基于SVM的高架桥梁顶升预测模型

2020-09-14韩进光

山西建筑 2020年18期

韩进光

(西安市东郊市政养护管理公司，陕西西安 710016)

0 引言

随着城镇化建设的不断发展，交通拥堵问题是掣肘城市发展的一大难题，而城市高架桥梁建设能够有效缓解这一现象。城市高架桥梁既有道路的空间路网容量，又具有交通分流功能，提高通行能力和道路运输效率，缓解现有城市交通难题。与城市轨道交通相比，高架路具有建设周期短，投资成本低，见效快等特点，因此在全国已经越来越多的城市开展高架热潮。

城市高架桥是一庞大而且复杂的系统，初期施工工艺、日常的维护保养、偶发的交通事故等都会给桥梁带来隐蔽式风险，随着桥梁的使用会出现支座损坏、桥面偏移一系列病害，为了消除病患需要对支座进行更换和纠偏桥面，而整体顶升是既经济又快捷的施工方式。顶升技术复杂多变，作业中既要保证施工安全，又要保证施工区域市政设施运营安全，同时还要保证施工区社会车辆和行人的交通安全和人身安全，一旦没有及时采取恰当的风险控制措施，极容易发生重大安全事故，给人民群众的生命和财产造成重大损失，甚至影响社会稳定。

本文将以西安六村堡桥梁顶升为研究背景，采用SVM预测模型研究提升施工质量关键参数，改善顶升预测准确性，减少施工过程中的不必要风险。

1 基本理论

支持向量机(Support Vector Machines,SVM)是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。SVM的学习算法就是求解凸二次规划的最优化算法。

SVM求解能够正确划分训练数据集并且几何间隔最大的分离超平面。如图1所示(分离超平面)，超平面有无穷多个(即感知机)，但是几何间隔最大的分离超平面却是唯一的。

在超平面wx+b=0确定的情况下，|wx+b|能够表示点x到距离超平面的远近，而通过观察wx+b的符号与类标记y的符号是否一致可判断分类是否正确，所以，可以用(y(w·x+b))的正负性来判定或表示分类的正确性，它既可以降低计算成本又可以优化问题。

s.tyk=wTφ(xk)+b+εk=1,2,…,d

(1)

利用拉格朗日乘数法求解式(1)，可得：

(2)

其中，a=[a1,a2,…,ak,…,an],a≥(k=1,2,…,d)为拉格朗日乘子。

对式(2)两边分别求偏导可得:

(3)

引入核函数k(xk,xl)=φ(xk)φ(xl)，因多项式核函数简单易操作，因此，选取多项式函数作为核函数，即：

K(xk,xl)=[λ(xk,xl)+θ]c

(4)

由此式(3)可变为：

(5)

其中，I为单位向量;Y=[y1,y2,…,yd];a=[a1,a2,…,ad]。

式(5)可通过解析方法求得a和b，进而，可利用最优分类函数式(6)进行分类。

(6)

2 预测模型

2.1 基本概况

六村堡立交北辅道桥，起点桩号k0+966.516，终点桩号k1+644.000，跨径布置2×(3×25)m现浇预应力混凝土连续箱梁(35+36.64)m连续钢箱梁+(25+27+25)m+5×(3×25)m现浇预应力混凝土连续箱梁，全长679.72 m；本次顶升第7联，跨径组合3×25 m箱梁，采用现浇预应力混凝土连续箱梁，单箱三室，宽室3.6 m,3.7 m，梁高1.4 m。顶板全宽15 m，翼缘板悬臂长2 m，顶板厚22 cm，底板厚20 cm～40 cm，腹板厚40 cm～60 cm，端横梁宽1.5 m，中横梁宽2 m。桥梁设计荷载：城—A级，挂—120验算，计算行车速度：40 km/h。预应力混凝土现浇箱梁：C50混凝土；桥面铺装：C40混凝土；墩柱、墩帽、承台、肋板台：C30混凝土；桩基：C25混凝土；支座：盆式橡胶支座。

本次顶升段主要桥梁病害为：上部结构：底板出现纵向裂缝，裂缝最大宽度0.15 mm，长度合计约60 m；17号墩顶位置梁体位移过大，导致支座上下垫板错位，钢盆内橡胶板挤压翘起；18号、19号墩顶支座上下垫板顶紧等病害；本联箱梁在汽车荷载离心力、支座失效、联端缝隙堵塞杂物等原因的长期共同作用下，出现横桥偏位病害，并有逐年加重趋势。下部结构：17号、20号桥墩盖梁受水侵蚀严重，17号墩盖梁左侧挡块劈裂，18号右侧墩柱、19号右侧墩柱向左侧倾斜，右侧出现环向裂缝，裂缝最大宽度0.86 mm，长度合计54.8 m。

2.2 模型影响因子选取及分析

六村堡高架桥梁顶升项目经过重要交通节点和要道，施工极容易造成重大安全事故，并且桥梁结构复杂、跨度大，施工过程是其安全性能最为脆弱的阶段，极易发生支架垮塌、结构倾覆等恶性重特大安全事故。通过查阅文献和专家协商，选取8个影响因子作为关联性研究(见表1)，选取64组作为训练样本(见表2)，7组作为检验样本(见表3)，并对数据进行分析(见表4)。