钢管混凝土拱桥安全性评价的SVM机器模型.pdf

2 0 1 1年 第 1 1期 (总 第 2 6 5 期 ) N u m B e r 1 1 in 2 0 1 1 ( T o t a l N o 2 6 5 ) 混 凝 土 Co nc r e t e 理论研究 THEORETI CAL RES EARCH d o i ： 1 0 3 9 6 9 i s s n 1 0 0 2 - 3 5 5 0 2 0 1 1 1 1 0 0 3 钢管混凝土拱桥安全性评价的 S VM 机器模型 张荣建 ，张志强 。祖述勋 ( 1 秦皇岛职业技术学院，河北 秦皇岛 0 6 6 0 0 0 ；2 秦皇岛市北戴河区建设工程质量监督站，河北 秦皇岛 0 6 6 0 0 0 ) 摘要： 从影响钢管混凝土拱桥安全性的承载能力、 承重构件损伤以及外观损伤等 3 个主要方面进行考虑， 建立高度非线性的输入 与输出的映射关系。 引入 S V M 方法， 建立了钢管混凝土拱桥安全性评价的 S V M 机器模型。 通过仿真得到桥梁承载能力、 承重构件损 伤、 外观损伤以及成桥状态下最终的安全性信息。 将建立的模型应用到实际桥分析中， 较好地评价了钢管混凝土拱桥结构的安全性状 况 。 关键词： 桥梁工程；钢管混凝土拱桥；安全性评价；支持向量机 中图分类号 ： T U5 2 8 0 1 文献标志码 ： A 文章编号 ： 1 0 0 2 3 5 5 0 ( 2 0 1 1 ) 1 1 - 0 0 0 8 0 3 Sa f e t y ev a l u a t i on o f c onc r et e f i l l ed s t e e l t ub e a r c h br i dge b as e d on s up po ve c t or ma chi ne Z H ANGRo n g -j i a n ， Z H A NGZ h i q i a n g 2 , ZUS h u - x u n ( 1 Q i n h u a n g d a oVo c a t i o n a l a n dT e c h n i c a l C o l l e g e ， Qi n h u a n g d a o 0 6 6 0 0 0 ， C h i n a ； 2 Q i n h u a n g d a o B e i d mh e Di s t r i c t C o n s t r u c t i o n E n g i n e e ri n g Q u ali t y S u p e r v i s i o n S t a t i o n ， Q i n h u a n g d a o 0 6 6 0 0 0 ， C h i n a ) Ab s t r ac t ： To g a i n t h e r e s u l t o fthe s a f e t y a s s e s s me n t o f CFS T a r c h b rid g e ， b a s e d o n the t r a d i t i o n a l s a f e t y e v a l u a t i o n me t ho d s ， a s u p p o r t v e c t o r ma c h i n e mo de l o f s a f e t y e v a l u a t i o n me t h o d wa s p res e me d W i th c o n s i de r a t i o n o f s e v e r a l k e y f a c t o r s wh i c h a ffe c t the wh o l e s a f e t y s t a t e s u c h a s l o a d b e a ri n g c a p a b i l i ty， d a ma g e o f b e a r i n g c o mp o n e n t a n d d a ma g e d s t a t e o f a p p e a r anc e ， a s u p p o rt v e c r ma c h i n e mo d e l we r e e s t a b l i s h e d a n d tra i n e d b y c h e c king s a mp l e s g a i n e d f r o m the d a t a me a s u r e d o n the s p o t F i n a l l y， the wh o l e s a f e t y e v a l u a t i o n o f l o a d b e a r i n g c a p a b i l i t y， d a ma g e o f b e a rin g c o mpo n e n t ， d a m a g e d s tat e o fa p pe a r an c e an d c o mp l e t e d s t a t e o fa r c h b rid g e we r e g o R e n b y the me th o d o f s i m u l a t i o n T h e r e s u l t o f s a f e t y e v a l u a t i o n o n e p r a c t i c a l B ri d g e s h o ws t h a t the a p p r o a c h i s h i g h l y p o t e n t i a l an d p r a c t i c a l t o e v al u a t e the s a f e ty o f l o n g s p a n c o n c r e t e fi l l e d s t e e l t u b e a r c hb rid g e Ke y wor ds ： b rid g e e ng i n e e ri n g； CFS T a r c h b rid g e ； s a f e t y a s s e s s me n t ； s u p po r t v e c t o r ma c h i n e mo d e l 0 引言 桥梁结构体系的评估结果反映了整体结构的安全性技术 现状， 是公路管理部门决策的重要依据。 钢管混凝土拱桥在大跨 度桥梁的建造方面具有广阔的发展前景 1 】 。 然而 ， 气候 、 环境等 自然因素的影响、 日 益增加的交通量的重载作用 ， 以及由于施 工质量问题和管理不善， 已经运行的桥梁存在不同程度的安全 隐患， 甚至经常有类似的事故发生f2 。 有鉴于此， 为确保桥梁 的安全运营， 必须对大型桥梁进行有效的综合监测和评估。 自 2 O 世纪 8 0年代以来 ， 国内外学者在桥梁的安全性评价方面作 了大量的研究， 提出了众多安全洼评价方法。 如外观调查评定法、 内力验算评定法、 荷载试验法、 专家系统评定方法、 基于可靠度 理论评定法 、 承载力的计算机有限元模拟评定法、 神经网络法 与模糊神经网络法等。 然而， 由于桥梁结构是一个复杂的结构体 系， 存在着诸多不确定性因素 ， 使得上述各评价方法也相应地 存在着许多不足之处3 1 。 支持向量机， 英文为 S u p p o r t Ve c t o r Ma c h i n e ， 简称 s V机 ( 论文中一般简称 S VM) 。 它是一种监督式学习的方法， 它广泛 的应用于统计分类以及回归分析中。 支持向量机属于一般化线 性分类器 。 它们也可 以被认为是提克洛夫规范化( T ik h o n o v 收稿 日期 ：2 0 1 1 _ J0 5 一 l 9 8 R e g u l a r i z a t i o n ) ) 2 的一个特例。 这种分类器的特点是他们能够同 时最小化经验误差与最大化几何边缘区。 因此支持向量机也被称 为最大边缘区分类器。 在统计计算中， 最大期望( E M) 算法是在概 率( p r o b a b i l i s t i c ) 模型中寻找参数最大似然估计的算法， 其中概率 模型依赖于无法观测的隐藏变量( L a t e n t Va r i a b l e ) 。 最大期望经常 用在机器学习和计算机视觉的数据集聚( D a t a C l u s t e r i n g ) 领域。 最 大期望算法经过两个步骤交替进行计算： 第一步是计算期望( E) ， 也就是将隐藏变量像能够观测到的一样包含在内从而计算最 大似然的期望值 ； 另外一步是最大化( M) ， 也就是最大化在 E 步上找到的最大似然的期望值从而计算参数的最大似然估计。 M 步上找到的参数然后用于另外一个 E步计算， 这个过程不断 交替进行。 近年来， 在 自然科学的很多领域得到广泛应用 ， 但 在桥梁领域内的应用至今研究较少。 本文根据判别分析理论的 思想， 试图建立距离判别分析模型对钢管混凝土拱桥安全性进 行评价。 该模型选用多项指标作为综合评判的判别因子， 并在实 际工程中进行运用 ， 取得了良好的效果。 1 s v M 机 器模 型简介 Va p n i k等人在多年研究统计学习理论基础上对线性分类 器提出了另一种设计最佳准则。 其原理也从线性可分说起 ， 然 学兔兔 w w w .x u e t u t u .c o m 后扩展到线性不可分的情况 。 甚至扩展到使用非线性函数中 去 ， 这种分类器被称为支持 向量机( S u p p o Ve c t o r Ma c h i n e ， 简 称 S V M) 。 支持向量机的提出有很深的理论背景。 支持向量机方 法是在近年来提出的一种新方法 ， 但是进展很快 ， 已经被广泛 应用在各个领域之中。 S V M 的主要思想可以概括为两点 ： 它是针对线性可分 情况进行分析， 对于线性不可分的情况 ， 通过使用非线性映射 算法将低维输入空间线性不可分的样本转化为高维特征空间 使其线性可分， 从而使得高维特征空间采用线性算法对样本的 非线性特征进行线性分析成为可能 ； 它基于结构风险最小化 理论之上在特征空间中建构最优分割超平面， 使得学习器得到 全局最优化， 并且在整个样本空间的期望风险以某个概率满足 一 定上界。 在学习这种方法时， 首先要弄清楚这种方法考虑问题的特 点 ， 这就要从线性可分的最简单情况讨论起 ， 在没有弄懂其原 理之前 ， 不要急于学习线性不可分等较复杂的情况 ， 支持向量 机在设计时 ， 需要用到条件极值问题的求解 ， 因此需用拉格朗 日 乘子理论 ， 但对多数人来说， 以前学到的或常用的是约束条 件为等式表示的方式， 但在此要用到以不等式作为必须满足的 条件， 此时只要了解拉格朗日 理论的有关结论就行。 支持向量机将向量映射到一个更高维的空间里 ， 在这个空 间里建立有一个最大间隔超平面。 在分开数据的超平面的两边 建有两个互相平行的超平面。 分隔超平面使两个平行超平面的 距离最大化。 假定平行超平面间的距离或差距越大， 分类器的总 误差越小。 由于支持向量机方法是建立在统计学习理论的 VC维理 论和结构风险最小原理基础上的， 根据有限的样本信息在模型 的复杂性( 即对特定训练样本的学习精度 ， A c c u r a c y ) 和学习能 力( 即无错误地识别任意样本的能力 ) 之间寻求最佳折衷 ， 以期 获得最好的推广能力( Ge n e r a l i z a t i n A b i l i t y ) 。 支持 向量机方法 的几个主要优点是： 可以解决小样本情况下的机器学习问题； 可以提高泛化性能； 可以解决高维问题； 可以解决非线 性问题； 可以避免神经网络结构选择和局部极小点问题。 2 s v M 模型理论及参数确定 2 1 基本理论 S V M 是基于统计学习理论的一种新的机器学习方法 ， 由 于它是建立在结构风险最小化准则上， 因此 ， 具有较好的推广 能力 。 图 1 S VM分类示意图 参考图 1 ， 对于模式识别问题， 就是找到一个可计算的识别 函数 ) ， 尺 ， - 1 ， 1 ) ， 对于给定的 k个样本( ， Y ) ， ( X 2 Y 2 ) ， ， ( 札， Y k ) ， ， y 一 1 ， 1 ， 来找到一个可将样本分 离的超平面( 决策平面) ， 即 Wx + b = O ， WR ， b ER， 对应的识别 函数： ) = s i g n ( ) + 6 】 ( 1 ) 决策平面应满足约束： y i Wx i+ b 1 f ， i = 1 ， 2 ， ， k ( 2 ) 最佳决策面应满足两类样本到决策面的最小距离为最大， 这样， 分类问题变成满足基0和式( 2 ) 的最小化问题， 即： k m in ： ( ) = ( 3 ) Z f = 1 式中第一项使两类样本到决策面的最小距离为最大， 第二 项使误差为最小； 常数 c 对二者折中。 这个带有约束的优化问题， 可以利用拉格朗日优化方法转化为其对偶问题： m in ： ( ) = 一 y ” ( ) + 二i 1 i 1 s t ： 0 C， i = I ， 2 ， ， ( 4 ) = 0 相应的分类函数可化为： r k ) = s ig n l ( ) + 6 l ( 5 ) L i=1 J 对于非线性可分的情况， 可使用一个非线性函数 西， 把数 据映像到一个高维特征空间， 再在高维特征空间建立优化超平 面， 相应的超平面为 咖( ) + 6 = 0 ， 所以分类函数变为： r 、 ) = s ign (b ( ) ( 魁 ) 】+ 6 ( 6 ) i=1 通常， 函数 西难以确定， S VM理论只考虑高维特征空间的 点积运算 K( ， y ) = ( ) 咖( y ) ， 而不直接使用函数 币， ( ， y ) 称 为核函数， 分类函数变为： r k ， ) = s i gn I d iY lK ( ) + 6 l ( 7 ) L i = 1 J 常用的核函数有： 线性核 ， K( ， ， ) = ( ly ) ； 多项式核 ： K( ， y ) = ( y + 1 ) ， d是自然数； R S r核( G a u s s i a n径向基核) ： ( ) = e x p l I ， 0 。 L 二 u j 2 2 模型识别参数的确定 本着全面、 典型、 易取和层次关系明确的原则， 并结合钢管 拱桥结构实际， 选取钢管拱桥的承载力、 主要承重构损伤、 外观 缺损状况为评价指标， 建立了钢管拱桥结构安全性评价模型， 钢 管拱桥的承载力主要包括主拱圈承载力、 主梁承载力 、 吊杆或 立柱承载力、 基础承载力； 主要承重构损伤主要包括主拱圈结 构损伤、 主梁结构损伤、 吊杆或立柱结构损伤、 基础损伤； 外观 缺损状况主要包括上部结构缺损状况、 下部结构缺损状况、 连接 及支座缺损状况。 各等级评价指标的具体含义参见文献 1 0 及相 关标准与规范。 钢管拱桥安全综合评价共分 3 个层次 4 个子模 型， 即承载力评价子模型、 结构损伤评价子模型、 外观缺损状况 评价子模型和综合评价子模型模块。 每个评价字模型都有一个 独立的多输入、 单输出的距离判别模型。 3 实例应用 采用文献B o 的数据进行分析， 该桥为内江上某下承式钢 管混凝土拱桥， 主桥为净跨 2 8 0 m， 主拱肋采用钢管混凝土拱桁 架 ， 上下弦管和缀板内灌注 C 5 0 混凝土， 弦管直径为 1 0 m； 2 条 O 。 学兔兔 w w w .x u e t u t u .c o m 拱肋通过 1 1 道横撑连成整体， 横撑除拱顶横撑为 H形外 ， 其余 均为K形； 吊杆共 5 5 对 ， 采用 P E S 7 6 1 高强镀锌平行钢丝束 ， 技术要求同斜拉桥斜拉索_】 o l 。 从 静动载试验报告 中， 选取钢管 拱两侧拱脚 、 拱顶以及 1 4跨、 1 8跨， 4处关键截面的最不利的 内力校正系数作为主拱圈评价指标 ； 选取纵梁的跨中最在内力 校正系数为主梁的评价指标； 先取吊杆最大内力校正系数为吊 杆的评价指标 ； 对于承台基础 ， 在基桩推力工况作用下承台与 基桩连接处未发现受力裂纹， 现场专家建议评估定为良。 根据专 家现场打分的形式评定在各工况作用下该桥的安全状况， 训练 样本见表 1 。 表 1 训练样本 集 注： 表中I ， I I ， I I I ， ， V表示优、 良、 中、 差、 劣 5 级。 为比 较 S V M模型的合理性 ， 将模型的输出值与期望值列入 表 1 中， 可见输出值与期望值吻合较好。 1 0 另外， 以文献 1 0 】 提供的未参加训练的实测样本 ， 主拱圈、 吊杆、 主梁的结构校正系数组成的向量为( 0 8 2 1 、 0 7 2 、 1 0 、 0 8 ) ， 对承台基础的评价为良， 与评价标准相对应的数值为 0 8 。 输入 向量( 0 8 2 1 、 0 7 2 、 1 0 、 0 8 ) 到训练好的 S V M 模型中进行仿真， 根据评分标准得知该桥的承载能力处于优良的状态， 整桥承载 性能很好。 对承重构件损伤模块进行训练得到所需的距离判别 模型， 输入需要检测的桥梁的实测值的转换值向量( O 9 、 1 、 1 、 0 9 、 0 9 ) ， 输出结果为I 级。 根据评分标准得知该桥的承重构件处于 优级状态 ， 承重构件满足设计要求， 整桥承重构件毫无损伤。 对 外观缺损状况评价 ： 输入实测桥面板 、 吊杆 、 桥面横梁、 桥道纵 梁的向量到训练好的距离判别评价模型中， 便得到二级评价结 果为 I I 级。 同理， 可以得到主拱圈、 拱座承台和附属设施的评价 结果分别为 I 级 、 I 级、 I I 级。 进而把 2级评价结果输入到 S V M 模型中得到 1 级评价结果， 可知其外观缺损状况处于优级状态。 综合以上 3 个部分的评价结果， 输入( O 8 1 6 、 0 8 5 4 、 0 8 6 7 ) 1 1 练 好的综合评价模块中， 得到钢管混凝土拱桥安全胜最终评价结果 为 I 级， 根据评分标准可知， 该桥安全陛水平达到优良状态。 说明 该桥承载能力较强， 主要承重结构无损伤， 外观状况基本完好。 4结 语 将 S V M 方法引入到钢管混凝土拱桥安全性评价中， 建立 了钢管混凝土拱桥安全性评价的 S V M 机器模型。 从影响钢管 混凝土拱桥安全性的承载能力、 承重构件损伤以及外观损伤等 3个主要方面进行考虑， 建立高度非线性的输入与输出的映射 关系。 通过仿真得到桥梁承载能力、 承重构件损伤 、 外观损伤以 及成桥状态下最终的安全性信息。 将建立的模型应用到一实际 桥分析中， 较好地评价了钢管混凝土拱桥结构的安全性状况。 该模型对钢管混凝土拱桥的承安全性进行评价时 ， 只需用已训 练好的网络模型的参数 ， 输入一组实测样本就可以进行评价了， 其评价方法简便、 快速和实用， 大大提高了工作效率。 参考文献 ： 1涂凌 钢管混凝土拱桥承载力计算 J 重庆交通学院学报 ， 1 9 9 9 ， 1 8 ( 2 ) ： 8 - 1 2 2 】 兰海大跨斜拉桥结构综合监测与评价系统 D 1 上海： 同济大学， 2 0 0 0 3 司奎基于结构可靠J性 的桥梁评估方法研究 D 上海： 同济大学， 2 0 0 5 【 4 】VA P N I K V， L A D I MI R N T h e n a t u r e o f s t a t i s t i c a l l e a r n i n g t h e o r y M S p r i n g e r Ve r l a g， Ne w Yo r k， I n c ， 2 0 0 0 5 O S U N A E， F R E UN D RT r a i n i n g s u p p o r t v e c t o r ma c h i n e s ： a n a p p l i e a t i o n t 6 f a c e d e t e c t i o n C P r o c o f C o m p u t e r Vi s i o n a n d P a t t e r n Re c o g n i - t i o n S a n J u a n， P u e rt o Ri c o， I EEE Co mp u t e r S o c ， 1 9 9 7： 1 3 0 -1 3 6 I 6 l 张燕昆， 杜平， 刘重庆基于主元分析与支持向量机的人脸识别方法l J l _ 上海交通大学学报， 2 0 0 2 ， 3 6 ( 6 ) ： 8 8 4 8 8 6 7 王宏漫， 欧宗瑛采用 P C A I C A特征和 S V M分类的人脸识别I J 1 计算 机辅助设计与图形学学报， 2 0 0 3 ， 1 5 ( 4 ) ： 4 1 6 4 2 0 【 8 张磊， 林福宗 ， 张钹 基于支持向量机的相关反馈图像检索算法 清 华大学学报： 自然科学版， 2 0 0 2 ， 4 2 ( 1 ) ： 8 0 8 3 9 】 李侃 ， 高春晓， 刘玉树 基于 S V M的空间数据库的层次聚类分析 J 1 北京理工大学学报， 2 0 0 2 ， 2 2 ( 4 ) ： 4 8 5 4 8 8 【 l O 】 冯清海基于径向基网络的钢管混凝土拱桥安全性评价【 D 1 武汉： 武 汉理工大学， 2 0 0 5 作者简介： 张荣建( 1 9 8 0 一 ) ， 男， 助教 ， 硕士， 主要从事土木工程研究。 联系地址： 河北秦皇岛职业技术学院( 0 6 6 0 0 0 ) 联系电话 ： 1 3 3 1 5 6 8 0 0 7 2 学兔兔 w w w .x u e t u t u .c o m