服役橋梁性能預測模型的應用及發(fā)展綜述 -精品資料 本文檔格式為 WORD,感謝你的閱讀。 最新最全的 學術論文 期刊文獻 年終總結 年終報告 工作總結 個人總結 述職報告 實習報告 單位總結 摘要 橋梁性能的退化是一個必然的過程，但通過預測橋梁的性能以及退化速度，可以預先掌握維護維修的時間，制定適當的維護策略，可見，退化分析對于橋梁的管理決策具有十分重要的意義。通過收集一定量的文獻資料，總結了已有的幾種橋梁性能預測模型，對各種模型的理論及其應用現狀進行了 介紹，并對其各自的優(yōu)勢和缺陷進行了比較分析，最后對我國橋梁管理系統(tǒng)的現狀進行了剖析 ,對其發(fā)展進行了展望。 關鍵詞 橋梁 性能 預測模型 比較 K928.78 A 1 前言 橋梁性能的退化是一個必然的過程。隨著社會經濟的不斷發(fā)展，橋梁作為交通樞紐中重要的一環(huán)，車流量增大，車輛載重也不斷增加，導致橋梁結構所承受的荷載持續(xù)增大；另一方面，社會的發(fā)展也會影響環(huán)境的改變，橋梁結構在各種退化機制的共同作用下，抗力不斷降低。這兩方面因素的耦合作用促使橋梁的退化進程大大加快。對 服役橋梁進行退化分析，了解其退化率，可以掌握維護的時機；預測剩余壽命，或者退化到最差狀態(tài)的時間；幫助制定不同年齡的橋梁合適的維護策略；輔助決定維護的優(yōu)先級；制定維護預算。 1可見，退化分析對橋梁的管理決策具有十分重要的意義。 2 各種預測模型理論 現有的橋梁性能預測模型種類繁多，依據模型建立的方法，將已有的主要橋梁預測模型分為四大類：機械模型（ Mechanistic Models）、確定性模型（ Deterministic Models）、隨機模型（ Stochastic Models）和 人工智能模型（ Artificial Models）。本文針對上述各模型的建立方法及應用現狀進行了分析與比較，簡單闡述如下： 2.1 機械模型 機械模型，也可稱物理反應模型 2，是通過研究在橋梁退化過程中發(fā)生的物理化學過程來建立一些數學關系，進而實現預測。這類模型能詳細描述橋梁構件的退化機理，因而在項目級的退化分析中十分有效，但在網絡級的分析中很難進行應用。國內外已有大量的文獻研究了鋼筋混凝土結構（主要是基于構件）的各種退化機制，這類研究試圖得到結構的材料強度和截面尺寸隨時間減小的規(guī)律， 進而建立結構的承載能力隨時間退化的關系。由于鋼筋混凝土存在種類繁多的退化機制，且多種機制往往同時發(fā)生，這給該模型的實際應用帶來了很大的麻煩，況且各種退化機制及其相互作用還未研究透徹，因此此類模型在當前的橋梁管理系統(tǒng)中還沒有被采用過。 3 2.2 確定性模型 確定性模型是依靠一系列影響橋梁退化和狀態(tài)的因素間的相互關系，通過精確的或統(tǒng)計的公式表示出來。 2這類模型適用于網絡級退化分析，模型的輸出值通常是代表一組橋梁未來狀態(tài)的平均值。因而該模型不適于對特定的橋梁進行預測，否則會出現較大誤差 。確定性模型的建立方法通常有線性外推法、回歸分析法和曲線擬合法三種。 早期的橋梁退化分析基于線性外推法建立預測模型，模型假定橋梁的車輛荷載和維護水平不隨時間而改變，因而退化率是一個常數。這類線性模型只需橋梁的初始狀態(tài)和服役期的任一時刻狀態(tài)就可預測未來任一時刻的橋梁狀態(tài)。然而影響退化過程的因素（如氣候、車輛、結構類型、設計水準等）使得退化率不可能是一常數， 1994 年分段線性模型 4的提出是對線性模型更符合實際的修正。 采用回歸分析法建立的預測模型是用于確定兩個或兩個以上變量間的經驗關系的 一種模型。各個變量均以平均值和標準差兩個參量表示。回歸模型主要有逐級回歸、線性回歸、非線性回歸三種形式。 5逐級回歸模型中可包含多個變量，如橋梁的類型、狀態(tài)等級、無損檢測（ NDT）結果、交通量、橋齡及周邊環(huán)境等。依據這些變量將數據庫中的數據歸類，同時可通過相關系數矩陣測試這些變量對橋梁退化的影響性，由此篩選出進行下一步分析的變量。該模型滿足項目級的管理需要，已用于預測不同路段的路面狀況指數。 3,6但模型的回歸系數較小使得誤差較大，產生這一結果部分原因是大量估計誤差的存在。線性回歸模型與非線性回歸模型可 以將橋梁的性能（主要是狀態(tài)等級）與其影響因素（如橋梁類型、重要性等級、所處位置、日均車流量等）建立直接的數學關系，但必須將模型的輸入數據按不同的退化因素進行分類，因而減少了分析每類橋梁的數據，也降低了模型的可靠性。 依據橋梁狀態(tài)數據，利用曲面擬合方法，建立最體現數據規(guī)律的多項式，能較精確地預計未來橋梁的狀態(tài)。但運用該方法建立的預測模型同樣具有確定性模型的共同缺陷：無法考慮橋梁不同構件退化機理間的相互影響，難以利用隨后收集的數據去更新先前的狀態(tài)，無法預測單橋的未來狀態(tài)。 2.3 隨機模型 隨機退化模型中，橋梁在任意時刻的性能不是一個確定的值，而是在某一空間狀態(tài)的任一值。該模型考慮了退化過程的本質 隨機性，使得預測過程更貼近橋梁的退化過程。當前用于動態(tài)決策的隨機模型主要有概率分布模型、馬爾可夫模型和仿真模型。 概率分布模型是通過概率分布函數描述一個任意變量所有取值的可能性。利用概率分布模型去預測橋梁的狀態(tài)，必須知道被預測變量的分布規(guī)律，而這一規(guī)律通常是通過大量的數據統(tǒng)計而來，且這種模型僅對預測單座橋梁的狀態(tài)有著特殊的優(yōu)勢。如，文獻 7 根據 32 座鋼 /混組合橋梁的可靠度初 始值以及壽命到達 120 年時可靠度值，運用統(tǒng)計回歸分析，得到可靠度變化曲線的隨機模型，該模型在 Frangopol 等人 8-12后續(xù)的決策優(yōu)化研究中得到多次的運用，甚至延伸到采用承載力指數和狀態(tài)等級為指標的退化模型當中。 馬兒可夫鏈模型和半馬兒可夫模型是當前橋梁管理系統(tǒng)中運用最普遍的概率預測模型 13，兩種模型均假定任意時刻橋梁總是處于狀態(tài)空間中的某一個狀態(tài)，橋梁的退化過程用遷移概率矩陣描述。馬爾可夫鏈理論的兩個基本假定是：后效性和均勻性。后效性即無記憶性規(guī)則，也被稱為 “ 馬爾可夫特性 ” ，這一特性規(guī) 定未來狀態(tài)只與當前狀態(tài)有關；而均勻性規(guī)則是要求狀態(tài)遷移概率不隨時間變化。為了克服均勻性要求，將每個年齡組的橋梁發(fā)展了獨立的遷移矩陣。這樣，退化率就依賴于當前狀態(tài)和橋梁的年齡。不過這樣做的一個缺陷是，每個年齡組橋梁的樣本數據更加少，從而使得估計的精度減少了。 3如，美國的 Pontis 即假定持續(xù)時間的無記憶性是有效的，并在全壽命過程中使用一個遷移矩陣。 14而半馬兒可夫鏈模型的區(qū)別在于：半馬爾可夫鏈模型繼承了后效性，但擯棄了均勻性。馬兒可夫鏈模型中橋梁在一次遷移過程中可能改變狀態(tài)，也可能留在原來的狀態(tài)；而半 馬爾可夫鏈模型則認為一個遷移過程必然包含狀態(tài)的改變，在狀態(tài)改變之間的時間即“ 持續(xù)時間 ” 被作為隨機變量來處理，遷移概率取決于前一狀態(tài)等級的持續(xù)時間，它隨時間是變化的。 13馬爾可夫鏈計算的復雜性正比于狀態(tài)數與時段數的乘積，而半馬爾可夫過程計算的復雜性只于狀態(tài)數成正比。因此，后者比前者更加高效。 運用馬爾可夫鏈理論建立橋梁預測模型解決了確定性模型中的部分局限性（ 忽略退化過程內在的隨機性、偶然性； 預測未來狀態(tài)時忽略當前橋梁的狀態(tài)），且不僅可以預測單座橋梁的狀態(tài)，而且可以對一組橋梁進行預測分析，因而 它適用于項目級和網絡級的橋梁管理系統(tǒng)。但在模型建立的過程中有兩個最重要的難題，即如何證實假定的適用性和確定可靠的遷移概率。迄今為止，許多研究都圍繞著如何利用各種方法確定遷移概率而展開，很少有研究從修正馬爾可夫假定著手。此外，由于馬兒可夫鏈模型采用的橋梁狀態(tài)數據不能反映結構的整體性，也不能反映改善需求，且它是基于主觀評估得來，缺乏精確性和可重復性，因此作為橋梁性能的評價指標其適宜性倍受攻擊。 仿真模型是通過橋梁退化過程中遷移次數的統(tǒng)計，建立橋梁性能隨時間變化的仿真模擬過程，模擬的輸出結果是以橋梁 從一個狀態(tài)遷移到另一個狀態(tài)所需的時間為變量的概率退化分布圖。 15然而，狀態(tài)與遷移次數不是簡單對應的關系，迄今為止，仿真模型尚未應用于橋梁退化的預測工作中。 2.4 人工智能模型 人工智能模型是近幾年逐漸引起人們關注的一種模型，主要包括人工神經網絡（ ANN）和基于事件的推理 (CBR)兩種建立方法。人工神經網絡方法是一種 “ 數據驅動 ” 型方法，它模仿人腦中大量神經元的互相連接、并行處理的信息處理方式解決復雜模糊問題。樣本數據是它的基礎。該方法在樣本識別、分類、診斷、評價及預測等方面有強大功能 。如Sobanjo(1997)對 ANN 方法建立橋梁退化模型的可行性進行了研究 ,并建立了橋梁狀態(tài)隨橋齡變化的預測模型。 16人工神經網絡在復雜非線性問題的處理上的優(yōu)越性已得到廣泛認同，但由于該方法需要大量的歷史數據樣本，神經元的連接形式、連接強度（權重）等的確定具有較高難度，因此該方法目前還未進入應用階段。 17此外，基于事件的推理方法得到個別學者的推崇，它是在已有的橋梁數據庫中尋找與當前橋梁最相似的橋梁，通過對已有橋梁的分析來推測當前結構性能的演化。18該方法考慮了構件的歷史狀態(tài)，減少了退化過程中的 不確定性，考慮了不同構件間的相互影響。但它需要龐大的事例庫做基礎，而且對事例描述的精確性、權重的分配有很高的要求，另外由于事例相似度的界定也存在著一定的主觀因素，因此，就目前國內所處的管理階段而言，該方法并不具備應用條件。 3 橋梁性能指標對模型應用的影響 從不同的角度還可將上述模型重新分類，然而，橋梁管理系統(tǒng)采用什么樣的預測模型，首先要取決于采用什么指標來表示橋梁的性能。橋梁定期評估通常的方法是對其進行狀態(tài)評估或承載力評估。 19狀態(tài)等級類的退化模型主要有回歸模型和馬爾可夫模型；前者 通過研究大量橋梁的歷史狀態(tài)數據，來擬合出預測模型；后者假定橋梁在下一個時刻的狀態(tài)只和當前的狀態(tài)有關，并依據從類似橋梁歷史數據的狀態(tài)得到的遷移概率退化到下一個狀態(tài)值。狀態(tài)等級類模型被大量的研究和使用，得益于狀態(tài)等級評估方法簡單、易于實施，因此發(fā)達國家已經積累了數十年的各類橋梁的狀態(tài)歷史數據。然而，現今國內正處于建設發(fā)展階段，對舊橋的檢查、維護，特別是對那些尚未出現明顯的損傷或損傷未危及結構安全的橋梁，橋梁管理機構并未給予充分的重視；其次，由于現階段國內檢查人員的專業(yè)水平參差不齊，很難對橋梁的狀態(tài)給予高質量的評 價；所以目前國內沒有可以用于退化分析的狀態(tài)數據。此外，預測橋梁的性能是為了指導維修，但是狀態(tài)等級的退化并不能確實地反映維修的需求，因此采用狀態(tài)等級指標的預測模型的適宜性也有一定的分歧。 目前，主要的承載力類模型是機械模型和可靠度模型。前者通過研究鋼筋混凝土結構的各種退化機制，試圖得到結構的材料強度和截面尺寸隨時間減小的規(guī)律，進而建立結構的承載能力隨時間退化的關系。后者是將結構的抗力和荷載考慮為隨機變量，使用期望值和方差來計算結構的失效概率，并且考慮特定的退化機制下抗力的減小，以及抗力隨著分析基準期 內荷載效應增大的變化，得到隨分析基準期增大而不斷減小的可靠度變化曲線，該模型實質上是概率分布模型。 由于鋼筋混凝土結構中各種退化機制的復雜及多樣性，機械模型的建立實屬不易，至今尚未實現。可靠度模型研究橋梁的退化是 90 年代末起較為熱門的研究，但在可靠度理論中，結構的抗力小于荷載效應而造成的結構安全失效的概率，主要取決于抗力 R 和荷載效應 S 分布曲線的尾部形狀，然而正是這些尾部的樣本由于出現概率過低而不能通過統(tǒng)計得到。20因而按照分布曲線假定的尾部形狀算出的失效概率已經失去了真實的含義，這從現行規(guī)范給 出的失效概率大約是 10-4量級的完全虛假性就可以看出， 21所以由可靠度指標分析出的結構退化結果也令人懷疑。 4 總結與展望 綜上所述，橋梁管理中各種橋梁性能的預測模型及方法都具有一定的優(yōu)越性，但至今仍未有一種模型能準確地模擬橋梁的退化過程，且多數模型還處于研究試驗階段。國外很多學者都建議使用馬爾可夫鏈過程來為橋梁退化建模。實際上，在美國應用最廣的橋梁管理系統(tǒng) PONTIS 的預測模型就是采用馬兒可夫鏈模型。但由于該模型的假定和狀態(tài)指標的適宜性有待驗證，且模型仍存在自身的局限性，如遷移狀態(tài) 的時間間隔是離散的、不考慮維修方案對遷移概率的影響、無法考慮構件間退化機理的相互影響等等 18，因此并未被普遍認同。歐洲橋梁管理系統(tǒng)（ Bridge Management in Europe）的報告中對鋼筋銹蝕、凍融效應以及堿 -骨料反應（ ASR）等三種退化機制作用下，物理反應模型的研究進行了探討， 22但對這類模型的研究仍處于構件級別，也并未應用于管理系統(tǒng)。國內現有的各種橋梁管理系統(tǒng)都還處于初步發(fā)展階段，主要著重于數據管理工作，在橋梁數據庫管理的基礎上，雖增加了評價、優(yōu)先排序、需求預測及費用分析等功能模塊 ，但這些功能都還只是初步性的，尚處于研究及探討階段。 隨著研究的深入，可靠數據的日益累積，各種預測模型的優(yōu)劣將會日趨顯著，但這是一個循序漸進的過程，需要一段較長的時間，也需要龐大的高質量數據作為基礎。在模型的完善過程中，必須與本地區(qū)的實際情況相適應。由于各地區(qū)的管理體制、管理方法及管理手段都不相同，橋梁管理系統(tǒng)的目標、功能以及系統(tǒng)所采用的模式也有所區(qū)別；另外，不同地區(qū)其經濟條件、設備條件和管理水平的差異都很大，對系統(tǒng)功能精度的要求都不盡相同。所以其橋梁管理中的預測模型也可具有一定的地方特色?？傊?， 一個成功的橋梁管理系統(tǒng)必不可缺少有效的預測模型，對服役橋梁預測模型的研究探討仍值得我們關注。 參考文獻 BRIME Group, Deliverable D13 Bridge Management Systems: Extended Review of Existing Systems and Outline framework for a European System. George Morcous. Case-Based Reasoning for Modeling Bridge Deterioration. Concordia University, Dr.Thesis, 2001. Ng,See-King. Survival Analysis and Semi-Markov Bridge Deterioration Modeling. University of Pittsburgh, Dr.Thesis, 1996. Shahin,M.Y. Pavement Management for Airports, Roads, and Parking Lots. Chapman Hall.1994. 何曉群 ,劉文卿 . 應用回歸分析 M. 中國人民大學出版社 , 2001. 席芳柏 ,熊偉賢 . 公路路面性能預測模型建立 J. 公路 . 1999 年 1 月 . Jung Sik Kong. Lifetime Maintenance Strategies For Deteriorating Structures. Korea University, Dr.Thesis, 2001. Luis C.Neves, Dan M.Frangopol, Paulo S Cruz. Cost of Life Extension of Deteriorating Structures Under Reliability-Based Maintenance. Computers Structures.Vol.82,2004. Min Liu,Dan M.Frangopol. Optimal Bridge Maintenance Planning Based on Probability Performance Prediction. Engineering Structures.2004. Luis C.Neves, Dan M.Frangopol. Condition,Safety and Cost Profiles for Deteriorating Structures with Emphasis on Bridges. Reliability Engineering and System Safety.2005. Min Liu,Dan M.Frangopol. Multiple Maintenance Planning Optimization for Deteriorating Bridges Considering Condition,Safety and Life-Cycle Cost. Journal of Structural Engineering.2005. Christian Bucher, Dan M.Frangopol. Optimization of Lifetime Maintenance Strategies for Deteriorating Structures Considering Probabilities of Violating Safty, Condition,and Cost Thresholds. Probabilistic Engineering Mechanics, ELSEVIER, Vol21, pp1-8,2006. Paul D. DeStefano, Dimitri A. Grivas. Method For Estimating Transition Probability In Bridge Deterioration Models. Journal of Infrastructure Systems, ASCE, Vol4, N2, pp56-62, 1998. Thompson, P. D. and Shepard. “PONITS.” Transp. Res. Ctrc. No.423, Transp. Res. Board, Nat. Res. Council, Washington.D.C. Sobanjo， J.O. A Decision Support Methodology for the Rehabilitation and Replacement of Highway Bridges. Ph.D.Dissertation, Texas A M University.1991. Sobanjo,J.O. A Neural Network Approach to Modeling Bridge Deterioration. Proceedings ofthe 4th Congress on Computing in Civil Engineering, ASCE, Philadelphia, PA, pp623-626, 1997. Chin T. Wang. Neural Network