基于云模型与异常识别的桥梁技术状态评定方法

2019-03-04周建庭聂志新何亚辉

重庆交通大学学报(自然科学版) 2019年2期

周建庭，张顺，聂志新，何亚辉

(1. 重庆交通大学土木工程学院，重庆 400074； 2. 重庆交通大学河海学院，重庆 400074)

0 引言

作为地面运输系统的重要组成部分，桥梁在汽车、气候及河流等外部荷载，以及诸如材料老化、疲劳等内部因素的影响下[1-2]，其安全性能会出现下降，桥梁检测及评估显得尤为重要。然而，桥梁技术状态评定等级偏低，易造成因采取加固措施而导致经济浪费；反之，又可能会忽视桥梁现存问题，不采取相应处置措施，而导致安全事故的发生。因此，准确地评估桥梁技术状态，对采取合理的桥梁处置措施及提高其使用寿命具有重要社会意义和经济价值。

在诸多评定方式中，根据《公路桥梁技术状况评定标准》评定是最为常规的方式，但其权重属于常权综合的范畴[3]，且评估过程存在不确定性以及差异性；常见的改进评估方式有孙强、刘延芳、于博等[4-6]采用的模糊综合分析法，该方法将层次分析法的量化特性与模糊理论的矩模型相结合，有效降低主观因素对评价结果的影响。以上两种方法没有或较少考虑桥梁安全评价中普遍存在的不确定性问题，存在一定程度上的“误诊”。

在主、客观世界普遍存在的不确定性中，随机性和模糊性是最重要的两种形式，而云模型专门研究随机性与模糊性之间的关联性[7]。目前，云模型已被广泛应用于教学评估、生态风险以及交通系统风险等实践中，且取得了良好的结果[8-10]，但很少用于桥梁安全评估中。郝天之等[11]利用云重心理论对一座在役钢拱桥进行了检测评定，证明了基于云重心理论的桥梁工程技术状态评定方法具有充分的适用性和稳定性。该方法将所有部件进行综合评定得到全桥综合云，再根据其获取最终评定结果，但此评定过程忽略了主要结构部件对桥梁整体安全使用的影响，使得评价结果可能与实际情况不符合。

鉴于此，笔者以模糊综合分析法为基础，尝试将云模型和异常识别应用于桥梁技术状态评定中。首先确定了各个部件以及结构的权重，再将评语集、评估数据转换为云模型，然后在评定过程中引入异常识别，并获取引入异常识别前、后的评定结果。最后以某钢筋混凝土梁桥为例，验证了该评定方式的可行性与完备性。

1 云模型理论

假设U为一个论域，C为U上的定性概念，x既是U中的值，又是C的一个发生值，如果x∈[a,b]为x对C的确定度，且μ(x)的分布满足一定规律：

μ:U→[0,1] ∀x∈Ux→μ(x)

则称x为一个云滴，x在该论域的分布为云[7]。

云模型的特性由3个数字特征值参数(Ex,En,He)表示，其中，Ex为云滴所在论域区间的期望；En为熵，表示定性概念的不确定性度量；He为超熵，是熵的熵，表示熵的不确定性。

将云模型应用到桥梁技术状态评定中，如何将评语集、评估数据转换为云模型，即如何确定标准云、评价云和综合云的数字特征值是云模型的关键技术。

1.1 桥梁技术状态标准云

根据《公路桥梁技术状况评定标准指南》，桥梁技术状态评定等级可划分为1～5类，对应的评语集区间为[95,100]，[80,95)，[60,80)，[40,60)，[0,40)，专家对桥梁某一构件的评估数据同样按此分布。根据过程(1)，计算得到各个评语集的标准云数字特征值CVi(ExVi,EnVi,HeVi)：

(1)

式中：i=1,2,…,5；ximax,ximin分别为每个评语集的上下限值；k反映熵和超熵的线性关系，一般取0.1[12]。通过计算，获得每个评语集区间的标准云数字特征值，如表1。

表1 标准云模型Table 1 Standard cloud model

1.2 桥梁部件评价云

针对桥梁部件的技术状态评分，n个专家对m个部件依次进行评估，评估数据符合上述5个区间的分布。基于评估数据，采用式(2)计算各个部件评价云数字特征值CUi(ExUi,EnUi,HeUi)：

(2)

式中：i=1,2,…,m;j=1,2,…,n；xij为第j个专家对第i个部件的打分数据；S为样本方差。通过上述计算过程，可得到桥梁每个部件的评价云CUi(ExUi,EnUi,HeUi)。

1.3 桥梁结构及全桥综合云

综合云的获取包括桥梁结构综合云和全桥综合云，是一个综合评定的过程。前者通过部件评价云与其对应的权重进行加权运算获得，后者通过结构综合云与其对应的权重经过相同的运算法则获得。具体运算法则如下：

(3)

其中，λi代表两层意义，一是代表部件的权重系数，二是代表结构的权重系数，两者将采取模糊综合评价法获得。

2 基于云模型与异常云识别的桥梁技术状态评定中的建模方法

鉴于传统多层次模糊综合评价模型更多地是关注概念外延的模糊性，而忽略概念内涵上的随机性[12]，笔者在模糊综合评价模型的基础上建立基于云模型与异常识别的桥梁技术状态评定模型。该模型较好地刻画了随机性、模糊性及两者之间的耦合作用，同时引入异常识别的评定过程也更贴切工程实际。

2.1 基本模型

在基于云模型与异常识别的桥梁技术状态评定中，目标层为桥梁技术状态，准则层为桥面系、上部结构以及下部结构，指标层为桥梁结构部件，并把主要结构部件作为附属层单独加入到评定模型中，并引入异常识别使得评估过程更加完善。通过上述3个计算过程得到标准云、评价云和综合云数字特征值，最终通过云图的相似度评定，获取桥梁技术状态等级。具体建模流程如图1。

图1 基于云模型与异常识别的桥梁技术状态评定建模流程Fig. 1 Modeling process of bridge technique condition evaluation based on cloud model and anomaly recognition

2.2 云模型评价指标体系及权重确定

评价指标体系的构建与桥梁本身的特点直接相关，因此不同桥型的评价指标体系可能不尽相同。评价体系将主要结构部件作为单独的一层体系，作为示例，图2构建了一个加入墩台基础为例的钢筋混凝土桥梁多层次评价指标体系。

图2 评价指标体系Fig. 2 Evaluation index system

2.3 云图的获取

(4)

式中：i=1,2,…,n；n为产生的云滴个数，取n=5 000。

2.4 相似度与初步评定结果

根据以上计算获得全桥综合云与5个标准云之间的相似度后，根据最大隶属度原则，即可获得初步的评定结果。

3 工程实例

采用云模型与异常识别相结合的桥梁技术状态评定方法用于实际桥梁检测的评定中，将引入异常识别前、后的评定结果与按规范获得的评定结果进行比较。通过以上比较，证明该方法的完备性、全面性与适用性。

3.1 工程概况

某三跨预应力钢筋混凝土梁桥，全长48.0 m，全宽12.0 m，跨径3×16.0 m，桥墩采用钢筋混凝土柱式墩、桩基础，设计汽车荷载为公路Ⅱ级；该桥于2008年4月建成通车。在桥梁定期检查中发现桥墩基础冲刷严重，伸缩缝锚固区破损，伸缩缝存在局部堵塞，两侧人行道出现多处裂缝及护栏见多处破损。实地勘测部分照片见图3。