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.docVIP

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 　　 　　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,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