蔡 儆,張宇航,王林柯,楊雅勛,高宏偉
(1.陜西科技大學(xué),陜西 西安 710021;2.長安大學(xué) 公路學(xué)院,陜西 西安 710064;3.西安市軌道交通集團(tuán)有限公司,陜西 西安 710016)
隨著中國公路建設(shè)的發(fā)展,系桿拱橋以其較大的整體剛度、較好的力學(xué)性能、便捷的施工方法、較低的造價等特點被國內(nèi)外廣泛應(yīng)用。系桿拱橋是一種基于拱肋、吊桿、系桿的三元結(jié)構(gòu),其外部靜定內(nèi)部超靜定,系桿拱橋的設(shè)計過程是以合理成橋狀態(tài)為目標(biāo),即在恒載作用下系桿、拱肋受力合理、主橋線形平順。在拱橋結(jié)構(gòu)已經(jīng)確定的情況下,通過改變吊桿的索力可以顯著影響結(jié)構(gòu)受力。因此為了使結(jié)構(gòu)達(dá)到目標(biāo)狀態(tài)就需要吊桿具有合適的成橋索力,系桿拱橋的優(yōu)化問題便轉(zhuǎn)化成吊桿索力的優(yōu)化問題。
戴杰[1]等人對當(dāng)下斜拉橋索力求解方法進(jìn)行了綜述,主要方法有:指定結(jié)構(gòu)狀態(tài)的優(yōu)化方法、數(shù)學(xué)優(yōu)化法、分布優(yōu)化法等。而目前系桿拱橋吊桿的索力求解方法主要是沿用了一些斜拉橋的索力求解方法,Leonhardt率先提出了剛性支撐連續(xù)梁法并最早應(yīng)用于美國P-K橋的分析中;肖汝城[2-3]結(jié)合影響矩陣推導(dǎo)了彎矩最小能量法的公式;梁鵬[4]提出通過調(diào)整結(jié)構(gòu)剛度來近似的求解最小彎曲能量法。傳統(tǒng)的調(diào)索方法因受限于各自的局限性而不具有普遍適用性,如剛性支撐連續(xù)梁法不能考慮多條件的約束問題,因而用其計算的索力值往往不合理;彎曲最小能量法在結(jié)合影響矩陣情況下,想要精確求解計算會十分繁瑣,而采用近似求解方法也需要不斷調(diào)節(jié)結(jié)構(gòu)的剛度才能使其達(dá)到預(yù)期結(jié)果。
為了避免傳統(tǒng)調(diào)索方法的缺點,且能夠快速有效的求解出索力,出現(xiàn)了將計算機(jī)智能優(yōu)化算法與數(shù)學(xué)方法相結(jié)合的調(diào)索方法,Ha[5]等人提出微遺傳算法并對斜拉橋成橋索力進(jìn)行了優(yōu)化,陳志軍[6]、吳霄[7]等人分別采用傳統(tǒng)的粒子群和遺傳算法對斜拉橋索力進(jìn)行了優(yōu)化,但傳統(tǒng)的智能優(yōu)化算法因其自身的局限性導(dǎo)致結(jié)果往往不夠理想。為了使結(jié)果更加準(zhǔn)確,本研究以實際工程項目為依托,通過對粒子群優(yōu)化算法加以改進(jìn)并與影響矩陣相結(jié)合,在同時兼顧計算效率和多目標(biāo)約束的條件下求解吊桿索力,并與其他多種方法進(jìn)行分析比較,從而驗證該方法的可行性。
粒子群算法最早是由Kennedy和Eberhart[8]提出的一種基于群鳥覓食的仿生智能算法。其原理是群鳥在覓食的過程中,每只鳥的初始位置和飛行方向都處于隨機(jī)的狀態(tài),而且不知道最佳的覓食點在何處。鳥群間通過相互學(xué)習(xí)、信息共享,并在每次覓食過程中結(jié)合自身經(jīng)驗和種群之間的信息傳遞不斷調(diào)整速度和位置,最終步步逼近食物,示意圖如圖1所示。
圖1 粒子尋優(yōu)示意圖Fig.1 Schematic diagram of particle optimization
如果將該方法運用到實際應(yīng)用中,則是把鳥群抽象為m個沒有質(zhì)量和體積的粒子,再將其延伸至N維空間,粒子在N維空間中的位置表示為Xi=(xi1,xi2,…,xij),速度表示為Vi=(vi1,vi2,…,vij),且其位置和速度需限制在[Xmin,Xmax]和[Vmin,Vmax]范圍內(nèi)。每個粒子都有一個由目標(biāo)函數(shù)決定的適應(yīng)度值fitness,并且知道自己迄今為止發(fā)現(xiàn)的最好位置pb=(pi1,pi2,…,pij)和群體發(fā)現(xiàn)的最好位置gb=(g1,g2,…,gj)。粒子通過追蹤pb和gb來更新自己的速度和位置,且速度和位置更新公式為:
(1)
(2)
式中,i為粒子的個數(shù),i=1,2,…,m;j為例子的維度,j=1,2,…,N;k為迭代步數(shù);w是慣性因子;c1,c2為學(xué)習(xí)因子;r1,r2為[0,1]范圍內(nèi)的均勻隨機(jī)數(shù);vmax為用戶自定義常數(shù),一般取vmax=aXmax,vmin=aXmin,通常a為0.1~0.2。
目標(biāo)函數(shù)下每一個粒子都有一個適應(yīng)度值,它作為每次迭代的臨時儲存變量,并不具有記憶性,優(yōu)化算法可通過粒子每次迭代的適應(yīng)度值來評價結(jié)果的好壞,進(jìn)而不斷地尋優(yōu)最終靠近目標(biāo)。實踐證明[9-10],通過限制拱橋結(jié)構(gòu)的彎曲能量所求解的吊桿索力能使橋梁結(jié)構(gòu)處于一個較好的受力狀態(tài),然而拱橋在受彎的同時也受壓,因此本研究以系桿拱橋的系梁彎曲應(yīng)變能和拱肋壓縮應(yīng)變能之和為目標(biāo),并將結(jié)構(gòu)離散化,離散后的應(yīng)變能公式為:
(3)
式中,U為結(jié)構(gòu)的應(yīng)變能之和;m為離散單元的數(shù)量;Li,Ai,Ei,Ii,Mi,Ni分別為單元的長度、面積、材料的彈性模量、截面慣性矩、彎矩和軸力。
為了能夠建立起設(shè)計變量(拱橋的吊桿索力)與優(yōu)化目標(biāo)間的函數(shù)關(guān)系,可采用影響矩陣原理作為連接二者的橋梁,進(jìn)而達(dá)到索力優(yōu)化的目的。影響矩陣公式具體表示為:
AY=D,
(4)
式中,Y為施調(diào)向量,在本研究中是指吊桿索力組成的列向量;D為受調(diào)向量,是指結(jié)構(gòu)中關(guān)心截面上若干獨立元素所組成的列向量。這些元素一般是指關(guān)心截面的內(nèi)力、位移,通過將這些元素調(diào)整到期望狀態(tài)來求解施調(diào)向量Y。A為影響矩陣,是指當(dāng)施調(diào)向量的某一向量發(fā)生單位變化時,引起受調(diào)向量D的變化量。
從式(3)可以看出,當(dāng)結(jié)構(gòu)確定時,其單元及材料的具體特性已經(jīng)確定,因而只能通過改變截面彎矩和軸力來調(diào)整應(yīng)變能的大小。因此不妨令受調(diào)向量為截面的彎矩和軸力,且調(diào)索前彎矩向量為M0、軸力向量為N0,施調(diào)向量X=[S1,S2,…Sn]T,其中S為吊桿索力,則調(diào)索后的彎矩M和軸力N為:
(5)
將式(5)代入式(3)可得結(jié)構(gòu)的目標(biāo)函數(shù)為:
U=M0TBM0+M0TBC1X+
XTC1TBM0+XTC1TBC1X+
N0TQN0+N0TQC2X+XT
C2TQN0+XTC2TQC2X,
(6)
式中,矩陣B和Q均為系數(shù)矩陣,是對角陣,分別表示單元柔度對單元彎矩和軸力的加權(quán)矩陣,bii=li/2EiIi、qii=li/2EiAi,C1、C2分別表示單位索力引起彎矩和軸力變化的影響矩陣。
對于系桿拱橋,其系梁主要承受彎矩,拱肋受軸力作用,因此就必需對其彎矩、軸力加以約束以使其落在允許的范圍內(nèi)。彎矩的約束條件可表示為Mmin≤M≤Mmax,軸力的約束條件可表示為Nmin≤N≤Nmax。根據(jù)影響矩陣?yán)碚?,在對彎矩、軸力進(jìn)行限制的同時也相當(dāng)于對索力進(jìn)行了約束,從而使調(diào)索后的最優(yōu)解具有了合理性。即當(dāng)Mmin≤M≤Mmax、Nmin≤N≤Nmax時,可得索力約束條件為:
式中,Si為第i根吊桿的索力;Mjmax,Mjmin分別為系梁上第j個單元所允許的最大、最小彎矩;M0j為系梁第j個單元初始彎矩;Njmax,Njmin分別為拱肋上第j個單元所允許的最大、最小軸力;N0j為拱肋第j個單元初始軸力。同時為了滿足索力均勻原則,需將相鄰索力的差值限定在可控范圍內(nèi),另對索力做以下約束:
(9)
式中Δ為索力均勻度的評價閾值。
由于傳統(tǒng)粒子群算法的程序?qū)崿F(xiàn)過程十分簡潔,且需要調(diào)整的參數(shù)較少,因此在隨機(jī)優(yōu)化算法中具有強(qiáng)勁的優(yōu)勢,并被廣泛應(yīng)用于工程領(lǐng)域。但同時它也存在收斂速度慢、局部搜索能力差等缺點。為了提高算法的適應(yīng)范圍,使其結(jié)果更加準(zhǔn)確可靠,為此我們需要對傳統(tǒng)的算法進(jìn)行改進(jìn)[11-13]。研究結(jié)果表明[14-18],當(dāng)w較大時,算法的全局搜素能力較強(qiáng),w較小時算法的局部搜索能力較強(qiáng),因此算法的優(yōu)化問題便可轉(zhuǎn)化成一個w值的選取問題,即當(dāng)粒子目標(biāo)值趨于局部最優(yōu)時,需要增大慣性因子;當(dāng)粒子目標(biāo)值比較分散時,則需減小慣性因子。
為了合理選取w,本研究將權(quán)重進(jìn)行自適應(yīng)調(diào)整,通過判斷粒子當(dāng)前的目標(biāo)函數(shù)值U的好壞來自動調(diào)整w,即當(dāng)U>Uavg,此時粒子的目標(biāo)函數(shù)值要比平均目標(biāo)值差,為了使其向較好的搜索區(qū)靠攏,對應(yīng)的慣性因子要較大;當(dāng)U′avg
(10)
式中,wmax,wmin分別為w的最大和最小值;Umin,Uavg分別表示當(dāng)前所有粒子的最小適應(yīng)值和平均適應(yīng)值。由于本研究是以彎曲能量的最小值為目標(biāo),因此U′avg是將所有小于Uavg的適應(yīng)值取平均所得。
本研究將索力調(diào)整和計算機(jī)智能優(yōu)化算法結(jié)合,并考慮了慣性權(quán)重的實時變化,使索力調(diào)整過程自動化,從而實現(xiàn)索力的高效尋優(yōu)。其具體步驟如下:
(1)利用有限元軟件建立拱橋模型,并提取相關(guān)結(jié)構(gòu)數(shù)據(jù)及影響矩陣作為基礎(chǔ)數(shù)據(jù)庫。
(2)建立目標(biāo)函數(shù),利用Matlab軟件編程粒子群算法并搜索在約束范圍內(nèi)的最優(yōu)解,如果滿足停止條件,則輸出當(dāng)前解,否則更新權(quán)重繼續(xù)搜索。
(3)將搜索值回代有限元模型,校核結(jié)果的有效性。
本研究優(yōu)化后的調(diào)索路線具體計算流程如圖2所示。
圖2 計算流程圖Fig.2 Flowchart of calculation
本研究以某剛性系桿剛性拱橋位工程實例,主橋總長160 m,計算跨徑156.28 m,橋梁總寬13.9 m,拱軸線為二次拋物線,矢跨比為1/5。拱肋采用啞鈴型鋼管混凝土,采用Q345q鋼材,內(nèi)充C50微膨脹混凝土。系梁采用箱形斷面,系梁和橫梁為預(yù)應(yīng)力混凝土結(jié)構(gòu),橋面2%橫坡通過橫梁高度的變化進(jìn)行調(diào)整,吊桿間距為7.8 m,每片拱肋設(shè)吊桿19根,吊桿編號由小里程到大里程依次為1#~19#,如圖3所示。
圖3 吊桿編號示意圖Fig.3 Schematic diagram of suspender numbering
本研究系桿拱橋采用有限元軟件Abaqus建模,如圖4所示。除吊桿采用桁架單元外,其余均采用梁單元。恒載作用下主梁的初始彎矩值M0和拱肋軸力值N0通過軟件的數(shù)據(jù)提取功能來提取。通過分別改變每根吊桿的初拉力,使其發(fā)生單位1的變化,得到關(guān)鍵節(jié)點的彎矩和軸力變化值從而組成影響矩陣。模型的主要材料特性見表1。
圖4 系桿拱有限元模型Fig.4 Finite element model of tied arch
表1 材料特性Tab.1 Material properties
利用Matlab工具編寫改進(jìn)前和改進(jìn)后的粒子群算法程序并進(jìn)行迭代求解,改進(jìn)前后除慣性權(quán)重外,其他系數(shù)取值相同。目前w較典型的取值范圍是0.4~0.9,算法在此范圍內(nèi)取值能獲得較好的局部和全局收斂性能。由1.4可知,為使算法能在初期計算時找到較好的解,需要取較大的慣性權(quán)重值,因此本研究對改進(jìn)前的慣性權(quán)重w恒取0.9,改進(jìn)后慣性權(quán)重系數(shù)按式(9)計算,學(xué)習(xí)因子取c1、c2取Bergh F[19]的推薦值并精確至小數(shù)點后兩位,種群規(guī)模m取50,索力范圍取[500,1 500],速度范圍取索力范圍的15%,具體數(shù)據(jù)見表2。由圖5、圖6可以看出,在迭代次數(shù)都為300次的條件下,改進(jìn)后的算法收斂速度得到明顯提高,在收斂精度方面也有一定的改善。
表2 改進(jìn)后粒子群算法參數(shù)Tab.2 Improved PSO parameters
圖5 算法改進(jìn)前后效果對比Fig.5 Comparison of effects before and after algorithm improvement
圖6 算法改進(jìn)前后索力對比Fig.6 Comparison of cable forces before and after algorithm improvement
圖7 索力對比Fig.7 Comparison of cable forces
如何控制拱橋的內(nèi)力和線形使其在安全的范圍內(nèi)是施工監(jiān)控過程中的重要環(huán)節(jié)。為了能夠清楚地展示粒子群優(yōu)化算法在實際工程中的效果,本節(jié)除使用研究中提出的改進(jìn)粒子群算法外,另使用近似的彎曲能量法、剛性支撐連續(xù)梁法及未知荷載系數(shù)法對索力進(jìn)行求解,4種方法求得的索力見圖7。從圖7中可以看出,利用改進(jìn)后的粒子群優(yōu)化算法求得的索力值較其他3種方法更加均勻適中。
將4種方法求得的索力再分別代入有限元模型中,得到各索力下系梁彎矩和豎向位移,如圖8、圖9所示。從圖8可以看出,用不同方法約束的系梁彎矩在數(shù)值和均勻度上都有較大的差異,其中未知荷載系數(shù)法約束的彎矩上下峰值差距較大,剛性支撐連續(xù)梁法約束的彎矩出現(xiàn)驟增現(xiàn)象,這與該方法在吊桿數(shù)量有限情況下,可能會導(dǎo)致結(jié)構(gòu)其余部位出現(xiàn)狀態(tài)異常有關(guān),而本研究的改進(jìn)粒子群優(yōu)化法和近似最小能量法優(yōu)化后的系梁彎矩都比較均勻,但本研究方法得到的結(jié)果比近似最小彎曲能量法得到的結(jié)果在數(shù)值上更小。從圖9可以看出,剛性支撐連續(xù)梁法和近似最小彎曲能量法優(yōu)化后的豎向位移較大,本研究的改進(jìn)粒子群優(yōu)化法和未知荷載系數(shù)法優(yōu)化后的豎向位移相近,但本研究的改進(jìn)粒子群優(yōu)化法較未知荷載系數(shù)法優(yōu)化后的豎向位移更加均勻。4種方法對結(jié)構(gòu)具體影響見表3。
圖8 系梁彎矩圖Fig.8 Bending moments of tie beam
圖9 豎向位移Fig.9 Vertical displacements
表3 四種優(yōu)化方法對結(jié)構(gòu)的影響Tab.3 Influence of 4 optimization methods on structure
本研究在粒子群優(yōu)化算法的基礎(chǔ)上對其慣性權(quán)重進(jìn)行改進(jìn),同時考慮了系桿拱橋在索力優(yōu)化過程中的主要約束條件,提出了一種新的系桿拱橋索力優(yōu)化的方法,并以某系桿拱橋為工程背景進(jìn)行應(yīng)用,主要結(jié)論如下:
(1)基于粒子群算法的調(diào)索方法可以借助有限元軟件和數(shù)值分析軟件實現(xiàn)索力的自動化、智能化求解。在改進(jìn)后算法的尋優(yōu)能力得到提高,從而避免了繁瑣的試算過程,進(jìn)而可以高效、準(zhǔn)確地求解出索力,極大提高了調(diào)索效率。
(2)粒子群算法改進(jìn)后較改進(jìn)前在收斂速度和精度上有一定的改善。
(3)4種索力優(yōu)化方法的結(jié)果表明,改進(jìn)后的粒子群算法較其他3種方法能更加全面地考慮影響因素的作用,進(jìn)而規(guī)避不利因素對優(yōu)化結(jié)果的影響,以達(dá)到更好的優(yōu)化效果。
(4)本研究提出的方法可進(jìn)一步推廣于各施工階段過程中吊桿初拉力的確定問題。