線形的主要參數作為輸入參數xk，預測目標即當前階段控制點豎向位移作為輸出參數yk，將輸入空間x利用非線性映射φ(x)映射到高維特征空間H，并尋找一個線性函數f(x)來逼近數據：

f(x)=ωTφ(x)+b

(1)

式中：φ(x)為計算樣本的高維空間映射函數;ω為線性回歸超平面的權值向量;ω∈Rn，Rn→H;b為偏置量。為了方便Lagrange乘子的求解，把不等式約束變條件轉換為等式約束條件：

(2)

式中：J為構造的優化函數，式(2)前面項與泛化能力相關，后面項保證精度；ω、e為自變量;ek表示預測與實際的偏離程度；ξ為懲罰系數。

用Lagrange方法求解這個優化問題：

(3)

ak(k=1,2,…,n)是 Lagrange 乘子。依據優化條件

(4)

(5)

將ω和ek消元后回歸問題等價于求解線性方程組：

(6)

式中：a=(a1,a2,…,an)T；I=(1,1,…,1)；E為單位矩陣；y=(y1,y2,…,yn)T；M為滿足映射φ(xk)和核函數K(x,xk)的方陣。

Mij=φ(xi)Tφ(xj)=K(xi,xj)

(7)

最終可建立LS-SVM回歸函數：

(8)

2 工程背景與預測模型的建立

本文以某在建一跨中承式鋼箱提籃拱橋為研究對象，該橋計算跨徑為236 m，矢高50 m，矢跨比1/4.72，拱軸線形為m=1.3的懸鏈線，拱腳橫向中心距20.7 m，主拱肋橫向內傾8°。拱肋架設采用纜索吊裝斜拉掛扣法，考慮到對兩岸環境的保護，減少山體開挖，解決塔架陡峭山坡上拼裝難題，采用小里程岸設塔架，大里程岸不設塔架扣索直接錨固于錨碇上的方案，總體布置圖如圖1所示。拱肋為等高度鋼箱截面，共分為14個節段拼裝，4～13節段兩兩聯合拼裝，施工階段可分為8個拱肋懸拼階段和一個合龍施工階段。整個吊裝系統有8對背索，16對扣索，扣索依據里程樁號大小編號1～32。

圖1 斜拉扣掛系統示意圖

LS-SVM法預測拱肋線形的模型可借助MATIAB軟件建立，將實際工程問題轉化為非線性回歸預測的數學問題。根據前文的理論基礎，歸納出LS-SVM法建立預測模型的步驟流程如圖2所示。

圖2 LS-SVM法預測流程圖

結合本項目的特點選取安裝節段重量G、安裝節段水平長度L、扣索初張力T和水平角α、扣點到拱腳的水平距離xh、有限元模型前一階段和當前階段扣點豎向位移yc、yd以及前一階段扣點豎向實測位移ya作為模型的輸入參數xk。數據的歸一化處理使用軟件內置的mapminmax函數。預測結果的準確性通過均方誤差MSE來評價，回歸函數的求解借助已有的工具箱程序。

(9)

核函數使用應用范圍較廣的徑向核函數，其參數ξ和σ通過網格搜索法[8]確定，將兩參數分別在(0.1，1)和(10，100)等間距各取10個值，進行訓練模型的測試，最后取使訓練樣本擬合度最高的那組作為參數，假如出現準確率最高結果對應多組參數的情況，選擇參數ξ值最小的一組，這樣可以避免過學習狀況的發生。在當σ=0.4、ξ=60時，MSE的值小于0.2，比較穩定，且誤差符合施工要求，選取這組參數建立預測模型。

3 LS-SVM法訓練和測試結果

選取扣點位置為拱肋豎向位移控制點，控制點編號同扣索編號。將前5階段施工時測量得到的各控制點數據作為訓練樣本參數，輸入模型中，利用工具箱中svmtrain函數對模型進行訓練，得到最優訓練模型。然后對后續吊裝拱肋節段上控制點的豎向位移進行預測，每輪求解后將預測結果加入訓練樣本中，擴大模型參數的樣本庫。模型訓練結果、預測結果與實際測量值的比較如圖3～圖8所示。

圖3 小里程側拱肋豎向位移訓練值與實測值比較圖

圖4 小里程側拱肋豎向位移訓練誤差與相對誤差

圖5 小里程側拱肋豎向位移訓練值與實測值比較圖

圖6 小里程側拱肋豎向位移訓練誤差與相對誤差

圖7 小里程側拱肋豎向位移訓練值與實測值比較圖

圖8 小里程側拱肋豎向位移訓練誤差與相對誤差

模型訓練結果和預測結果的均方誤差如表所示。

表1 LS-SVM模型結果均方誤差表

由圖3～圖6可知，兩側拱肋訓練模型最大誤差值均小于1 mm，小里程側拱肋的訓練結果要略優于大里程側拱肋的訓練結果，相對誤差介于±25%之間，大里程側拱肋在第4吊裝階段預測數據與實測數據相對誤差較大，為29.5%，其余拼裝節段預測數據與實測數據相對誤差均小于20%，模型的訓練結果穩定，且滿足精度要求，為后續預測打好了基礎。

由圖7、圖8可知，基于LS-SVM法進行拱肋吊裝階段線形預測，小里程側拱肋預測模型的均方誤差為0.358，大里程側拱肋預測模型的均方誤差為0.312，均大于模型訓練時的均方誤差，訓練模型的擬合能力要優于模型用于預測時的擬合能力。最終預測結果與實際測量結果的誤差不到1 mm，相對誤差在±20%之間，略小于模型訓練時的結果。

4 結 論

本文依托一個鋼箱提籃拱橋纜索吊裝斜拉扣掛施工的項目，將LS-SVM法應用于其施工過程中拱肋的線形預測，思路是可行的。

(1)基于該方法的訓練模型和測試模型建立方便，求解速度快，預測結果與實際測量結果的誤差控制在±1mm之內，精度滿足施工要求。

(2)由于該項目樣本庫數據相對較少，實際控制點的豎向位移較小，預測結果的均方誤差和相對誤差控制在±20%之間，有一定的優化空間。

(3)LS-SVM法的預測模型可作為指導鋼箱提籃拱橋斜拉扣掛法施工監控的依據，為鋼箱拱肋放樣坐標提供參考，為線形調整提供數據支撐。