无粘结预应力混凝土简支梁自振频率研究

《无粘结预应力混凝土简支梁自振频率研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、无粘结预应力混凝土简支梁自振频率研究第1章绪论1.1研究目的及意义随着预应力技术的不断发展，预应力结构被广泛的应用到各种类型的土木结构中，特别是在桥梁工程中，有着举足轻重的作用。与普通混凝土相比预应力混凝土结构具有下列几个主要优点：（1）提高了构建的抗裂度和刚度，增加了结构的耐久性；（2）节约材料节省自重；（3）减小混凝土梁的竖向剪力和主拉应力；（4）结构质量安全可靠。其中，无粘结预应力混凝土结构具有施工方便、速度快的优点，体内无粘结预应力混凝土简支梁在工业、民用建筑以及桥梁结构中得到了一定的应用。工业、民用建筑以及桥梁结构对人们的安全生产、安全出行以及放心居住有着直接的影响

2、。在预应力桥梁广泛应用的同时，我们也会很容易发现发现,由于车辆荷载的往复作用,再加上自然环境灾害的影响以为各种人为因素,使得桥梁预应力不断降低,轻者缩短桥梁使用寿命,重者影响人们生命安全。预应力损失是对预应力桥梁安全的一个重要隐患,因此了解己有结构中预应力大小是评价桥梁工作性能的关键。目前许多专家学者都一致任务，除非在结构中预先埋入监测装置，否则对于在役的预应力混凝土桥梁实际有效预应力的大小是无法得知的。而在桥梁设计和施工时，有效预应力的值仅仅是根据《公路桥规》中的相关规定来估算各项预应力损失，再经计算得到实际预应力的大小[1]，同时在预应力桥梁施工过程中，预应力的控制也仅仅

3、停留在施工张拉技术的基础上。但是在实际建设和运营中，许多因素是无法确定的，如施工误差、施工错误、混凝土收缩徐变、预应力损失等，特别是在桥梁建成后服役过程中，处于荷载、温度、湿度等各种环境因素的不断作用下，难免会对预应力桥梁的预应力产生损伤、混凝土开裂，以及在施工和设计过程中的误差等。上述原因都会使结构中实际预应力与设计值有一定的差距[2]。因此，如何对预应力桥梁中有效预应力的准确评估是一个值得深入研究的问题。国内外许多研究工在预应力桥梁动力特性的理论研究和试验分析等方面做了大量工作，提出了各种分析理论，也获得了大量研究数据。但是对于预应力如何影响桥梁，各方面的观点还存在较大的

4、分歧，并未形成统一的理论。但有效预应力的存在必将与结构的某些力学参数有一定的关系[3]，如结构动刚度（频率、阻尼）。.........1.2预应力损失检测方法概述目前已有的检测预应力损失的方法有以下几种：（1）钢筋应力释放微孔法[4]（SSRHT法）：2000年Vimalanandam.V等人通过对先张法预应力混凝土梁进行试验，利用SSRHT法讨论了局部破损试验来估算得到预应力梁的剩余预应力，并与实测的实际预应力损失值对比分析，发现此方法得到的结果精度较高，但是，SSRHT试验操作比较麻烦，需要对局部破损部分进行取样。（2）声发射技术[5]：1997年Ahlborn等人对两座

5、全预应力混凝土桥进行了预应力损失检测，通过利用声发射技术来检测预应力随时间及荷载作用下的损失。1998年Foiddot;........303.4模态参数测试...........323.4.1试验所用设备........323.4.2模态测试过程........333.4.3模态分析方法........363.5试验结果与分析..........373.6本章小结.......39第4章基于IPSO-BP神经网络的有效预应力预测.........414.1引言...........414.2BP神经网络.....414.2.1BP神经网络模型与算法.......414.2.

6、2BP神经网络的训练...........424.3.3BP神经网络的缺点...........434.3粒子群优化算法和改进...........444.4基于IPSO-BP神经网络的预测模型.........464.5预应力梁有效预应力预测.........474.6本章小结.......50第5章结论与展望..........515.1结论...........515.2展望...........52第4章基于IPSO-BP神经网络的有效预应力预测4.1引言近年来神经网络在结构损伤识别中已被广泛使用，BP神经网络也是应用最为广泛的一种神经网络，其通过误差的反向传播来不断

7、缩小误差，但同时BP网络也存在着一些不足，如学习收敛速度慢、容易陷入局部最优解等。为了更好的解决这些问题，可以采用PSO算法优化BP网络中的阈值和初始权值来避免和改进这些不足。BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只能影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。BP神经网络的拓扑结构如图4