浅述连续刚构桥梁施工控制.docVIP

浅述连续刚构桥梁施工控制 　　[摘要]大跨度桥梁结构在施工过程中，由于桥梁结构的空间位置及形状随施工的进展将不断发生变化，要经过多次的体系转换过程，若同时考虑到施工过程中的结构自重、施工荷载以及混凝土材料的收缩、徐变、施工时间荷载等因素的影响，将可能导致桥梁合拢困难、成桥线形与设计要求不相符、设计状态难以保证等问题。因此，必须对大跨度桥梁的施工预拱度、主梁梁体内的应力等进行严格的施工控制。以某公路大桥为例，对该大跨度桥梁结构主桥施工过程中的变形和应力进行分析。 　　[关键词]公路桥梁 施工控制技术 　　中图分类号：TU7 文献标识码：A 文章编号：1671－7597(2008)0820108－02 　　 　　一、线形控制的原理与技术 　　 　　主梁悬浇段的各节段立模标高可按下式确定 　　Hi= HO+fi+(-fi预) +f蓝+fx （1） 　　其中，Hi为待浇筑段主梁底板前端底模标高；HO为该点设计标高；fi为本施工段及以后浇筑的各段对该点的影响值；fi预为本施工段顶板纵向预应力束张拉后对该点的影响值；f蓝为挂篮弹性变形对该施工段的影响值；fx为由徐变、收缩、温度、结构体系转换、二期恒载、活载等影响值。根据该工程的特点，上述各参数在利用MIDAS有限元倒装分析法的基础上，根据实测信息，对计算出来的预拱度进行调整和预测，确定最佳的预拱度。现代悬臂桥梁施工预拱度误差调正的主要方法是人工神经网络，人工神经网络是一种模拟人脑结构和功能的信息处理系统，具有学习和容错等特点。它通过大跨度桥梁混凝土悬臂现浇节段已产生的标高偏差，训练BP网络，让自学习后的网络预测后续节段施工中可能发生的偏差，从而对其立模标高进行调整，以达到与设计值尽量一致的目的。BP网络是一类前向无反馈的神经网络，它可通过对若干样本的自学习，建立网络输入变量与输出变量之间的全局非线性映射关系。 　　由于其有连续函数表现定理，选用常见的3层网络，输入层和输出层有与网络输入变量I1(1=1，2，…，L)及输出变量On(n=1，2，…，N)相应的L和N个神经元，而隐层取M(M=2L+1)个神经元。输入变量I1将按下式分配到隐层的第m个神经元，作为其输入dm： 　　 　　其中是第1层l单元到第2层m单元之间的权系数，而I0=1， 　　 为m神经元的触发门槛值。m单元的输出Cm是其输入dm的函数，有 　　 （3） 　　神经元的传递函数F通常选用Sigmoid函数，即 　　F(x) =1/(1+e-x)（4） 　　同理可定义第3层(输出层)的n单元输入gn和输出On分别为 　　 　　 （5） 　　由式(3)、式(4)可知，网络输出On的值域为(0，1)，故需对样本的期望输出 作归一化处理。通过一定数量样本的网络训练(自学习)过程，实际是确定最适宜的权系数和，使其对全部J个样本的输入，按式(2)~(5)的正向运算得到的输出On与期望输出 的2次残差E达到 　　 　　选择合理的权系数和的最优化过程由BP算法完成，而且在 　　 　　得到满足时，网络自学习终止。采用神经网络方法，对实际发生的桥面标高偏差进行预测时，可取影响标高偏差的因素(即神经网络的输入变量)为:时间；混凝土弹性模量；测量温度T；张拉截面、讨论截面的主梁高度；及其两截面至“T”构中心的距离；理论计算的张拉后标高变化值W，共计8个参数。样本的期望输出自然取标高偏差ΔW。即BP网络的输入层神经元数L =8，而输出层N =1。由于样本的期望输出为测量标高，实际值难免包含某些随机因素和误差，神经网络具备有对这类样本的鉴别能力，因此具有鲁棒性。网络的输出并非要求严格地等于各样本的期望输出，而是通过网络学习，寻求对全部样本数据均有较好响应的非线性映射关系。根据人工神经网络寻求标高偏差再利用MIDAS计算调整，最后得到最佳预拱度。 　　 　　二、连续刚构桥梁施工控制方法 　　 　　桥梁施工控制方法一般有前期预控与后期调整控制相结合和预测控制两种，连续刚构桥梁的结构特点决定了其控制方法应以预测控制为主，辅以后期修正。连续刚构桥梁施工控制是过程如下图所示。 　　 　　连续刚构桥梁的施工控制工作重点应为主梁标高即线形的控制，辅以应力检测以策结构安全。对标高的控制予以分解后即为主梁各节段施工标高的确定，也就是主梁预拱度的设置。关于主梁预拱度的设置方法有理论计算和经验两种方法。理论计算法是理论计算与实际相结合的分析方法，具有推理严谨、概念清晰的特点；经验法是实践中总结积累的经验数据，数据资料比较可靠，应用于实施项目往往具有重要的参考价值。 　　理论计算方法又可分为综合分析法和叠加法。综合分析法就是一次性建立结构模型，一次性输入结构分析所需要的所有数据，结构计算分析程序可计算出在众多因素