2026《高速铁路大桥沉降监测研究的国内外文献综述》2000字.docxVIP

PAGE

PAGE261

高速铁路大桥沉降监测研究的国内外文献综述

目前，有许多的优秀学者对于高速铁路大桥的梁体徐变和沉降变形监测、预测进行了大量的研究，为我们的科学研究提供了相关的理论基础。比较成熟的沉降变形预测方法有：数值仿真法、神经网络法及灰色系统模型法等系统分析法，还有双曲线法、指数曲线法、星野法和Asaoka法等曲线拟合法[2]。目前世界上主要的徐变计算方法有：弹性徐变理论、有效模量法、弹性老化理论、徐变率法、绩效流动理论等方法[3]；常用的的徐变预测模型有：欧洲的CEB-FIP系列徐变预测模型、美国的ACI209系列徐变预测模型、中国的JTGD62．2004徐变预测模型等模型[4]。

冯绍权等提出了一种基于马尔科夫链修正的遗传BP神经神经网络预测模型，结合高速铁路大桥桥墩沉降变形观测数据，分别与BP神经网络模型、GA-BP神经网络预测模型进行对比，结果表明，该预测模型精度最高[5]。龚循强等提出了一种自回归模型参数的稳健最小二乘估计方法，分别采用最小二乘(LS)和稳健最小二乘(RLS)的自回归模型、自适应过滤法及灰色预测法对高速铁路大桥桥墩沉降变形观测数据进行模拟与预测，并比较了这几种方法的的优缺点，并结合工程实际数据，表明该方法适用于高速铁路大桥桥墩沉降预测[6]。李沛鸿等采用基因表达式编程(GEP)算法，用某高速铁路大桥桥墩的沉降变形观测数据建立预测模型，并将其与及BP神经网络模型、GM（1，1）模型、灰色线性回归模型等预测模型模型进行了对比分析，结果表明，基于GEP的方法建模更加便捷,预测精度更高，能有效的对沉降变形进行分析预测[7]。叶茂提出了“矩形法”对高速铁路大桥桥墩进行高差监测，为解决传统沉降监测方法无法解决的桥墩“上升”问题奠定了基础，同时还采用工程沉降和区沉降的叠加模型，对区域沉降和区域沉降的综合影响方面进行了研究分析[2]。潘昱行使用了我国现行的铁路桥梁规范、公路桥梁规范和日本国混凝土规范定义了徐变系数、混凝土抗压强度发展函数的公式化徐变函数所得到的徐变发展规律与静力水准系统自动化监测技术测量得来的现场监测数据进行了对比，结果表明静力水准系统自动化监测技术具有良好的工作稳定性和有效性[8]。阿苦建英通过将修正指数曲线法与灰色系统GM(1，1)模型法和BP神经网络模型法在建筑物沉降预测中得到的结果进行对比分析，结果表明修正指数曲线法预测的精度要比灰色系统GM(1，1)模型法和BP神经网络模型法预测的精度更高[9]。灰色系统模型由于以其“部分信息已知，部分信息未知”的“小样本”、“贫信息”不确定性系统作为为研究对象的特性，且其预测模型能较为精确的预测桥梁墩台的沉降变化趋势，被广泛应用于高速铁路桥梁墩台沉降变形预测[10]。王小兵针对神经网络权值阈值的不确定性，提出了果蝇优化算法对灰色神经网络进行优化，并将该模型的预测结果与粒子群算法优化的灰色神经网络和灰色神经网络进行比较，结果表明果蝇优化算法优化的灰色神经网络预测精度更高、鲁棒性更强[11]。杨世安基于马尔科夫预测基本理论建立了灰色马尔科夫预测模型，验证了该模型在建筑物沉降预测中的可行性，并用优化后的模型对建筑物沉降量进行预测，且与其他方法进行比对试算分析，结果表明优化后的模型预测的精度和准确度都有提高[12]。黄禄文应用了具有自组织学习特性和非线性逼近特性的智能神经网络，通过建立BP网络模型、RBF网络模型和CVRBF网络模型，对基础沉降变形预测结果进行对比分析，得到了CVRBF网络的预测性能优于BP和RBF网络的结论[13]。张潇泷针对关于传统支持向量机算法在预测方面的不足之处，建立了基于自适应粒子群优化的SVM算法建筑物沉降预测模型，并对建筑物进行沉降变形预测，结果表明相比于传统的支持向量机算法，该算法的预测精度更高[14]。SteffenSchindler与FelixHegemann等人使用雷达干涉测量方法进行沉降监测，将地面测量结果与时空走廊中基于远程卫星的沉降数据进行比较，显示出雷达干涉测量方法的准确性并提出了一种4D可视化概念，将基于卫星和地面的沉降数据与虚拟现实(VR)环境中的地上建筑参数相关联[15]。MotoheiKanayama、AlexanderRohe与LeonA.vanPaassen使用基于结算率收敛改进的人工神经网络模型进行地面沉降预测，并将其与基本神经网络模型进行对比分析，结果显示改进后的神经网络模型的预测精度更高[16]。

参考文献

世界高速铁路发展趋势[J].铁道经济研究,2006(01):35-37+41.

叶茂.京沪高速铁路沉降监测数据处理与分析[D].四川:西南交通大学,2011.

马忠武.斜拉桥主梁混凝土徐变试验研究及有限元分析[D].湖北:武汉理工大学,2009.

王