基于多目标遗传算法的大型共构管廊早拆模板体系晚拆杆优化分析

2022-07-06王星

智能建筑与工程机械 2022年5期

王星

摘要：大型共构段城市管廊结构快速建造技术中，移动模架早拆体系是决定施工进度的关键，针对模板早拆技术中晚拆杆局部失稳问题，建立了有限元数值分析模型。通过参数化建模，基于多目标遗传算法，对其屈曲稳定性进行了优化分析，得到了输入参数与输出参数之间的关系，通过迭代逐渐逼近期望值，最终得出候选点。结果显示，优化后的截面可以减少耗材，增大稳定系数，为类似工程提供借鉴经验。

关键词：模板早拆;管廊;屈曲稳定性;优化分析

中图分类号：TU755.2 文献标识码：A 文章编号：2096-6903（2022）05-0031-03

0 引言

大型共构综合管廊[1]是将城市地下综合管网，包括电力、通信、燃气、供热供水、排水为一体，结合地上地下的行车系统，形成的一个整体管廊结构。大型的综合管廊有着快速化、绿色化的施工要求，模板早拆体系具有节约成本、缩短工期、模板用量少、周转率高的优点，在建筑行业得到了广泛的关注和应用。

在移动模架早拆[2]施工中，早拆模板被周转后，遗留下的晚拆杆的稳定性问题是影响施工安全的重要因素，本文以雄安新区容东片区E3路管廊模板早拆体系工程为背景，针对早拆体系中可能出现的晚拆杆失稳问题，对晚拆杆的稳定性进行优化分析，为类似的工程提供借鉴。

1 分析模型

1.1 工程概況

雄安新区E3路地下综合管廊为地面道路、穿湖隧道及综合管廊共构结构。结构地下二层为综合管廊，包括智能物流通道、综合舱、能源舱及预留设备间，结构净宽19.5 m，净高4.7 m;地下一层内设双孔穿湖隧道，单孔净宽9.25 m，净高6.6 m，E3路结构标准断面所用支架模板体系为装配式滑模体系（图1滑模体系），材料选用易安特模板有密度高、强度高、精度高等特点。

1.2 数值分析模型

模板早拆体系分为两大块：一是早拆支撑体系，二是晚拆体系。在板混凝土[3]达到设计强度75%时，对两侧早拆部分的支架顶托进行降低处理，拆除主次楞及滑动模板，推动滑动模板单元整体进入下一施工段，晚拆杆继续支撑至混凝土强度达到拆除模板的时间规范，分阶段计算工况如图2所示。

取B2为研究对象，网格划分采用四面体网格，划分节点数29 373，划分单元数10 291。管廊部分采用实体单元，晚拆杆采用梁单元，管廊底部固定支撑，晚拆杆与管廊接触部分为绑定连接，荷载为自重条件下的荷载。

1.3 模型的参数化建立

对晚拆杆进行参数化建模，其中空心管外径长度D1，内径长度D2，拉伸长度为l1，其中将外径，内径作为输出参数导出，材料选用结构钢，密度7 850 kg/m3，杨氏模量2e+11 Pa，泊松比0.3。其中底部采用固定支撑，顶部施加面压力，压力值取20 506 N，网格采用0.3 m的六面体网格，对其模型进行屈曲分析，将一阶模态的负载系数以及晚拆杆的质量作为输出参数，具体数据如表1，模型如图3所示。

2 基于遗传算法的优化理论

Direct Optimization（直接优化）是根据输入输出参数（Parameters）设计函数关系来筛选出最佳设计点（Design point），求解多个设计点的时候使用AMO（自适应多目标算法），该算法是非支配排序遗传算法-Ⅱ的一个变种，支持多目标和约束，目的是找到全局最优。

AMO方法全称为Adaptive Multiple-Objective Optimization，是一种选代的多目标优化方法。该方法采用了Kriging响应面和MOGA优化算法，适合于处理连续变量的优化问题。AMO方法首先形成LHS样本并基于这些样本形成 Kriging响应面，随后通过NPQL方法对响应面进行搜索，这些搜索基于不同的起始点，得到一系列不同的备选设计（Candidate）。

多目标优化问题中，由于存在目标之间的冲突和无法兼顾的现象， Pareto提出多目标的解不受支配解（Non- dominated set）的概念。，其定义为：假设任何二个解S1及S2对所有目标而言，S1均优于S2，则称S1支配S2，若S1的解没有被其他解所支配，则S1称为非支配解（不受支配解），也称Pareto解。

基于Pareto排序的多目标遗传算法的关键点是Pareto 解的集合，而不是一个 Pareto 解，因此需要鼓励样本的多样性。MOGA采用的多样性方法被称为 fitness sharing 。fitness sharing 方法首先用下面的公式计算不同个体之间的距离。

（1）

其中fk{max}表示目前找到的最大k目标值，同理可知fk{min}。对于个体 I ，可以计算它的niche count。

（2）

再用个体的niche count调整个体的适应度。

（3）

基于Pareto排序的多目标遗传算法[4]相较于线性加权的遗传算法更加智能化，其关键点不在于分配权重，而是在于解决适应度函数的设计问题，该算法旨在求出帕累托解集，并且通过人工选择的办法来找出最符合理想的最优解。

3 晚拆杆优化计算

设置P1的参数上限为110，参数下限为90，波动值为20，表示参数1可以在此范围内波动，同理可设置P2的参数上限为88，下限为72，波动值为16。为尽可能的提高负载系数，约定P3的期望值为5，最低下限值为3.4，容许差为0.001，参数目标为最大化[5]。为保证材料用量最少，约束P4的类型为最小化，期望值为95，最大值不应超过110。参数值变化如图 4、图 5所示。3BBBB494-84B7-43D1-95BD-4BB64F6C978C

本方案有2个输出参数，采用自适应多目标算法，初始样本值为17，最大评估样本数量为29，设计点数28，生成样本集17个，候选点3。数值收敛标准采用帕累托标准，收敛标准图如图6、图7所示，收敛值靠近下限值，表示约束合理。

图 8为样本点与晚拆杆质量的走势图，随着外径内径值的变化，质量在运算初期变化较大，波动较多，最低值为48.33，最大值为186.44，不符合对质量的要求，之后随着迭代次数的增加，质量值趋于96，在上下小范围波动。

相比较于原来的晚拆杆，总壁厚由20 mm减小到了18 mm，负载系数由2.05增加到3.5，质量由100.99 kg减少到95 kg，比较候選点1与候选点2，选择候选点1作为晚拆杆的设计方案[6]。

在输入参数改变时会引起输出参数改变，在改变越小时参数的灵敏性越高[7]，会引起输出参数发生的改变越大。

4 结语

本文对早拆模板体系中的稳定性问题，运用多目标遗传算法理论，采用直接优化模块对模板早拆体系中的晚拆杆进行优化设计，得出以下结论：

通过多目标遗传算法，实现了杆件轻量化。在寻找最优截面过程中，通过给定的约束条件可以在保证经济效益的前提下提高晚拆杆安全性。

参考文献

[1] 油新华.我国城市综合管廊建设发展现状与未来发展趋势[J].隧道建设（中英文），2018，38（10）：1603-1611.

[2] 毛建斌.模板早拆体系在施工中的应用和发展[D].天津：天津大学，2007.

[3] 熊成君.建筑施工模板早拆对混凝土结构影响研究[D].天津：天津大学，2007.

[4] 朱大林，詹腾，张屹，等.多邻域结构多目标遗传算法[J].农业机械学报，2015，46（4）：309-315+324.