王 微
（北京市政路桥管理养护集团有限公司，北京 100097）
当前国内随着经济的发展，国家对国内基础建设设施的投资十分巨大，公路、铁路等大型工程的建设均需要建设桥梁，桥梁工程的施工质量在一定程度上直接影响了整个工程的使用寿命和耐久性[1-2]。已有研究发现，温度对混凝土桥梁的影响十分明显，20 世纪70 年代欧洲国家因未重视温度影响，发生了多起桥梁施工垮塌事件，造成了无法挽回的损失[3-4]。随着科技的进步，越来越多的桥梁工程在建设中注重桥梁温度的问题，并分析得出了桥梁温度的分布规律。
由于桥梁温度的变化将会在桥梁内部产生温度应力，直接影响桥梁质量，因此要掌握桥梁温度的变化规律，构建桥梁温度的估算预测模型可在一定程度上预判桥梁问题发生部位，便于相关人员提前采取相应措施。田谷等[5]基于BP 神经网络模型构建了大跨桥梁温度的预测模型，并取得了较高的精度。但传统的BP 神经网络模型具有迭代速度慢、易产生局部极值的缺点，导致模型无法适用于不同领域。以实测桥梁温度数据为基础，采用改进麻雀算法优化的BP 神经网络模型对桥梁温度进行预算估算，以期得出桥梁工程温度预测的推荐模型指导生产。
为构建桥梁温度的估算模型，需对桥梁温度进行监测，以实际拱桥工程为例，在拱桥的拱圈和管脚处设置温度传感器，传感器每10 d 记录一次数据，共收集了桥梁2006 年-2016 年的桥梁温度数据。
1.1 模型基本原理
1.1.1 传统麻雀搜索算法
麻雀搜索算法（SSA）是基于麻雀捕食行为原理提出的[6]。在算法中，将麻雀种群分为发现者和加入者，将适应度精度较高的种群个体定义为发现者，将其余种群个体定义为加入者。取种群的前20%作为发现者，引导其他种群的搜索方向。
1.1.2 改进麻雀搜索算法
在传统的SSA 算法中，由于种群的单一性常导致算法出现局部极值，影响最终的结果精度，为增加种群的多样性，传统算法中在加入者的位置更新中引入了正交变异因子，实现了对加入者最优位置的扰动，增加了算法种群的多样性和寻优能力。
1.1.3 BP 神经网络模型
BP 神经网络模型是一种具有误差反向传播功能的多层前馈神经网络模型，该模型由输入层、隐含层和输出层3 大部分组成，模型隐含层节点个数在一定程度上影响了最终模型精度。基于改进搜索算法优化BP 神经网络模型（ISSABP）对桥梁温度进行估算预测，以期得出高精度预测数据指导生产。
1.2 模型精度比较
为验证ISSABP 模型的精度，将模型计算结果与SSABP 模型、思维进化算法优化的BP 模型（MEABP）、粒子群算法优化的BP 模型（PSOBP）、遗传算法优化的BP 模型（GABP）进行比较，同时与极限学习机（ELM）、随机森林（RF）、广义回归神经网络（GRNN）和小波神经网络（WNN）模型进行对比，找出最优模型。
将气温、计算厚度、混凝土发热量作为模型输入数据，采用2006 年-2010 年的数据训练模型，2011 年-2016 年的数据预测数据，模型精度可用下式指标计算
式中，RMSE 表示均方根误差，℃；
R2表示均方根误差；
MAE 表示平均绝对误差，℃；
Ens表示模型效率系数；
Xi和Yi分别为模型模拟值及实测值；
X 和Y 分别为Xi和Yi的平均值。在模型评价中，RMSE 和MAE的取值越低，R2和Ens的取值越高，模型精度越高。
2.1 桥梁温度变化趋势分析
图1 和图2 分别为在冬季和夏季桥梁拱脚和拱圈的温度场分布。在图中可以看出，在冬季，温度普遍较低，桥梁内部温度普遍高于外部，在夏季，桥梁拱圈温度呈现出了明显的带状分布；
在拱脚温度场中，拱脚内部温度在冬季普遍较高，取值达到了21℃，在夏季表现为与两岸连接位置的温度较高，这可能是由于两岸土壤温度较高的原因。
2.2 不同模型模拟精度对比
为验证不同模型的计算精度，分别计算了不同模型在拱脚温度和拱圈温度模拟中的4 项精度指标，不同精度指标的箱线图结果可见图3 和图4。5 种优化模型的精度普遍优于传统模型，其中ISSABP 模型精度最高，其误差指标RMSE 和MAE 的取值最低，取值范围分别是2.18～2.57 ℃和1.50～2.00 ℃，一致性指标R2和Ens的取值最高，取值范围分别是0.94～0.97和0.88～0.91。传统模型中，ELM模型精度最高，WNN模型精度最低，该模型误差指标最高达到了7.92 ℃，一致性指标最高仅为0.69。图4 中可以看出，在拱脚温度模拟中，同样表现为ISSABP 模型精度最高，该模型误差指标RMSE 和MAE 的中位数分别为2.20 和0.92℃，一致性指标R2和Ens的中位数分别为0.93 和0.91；
其余优化模型中，SSABP 模型和MEABP 模型精度较高，GABP 模型精度较低。
2.3 模型可移植性分析
为进一步证明ISSABP 模型的科学性，对模型可移植性进行了分析。采用拱脚处的基础数据训练模型用来预测拱圈温度，采用拱圈处的基础数据用于预测拱脚温度，结果可见表1。在表中可以看出，ISSABP 模型不管采用何种基础数据训练模型，均可保证模型精度最高，其精度明显高于GABP 模型和ELM 模型，这表明在桥梁温度估算中，只要具有某个位置的基础数据，采用ISSABP 模型可实现全桥梁温度的准确估算。
表1 不同模型可移植性分析
本文基于正交优化算法对传统麻雀算法进行了改进，用改进算法对BP 神经网络模型进行了优化，构建了桥梁温度的高精度估算模型，得出了以下结论：
（1） 桥梁温度在时间上存在明显变化趋势，可采用机器学习模型实现桥梁温度的准确估算。
（2） ISSABP 模型在桥梁拱脚和拱圈温度预测中均表现出了较高的精度，同时具有较强的可移植性，可作为桥梁温度估算的推荐模型使用。
猜你喜欢 拱圈种群麻雀 山西省发现刺五加种群分布今日农业(2022年15期)2022-09-20高原地区大跨径系杆拱桥施工技术中国水运(2021年1期)2021-03-08拱桥重点部位监理控制装饰装修天地(2019年1期)2019-10-21基于联合截面的圬工拱桥最小加固层分析筑路机械与施工机械化(2018年6期)2018-08-28“最大持续产量”原理分析生物学教学(2018年3期)2018-08-08由种群增长率反向分析种群数量的变化中学生物学(2018年8期)2018-03-01穹顶之下的建构智富时代(2017年8期)2017-10-18穹顶之下的建构智富时代(2017年8期)2017-10-18燕子和麻雀文理导航·科普童话(2016年7期)2017-02-04紧盯着窗外的麻雀山东青年(2016年1期)2016-02-28