[发明专利]一种风车荷载作用下的大跨度桥梁构件可靠度计算方法

说明书

本发明公开了一种风车荷载作用下大跨度桥梁构件可靠度计算方法，首先确定目标桥梁结构极限状态函数的参数种类，收集参数数据，对收集好的数据进行随机分组，并对各部分数据进行归一化处理；随后基于思维进化算法和神经网络建立优化的极限状态函数拟合程序，采用程序中思维进化算法计算获得最优个体作为下一步计算的初始权值和阈值，将测试集的输入数据代入训练好的神经网络中进行仿真预测，将预测得到的荷载效应数据和期望数据进行对比，计算误差，评估所得神经网络的拟合效果；最后将训练好的网络与粒子群算法优化的蒙特卡罗方法相结合，建立优化的可靠度计算方法，完成风车荷载作用下大跨度桥梁构件可靠度的计算。

技术领域

本发明属于建筑和交通桥梁技术领域，具体地说，涉及一种风车荷载作用下的大跨度桥梁构件可靠度计算方法。

背景技术

大跨度桥梁由于结构形式独特，地理位置关键，且承载着较大的交通量，一旦损坏或垮塌，会造成严重的交通阻塞或大量的人员伤亡及财产损失，因此评估大跨度桥梁的安全变得尤为重要。基于可靠度的大跨度桥梁安全评估通常是评估大跨度桥梁安全的一种切实可行的方法，然而由于大跨度桥梁本身结构的复杂性和桥梁所受到的外加荷载的多样性，导致桥梁结构可靠度计算中的极限状态函数往往具有较高的非线性，难以用确切的表达式表示出来。因此寻找一种较好的方法拟合极限状态函数已十分必要。

目前的桥梁结构可靠度计算分析中，针对隐式极限状态函数的情况，已有确切的方法如：响应面法和神经网络法。

其中，响应面法用包含未知参数的已知函数代替隐式或复杂的极限状态函数，用插值回归的方法确定未知参数，一般都能满足实际工程的精度要求，具有较高的计算效率，但是对于一些需要更高精度的情况，该方法明显不能满足要求。

神经网络具有信息的分布表示、运算的全局并行和局部操作、处理的非线性等特点，具有良好的学习功能和推理能力，适合解决复杂的非线性映射问题，一般情况下，在设法获得有限的基本变量与结构响应数据后，即可利用神经网络来逼近结构的极限状态函数，用神经网络来模拟真实的结构。虽然传统神经网络具有较高的拟合能力，但是网络预测结果有一定误差，某些样本点的误差明显较大。

发明内容

针对上述现有技术存在的缺陷或不足，本发明的目的在于，提供一种风车荷载作用下大跨度桥梁构件可靠度计算方法。

为了实现上述任务，本发明采取如下的技术解决方案：

一种风车荷载作用下的大跨度桥梁构件可靠度计算方法，其特征在于，具体步骤如下：

步骤一，确定目标桥梁结构极限状态函数的参数种类，收集足够多的具有代表性的参数数据，对收集好的数据进行随机分组，分为训练集和测试集两部分，并对各部分数据进行归一化处理；

步骤二，基于思维进化算法和神经网络建立优化的极限状态函数拟合程序，首先设置该程序的输入参数，产生初始种群、优胜子种群和临时子种群，进行迭代趋同和异化操作，当程序中思维进化算法满足迭代停止条件后，获得最优个体输出，将其作为下一步计算的初始权值和阈值；

步骤三，将测试集的输入数据代入训练好的神经网络中进行仿真预测，将预测得到的荷载效应数据和期望数据，即初始收集的测试集输出数据进行对比，计算误差，评估所得神经网络的拟合效果；

步骤四，将验证完的神经网络与粒子群算法优化的蒙特卡罗方法相结合，建立优化的可靠度计算方法，其中，验证完的神经网络作为桥梁构件的极限状态函数，优化的蒙特卡罗方法在其基础上对各输入参数进行随机抽样，并计算每次抽样样本对应的函数值，然后与标准值进行对比，得到每次抽样桥梁构件对应的状态，最终计算得到桥梁构件的失效概率。

本发明的风车荷载作用下的大跨度桥梁构件可靠度计算方法，带来的有益效果在于：