左良棟，周世良，曹詩寶，吳 俊

(1.重慶交通大學(xué) 河海學(xué)院，重慶 400074；2.重慶交通大學(xué)，重慶西南水運(yùn)工程科學(xué)研究所，重慶 400016)

內(nèi)河架空直立式碼頭的數(shù)量越來越多、應(yīng)用越來越廣泛。由于對架空直立式碼頭結(jié)構(gòu)損傷機(jī)理研究認(rèn)識不深刻，且無相應(yīng)的結(jié)構(gòu)監(jiān)測措施，碼頭損傷破壞問題普遍存在。針對碼頭損傷誘因分析可分為5種類型：1)材料劣化。Wall等[1]測量并分析了鋼筋混凝土構(gòu)件銹蝕速度及其影響因素，Paul等[2]分析了鋼筋混凝土碳化深度影響因素和演化過程。2)超載、野蠻靠泊和水流作用。范云生等[3]、Xie等[4]利用有限元方法分別對船舶撞擊架空直立式碼頭的碰撞過程、靠泊能力、最大撞擊力、碼頭基樁應(yīng)力、位移變化進(jìn)行仿真分析。3)超限堆載。李越松等[5]、Zeng等[6]指出后方堆載導(dǎo)致土體水平位移和承臺構(gòu)件相對錯(cuò)位，王元戰(zhàn)等[7]研究了堆貨荷載下架空直立式碼頭結(jié)構(gòu)損傷特性。4)岸坡失穩(wěn)。吳紅霞等[8]、袁和平等[9]、Li等[10]得出岸坡滑動或不穩(wěn)導(dǎo)致碼頭變位和損傷，施斌[11]指出架空直立式碼頭不均勻性沉降導(dǎo)致樁帽豎向開裂。5)地震。張文敬[12]、Li等[13]、Heidary等[14]建立了樁-土-結(jié)構(gòu)有限元模型，分別針對碼頭面板及樁的位移和加速度動態(tài)響應(yīng)、樁基內(nèi)力變化、非結(jié)構(gòu)性構(gòu)件在地震作用下的響應(yīng)特性等進(jìn)行深入研究。

現(xiàn)有樁基檢測方法主要有：靜載荷試驗(yàn)法、鉆孔取芯法、聲波透射法、低應(yīng)變檢測法、高應(yīng)變檢測法、模態(tài)參數(shù)識別法、光纖傳感檢測法等。但這些技術(shù)僅能實(shí)現(xiàn)對樁基結(jié)構(gòu)的不定期結(jié)構(gòu)檢測，有些還會對樁基造成損傷。

本文擬通過綜合利用力學(xué)分析、有限元計(jì)算、信息融合等方法，建立碼頭樁基受力特性與損傷誘因之間的內(nèi)在關(guān)聯(lián)機(jī)制與反演模型，對主要損傷誘因的相關(guān)參數(shù)進(jìn)行反演，并對反演結(jié)果和模型性能進(jìn)行分析，使樁基由傳統(tǒng)的承力結(jié)構(gòu)上升為具有自感知能力與“窗口”作用的智能結(jié)構(gòu)，實(shí)現(xiàn)內(nèi)河架空直立式碼頭不良誘因反演功能。

1 參數(shù)化有限元模型

神經(jīng)網(wǎng)絡(luò)模型具有非常強(qiáng)大的泛化能力和非線性映射能力，模型的輸入對模型預(yù)測結(jié)果優(yōu)劣發(fā)揮至關(guān)重要的作用，當(dāng)輸入的樣本數(shù)量少時(shí)會造成模型欠擬合，模型對于給定的數(shù)據(jù)集能夠得到較好的預(yù)測，但對于新數(shù)據(jù)集預(yù)測較差，顯然不利于損傷誘因的識別，為了得到良好的預(yù)測結(jié)果，需要采集大量的數(shù)據(jù)樣本。對于實(shí)體單元模型而言，其單元數(shù)量多、本構(gòu)關(guān)系復(fù)雜、邊界條件復(fù)雜，軟件計(jì)算存儲開銷大、計(jì)算時(shí)間長，不利于大數(shù)據(jù)大樣本的獲取。故通過Python的subprocess庫調(diào)用有限元計(jì)算程序的方式進(jìn)行參數(shù)化模型的計(jì)算和數(shù)據(jù)的提取。

1.1 建模方式簡化

采用ANSYS Parametric Design Language和鐵木辛柯梁理論進(jìn)行參數(shù)化建模。對于碼頭結(jié)構(gòu)樁基、縱梁、橫梁、立柱等構(gòu)件采用beam188單元，其余碼頭面板采用shell181，將基巖層和拋填層考慮成彈性體，采用combin14彈簧單元。鋼筋混凝土與鋼結(jié)構(gòu)材料均采用線彈性模型，與實(shí)體單元模型相同。見圖1。

圖1 架空直立式碼頭實(shí)體模型

1.2 邊界條件簡化

假定岸坡作用為水平推力，則樁基在岸坡作用下為水平受荷樁，因此可以考慮采用彈性地基梁法模擬簡化模型的樁土約束。將拋石層和基巖層假定為彈性體，將樁視為彈性地基上的梁。嵌巖和拋填部分采用土彈簧combin14進(jìn)行模擬，在水平面上做雙向彈簧約束，樁基底端采用固結(jié)形式。

1.3 加載方式

選取船舶靠泊、岸坡滑動、不均勻堆載這3種高樁碼頭的代表荷載，在load分析步中分別施加，各種荷載的加載方式如下：船舶噸位按照6 000 t，靠泊速度取值為20 cm/s，計(jì)算得到靠泊力大小取值為420 kN，作用點(diǎn)分別取X方向160、165、170 m 共3個(gè)位置。

按照GB 50007—2011《建筑地基基礎(chǔ)設(shè)計(jì)規(guī)范》附錄Q的相關(guān)規(guī)定，當(dāng)樁基上部橫梁最大位移為0.04 m時(shí)，拋填塊石層后方岸坡推力為2 MPa的穩(wěn)定荷載，施加位置為岸坡后方X方向。不均勻堆貨荷載采用碼頭前方堆貨荷載作用的大小取20 kPa，為距前沿10 m范圍內(nèi)；后方取30 kPa，為距后沿20 m范圍內(nèi)均布，作用方向?yàn)?Z。

1.4 損傷誘因參數(shù)化

根據(jù)JTS 144-1—2010《港口工程荷載規(guī)范》及GB 50007—2011《建筑地基基礎(chǔ)設(shè)計(jì)規(guī)范》的有關(guān)規(guī)定，結(jié)合三峽庫區(qū)架空直立式碼頭受力特點(diǎn)，將損傷誘因確定為3個(gè)：碼頭不均勻堆載、船舶靠泊和岸坡推力。作用范圍見圖2和表1，各損傷誘因的參數(shù)化指標(biāo)見表1。

圖2 損傷誘因作用點(diǎn)分布(單位：m)

表1 損傷誘因參數(shù)量化

1.5 參數(shù)化模型驗(yàn)證

為驗(yàn)證參數(shù)化模型的準(zhǔn)確性，與實(shí)體單元模型做對比，將相同位置、相同大小的荷載同時(shí)施加在兩個(gè)模型上進(jìn)行計(jì)算。對比中間排架4根樁頂豎向位移和應(yīng)力。

由表2的計(jì)算結(jié)果可得，樁頂豎向位移值平均相差14.5%，簡化模型平均豎向位移比實(shí)體單元模型要大。因?yàn)閷?shí)體單元模型下部是基巖和拋填層，對樁基起到了嵌固作用，減少了樁頂?shù)呢Q向位移。

表2 樁頂豎向位移計(jì)算結(jié)果 mm

表3為樁頂豎向應(yīng)力值對比，平均相差5.3%。簡化模型和實(shí)體單元模型樁頂豎向應(yīng)力整體相差較小。

表3 樁頂豎向應(yīng)力計(jì)算結(jié)果對比 MPa

由以上對比分析，參數(shù)化簡化模型與實(shí)體模型計(jì)算結(jié)果差異不大，可以作為反演分析的模型使用。將簡化有限元模型設(shè)置為調(diào)用模型，隨機(jī)抽取量化的不良作用參數(shù)，將參數(shù)載入求解文件(求解文件是ANSYS命令流文件，包含調(diào)用有限元模型的命令，所有的荷載的命令，后處理提取應(yīng)力的命令，以及導(dǎo)出數(shù)據(jù)的宏文件)，Python的子程序庫subprocess進(jìn)入MANSYS模塊，導(dǎo)入求解文件，讓其自行調(diào)取有限元模型進(jìn)行計(jì)算采集數(shù)據(jù)并導(dǎo)出。

2 單一損傷誘因效用反演

為了測試神經(jīng)網(wǎng)絡(luò)模型對于復(fù)雜應(yīng)力特征的適應(yīng)性，本節(jié)主要采用抽樣的方式抽取單一誘因的樣本工況，將其投入簡化模型進(jìn)行計(jì)算，提取批量的應(yīng)力特征數(shù)據(jù)。

2.1 堆載作用反演分析

參數(shù)優(yōu)化采用Python的機(jī)器學(xué)習(xí)庫sklearn中的網(wǎng)格搜索算法Gridsearch，對神經(jīng)網(wǎng)絡(luò)的隱含層，懲罰因子進(jìn)行搜索，利用交叉驗(yàn)證精度來驗(yàn)證參數(shù)優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型的性能。經(jīng)過網(wǎng)格搜索得到神經(jīng)網(wǎng)絡(luò)反演模型優(yōu)化參數(shù)，見表4。

表4 神經(jīng)網(wǎng)絡(luò)模型最優(yōu)參數(shù)

2.1.1位置識別

位置識別屬于分類問題，分類學(xué)習(xí)器采用交叉熵?fù)p失作為模型損失指標(biāo)，由圖3可知，當(dāng)神經(jīng)網(wǎng)絡(luò)模型迭代117次時(shí)，模型收斂。

圖3 堆載作用下分類學(xué)習(xí)器損失曲線

為檢驗(yàn)?zāi)Ｐ蛯Χ演d誘因各個(gè)作用位置處的泛化能力，將訓(xùn)練集和測試集按位置進(jìn)行統(tǒng)計(jì)，并通過訓(xùn)練好的模型分別對訓(xùn)練集和測試集進(jìn)行評分，得到具體指標(biāo)見表5。

表5 位置識別結(jié)果

由表5可見，對于訓(xùn)練集4個(gè)區(qū)域的位置識別精度達(dá)到0.989，測試樣本的識別精度也達(dá)到0.978，精度表示模型對位置識別的準(zhǔn)確性，最優(yōu)值為1；F1表示對樣本召回?cái)?shù)量和準(zhǔn)確率的調(diào)和平均數(shù)，最優(yōu)值為1；漢明損失表示模型計(jì)算值與真實(shí)值之間的差值，最優(yōu)值為0。F1指標(biāo)和漢明損失指標(biāo)均比較理想，并且訓(xùn)練集和測試集的指標(biāo)和評分相差較小，說明神經(jīng)網(wǎng)絡(luò)模型性能調(diào)校較好、泛化能力較強(qiáng)、能夠正確識別堆載誘因的位置。

2.1.2大小識別

大小識別屬于回歸問題，回歸學(xué)習(xí)器采用方差作為模型損失指標(biāo)，由圖4可知，當(dāng)神經(jīng)網(wǎng)絡(luò)模型迭代225次時(shí)，損失誤差達(dá)到0.001左右，此時(shí)即可判定模型收斂。

圖4 堆載作用下回歸學(xué)習(xí)器損失曲線

將訓(xùn)練集和測試集按位置進(jìn)行統(tǒng)計(jì)，得到模型的結(jié)果，見表6。

表6 大小識別結(jié)果

由表6可以知，訓(xùn)練集和測試集擬合優(yōu)度指標(biāo)R2最小值達(dá)到了0.98，對于回歸模型而言，擬合優(yōu)度指標(biāo)不能完全判斷預(yù)測值的精度，還要看均方差和平均絕對誤差，表中均方差和平均絕對誤差結(jié)果相對較低，為比較平均絕對誤差相對于堆載作用的取值的大小，繪制了測試集絕對誤差圖和相對誤差圖，并隨機(jī)抽取了預(yù)測樣本中的20個(gè)樣本進(jìn)行預(yù)測值和真實(shí)值對比，見圖5。

圖5 大小識別結(jié)果曲線

由圖5可見，絕對誤差均小于4.0 kPa，平均絕對誤差在0.892 kPa左右，平均相對誤差為2.97%，對堆載誘因大小識別，模型表現(xiàn)比較優(yōu)秀。對堆載誘因作用1萬個(gè)樣本，訓(xùn)練集和測試集的指標(biāo)和評分相差較小，說明構(gòu)造的神經(jīng)網(wǎng)絡(luò)反演模型預(yù)測能力較好，不存在擬合能力欠缺和多度的情況；泛化能力較強(qiáng)，能夠?qū)Χ演d作用的位置、大小進(jìn)行準(zhǔn)確高效的預(yù)測，滿足一般條件下?lián)p傷誘因的判別要求。

2.2 船舶靠泊和岸坡推力作用反演分析

限于篇幅，以2.1中的分析方法，開展船舶靠泊和岸坡推力損傷誘因的詳細(xì)過程不再表述。經(jīng)分析，文中使用的方法對兩種損傷誘因均能取得良好的反演效果。

3 混合損傷誘因效用反演

在相同類型的不良作用下，碼頭應(yīng)力特征具有相似性，將具有相似性特征的樣本輸入模型，必然會導(dǎo)致模型識別精度的提升，而神經(jīng)網(wǎng)絡(luò)反演模型對樣本數(shù)據(jù)特征非常敏感，將三類損傷誘因作用的數(shù)據(jù)集整合成一個(gè)數(shù)據(jù)集作為反演模型的輸入，觀察一個(gè)反演模型對損傷誘因的類型、位置和大小的適應(yīng)性和識別精度。分析結(jié)果見表7。

表7 混合損傷誘因識別結(jié)果

由表7可見，模型可非常準(zhǔn)確地判斷所有樣本分屬損傷誘因作用的類型，說明不同損傷誘因類型下的樁基應(yīng)力分布具有清晰的邊界，模型可根據(jù)樣本特征進(jìn)行準(zhǔn)確識別；堆載作用下樣本位置識別精度達(dá)到0.980，船撞作用位置識別精度達(dá)到0.900，相較于單一船撞樣本精度有所下降，但仍具有較好的識別效果；岸坡作用僅有一個(gè)作用位置，不必識別；堆載作用下樣本位置識別精度達(dá)到0.965，相較于單一船撞樣本精度有所下降，船撞作用位置識別精度達(dá)到0.990。

總體而言，反演模型對混合樣本整體表現(xiàn)較好。相較于單一作用類型的樣本，對堆載作用，位置識別精度基本不變，大小識別精度有所降低；對于船撞作用，位置識別精度降低了5%作用，大小識別的精度保持不變；對于岸坡作用，精度不變。

4 結(jié)論

1)通過Python的subprocess模塊調(diào)用MANSYS模塊進(jìn)行分析，證明了批量計(jì)算的可行性，并通過與實(shí)體單元模型進(jìn)行應(yīng)力特征對比，分析知兩種模型差別不大，簡化模型數(shù)據(jù)可以進(jìn)行替代計(jì)算。

2)通過網(wǎng)格搜索的方式搜索神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)參數(shù)，交叉驗(yàn)證得到模型評估指標(biāo)的得分，并分別對堆載作用、船撞靠泊和岸坡推力損傷誘因進(jìn)行分析。經(jīng)分析，堆載作用位置識別精度為0.980，大小識別的平均絕對誤差在0.892 MPa；船撞作用位置識別精度為0.940，大小識別的平均絕對誤差在5.5 kN；堆載作用位置大小識別的平均絕對誤差在1.2 kN；反演模型對單一損傷誘因樣本具有非常好的泛化能力。

3)將所有樣本整合，進(jìn)行混合損傷誘因分析并檢測神經(jīng)網(wǎng)絡(luò)反演模型的性能，分析得知混合樣本集反演結(jié)果，類型識別精度在1.00，位置識別精度0.940，大小識別平均絕對誤差為2.2；模型在個(gè)別損傷誘因識別指標(biāo)上出現(xiàn)了精度和評分的下降，但其總體預(yù)測精度仍滿足了反演識別的一般要求。

4)本文施加的外部荷載為豎向和橫向，未考慮縱向水流力和系纜力的作用的影響，縱向荷載的作用必然會對模型識別精度造成一定影響，但考慮到碼頭結(jié)構(gòu)縱向剛度較大，加之縱向荷載對結(jié)構(gòu)物整體安全性的影響不是主導(dǎo)因素，為此本文未作單獨(dú)討論。

5)實(shí)際工程中，岸坡沉降和結(jié)構(gòu)變形等數(shù)據(jù)均為長期累積結(jié)果，本文計(jì)算中未考慮長期作用效應(yīng)，這對反演結(jié)果的真實(shí)性有一定影響，實(shí)際應(yīng)用中可將沉降和變形穩(wěn)定后的數(shù)據(jù)作為反演樣本。