资源描述：
《施工项目成本控制论文施工成本控制论文：大跨度连续梁桥施工控制方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、施工项目成本控制论文施工成本控制论文：大跨度连续梁桥施工控制方法摘要:阐述了最小二乘法、Kalman滤波法、BP人工神经网络预测控制法和灰色预测控制法,给出了其基本理论,并探讨了其优缺点。 关键词:梁桥;施工控制;方法 前言 在桥梁的众多施工方法中,由于悬臂施工法具有“不需要大量支架和临时设备,不影响桥下通航、通车,施工不受季节、河流水位的影响”等优点,在大跨度连续梁桥施工中得到了广泛的运用。但是由于连续梁桥等类型桥梁施工有一个复杂的过程,工程中经常会出现各种各样的问题,从而可能导致桥梁的应力和变形过大,危害结构安全。因此,对大跨度连续梁桥进行施工控制是必要
2、且有效的[1]。 施工测量方法和控制理论的不断发展以及工程建设的要求不断提高,桥梁施工控制方法也在不断发展。目前桥梁施工控制具体方法有最小二乘法、Kalman滤波法、BP人工神经网络预测控制法和灰色预测控制法等[2,3],以下对此进行详细阐述。 正文 最小二乘法 设在某一施工阶段测得主梁悬臂端m个节段的挠度为: 设原定理想状态的理论计算挠度为: 则误差向量 记待识别的参数误差为: 由引起的各节段挠度误差: 为参数误差到的线性变换矩阵。 残差 方差 当,即时,达到最小,因此的最小二乘估计为: 引入加权矩阵
3、 有 (1) 在实际应用中,可预先计算,定义,现场实测,从而得到,并计算参数误差估计值,从而对参数进行调整,用调整后的参数对结构进行计算分析(前进分析和倒退分析),可得到各节段挠度及预拱度的新的理想状态[4]。但是,如何保证设计参数的估计值收敛于它的真值还需要研究[4],该方法控制总是滞后于施工,不能预先指导施工,使得最小二乘法的应用受到限制[2]。 Kalman滤波法 以左右两悬臂的预拱度值作为状态变量,对于已施工阶段及待施工阶段,有状态方程: 其中为阶段悬臂端预拱度计算值与阶段预拱度计算值之比,即 预拱度的量测方程为: Kalman
4、滤波递推公式为: 滤波算法:(2) 预测算法:(3) 滤波增益:(4) 滤波误差协方差:(5) 预测误差协方差:(6) 其中为单位矩阵。 对于初始条件,可取0号块左右两端理论计算预拱度和0号块左右两端理论计算预拱度与实测预拱度差值的平方,由原定理想状态给定。 式中:、分别为左、右悬臂阶段预拱度量测误差均方差。 式中:、分别为左、右悬臂阶段计算误差均方差。 当,,,给定时,即可根据式(2)、(3)、(4)、(5)、(6)从开始,随施工阶段递推,可在各施工阶段得到下阶段的预拱度预测值和本阶段的滤波值。实际立模时的预拱度值为: 其中为阶段的
5、端点挠度计算值。 对于系统误差,可通过悬臂端各节段的预拱度(或应力)过滤值与理论计算值的趋势比较确定[4]。但是Kalman滤波法在预测过程中,控制变量与状态变量之间为线性关系模型,而桥梁控制系统为非线性系统,因此,如何减少运用该法带来的误差还需要进一步研究[2,4]。 BP人工神经网络预测控制法 基本的BP人工神经网络分为三层,如图1所示,输入层和输出层有与网络输入变量及输出变量相应的和个神经元,而隐层取[7]个神经元。输入变量将按下式分配到隐层的第个神经元,作为其输入: (7) 式中,是第1层单元到第2层单元之间的权系数。第2层单元的输出是其输入的函数,
6、为: (8) 同理,可定义第3层单元的输入和输出分别为: (9) (10) 其中,为神经元的传递函数,通常选用Sigmoid函数 (11) 由(10)、(11)式可知,网络输出的值域为(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过程,确定最适宜的权系数和,这个最优化过程由BP人工神经网络算法完成,使其对全部样本的输入,按式(7)~(11)得到的输出与期望输出的二次残差达到最小。 图13层BP人工神经网络示意图 BP人工神经网络“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[5]”,因此具有很强的抗干扰能
7、力和自适应性,可用来对复杂结构和非线性系统进行预测控制。该法在工程上应用还不多[5,6],还需要做大量的工作。 灰色预测控制法 一般采用GM(1,1)模型作为施工控制用数学模型。 设原始序列 (12) 一次累加生成,即()。 用线性动态模型对生成数据进行拟合和逼近,其形式为 此微分方程的系数可以用最小二乘法求出 其中:,。 则方程的解为 (13)其还原值为 (14) 由此可得到预测值。 灰色预测控制法使用过程中,“将所有桥梁施工状态影响因素实行灰化处理,将各影响因素集中反映在目标矢量中[2]”,因而不需要详细了解各中
