基于神经网络的大跨度斜拉桥车桥耦合振动分析

丘奕奇 QIU Yi-qi

（保利长大工程有限公司，广州 510620）

0 引言

随着桥梁结构向着大跨、轻型、柔性化方向的发展，以及车辆荷载的形式、轮重和行车速度不断提高，车辆与桥梁结构的动力相互作用越来越受到重视。与静力荷载不同，车辆荷载作为动力荷载，不仅会产生比静力荷载更大的响应值，而且动力时程与车、桥本身的动力特性、行车速度、路面粗糙度等众多因素有关。车辆造成的桥梁振动不仅影响到桥梁结构的安全，引发疲劳问题，还直接决定了行车舒适性。因此精确地分析车桥耦合作用，有针对性地采取工程措施保证桥梁结构的安全和行车舒适性，是必须解决的重要问题。

已在工程领域得到快速发展的神经网络技术可以较好地适用于解决当前尚未解决的大跨度斜拉桥车桥耦合振动分析难以显式表达动力学响应的缺陷。车桥耦合神经网络分析方法是一种用于分析车辆动力系统中车桥耦合关系的方法。该方法基于神经网络模型，通过训练和优化网络参数，可以准确地预测车辆在不同工况下的车桥耦合行为。总之，车桥耦合神经网络分析方法是一种有效的分析车辆动力系统的方法，可以帮助优化车辆性能和提高驾驶体验。然而，该方法仍然需要进一步的研究和改进，以提高网络的预测精度和泛化能力。因此，准确地分析和预测车桥耦合行为对于优化车辆性能和提高驾驶体验具有重要意义。

1 车桥耦合振动理论

车桥耦合是指车辆动力系统中发动机输出的动力通过传动系统传递到车轮上的过程。在实际驾驶中，车桥耦合的性能对车辆的加速、行驶稳定性和燃油经济性等方面都有重要影响。

就桥梁结构而言，其最终的动力学平衡方程始终具有如下形式：

2 神经网络

BP 神经网络的基本运算功能体为BP 神经元，其一般模型如图1、图2 所示。

图1 BP 神经元的一般模型

图2 三层神经网络结构示意图

3 神经网络拟合车桥耦合方法和流程

车桥耦合神经网络分析方法的基本步骤如下：①数据采集：首先需要采集车辆在不同工况下的实际驾驶数据，包括车速、加速度、发动机转速、传动系统参数等。②数据预处理：对采集到的数据进行预处理，包括数据清洗、去噪、归一化等操作，以便于后续的神经网络训练和分析。③网络设计：根据车辆动力系统的特点和需求，设计合适的神经网络结构。常用的网络结构包括前馈神经网络、循环神经网络和卷积神经网络等。④网络训练：使用采集到的数据对设计好的神经网络进行训练。训练过程中，通过调整网络参数，使得网络的输出能够准确地预测车桥耦合行为。⑤网络优化：对训练好的网络进行优化，以提高网络的预测性能和泛化能力。常用的优化方法包括正则化、dropout 和批量归一化等。⑥验证和评估：使用独立的测试数据集对训练好的网络进行验证和评估。通过比较网络的预测结果和实际观测值，评估网络的准确性和可靠性。⑦应用和优化：将训练好的网络应用于实际车辆动力系统的分析和优化中。根据网络的预测结果，可以调整车辆的控制策略和参数，以提高车辆的性能和驾驶体验。

4 算例验证

以一个简单算例证实本文方法的可行性与适用性。简支梁跨长l=32m；单位长度质量为5.41×103kg/m，抗弯刚度为EI=3.5×1010N·m2。在本算例中，假设路面平整度好，假定路面粗糙度为满足零均值的平稳各态历经Gauss 随机过程，通过路面粗糙度功率谱密度函数和路面等级状况得到其沿桥梁纵向分布函数。采用一辆三轴车，以60km/h 速度单向行驶，从前轴驶入桥跨到后轴驶离桥跨为分析过程。采用瞬态动力学分析，得到跨中节点竖向位移的有限元时程响应如图3 所示。

图3 算例有限元时程响应

采用本文提出的神经网络拟合方法，采用三层神经网络，拟合结果与有限元分析结果的对比如图4 所示。由图4 分析可知，采用本文提出的神经网络技术计算出的车桥耦合振动影响与有限元结果吻合良好，证明采用神经网络方法进行车桥耦合振动分析结果准确可靠，计算精度能够满足工程需求。

图4 算例神经网络时程解与有限元时程解对比

5 工程应用

5.1 工程背景

桥梁方案为主跨1088 米的双塔双索面全漂浮体系斜拉桥，跨径布置为100+100+300+1088+300+100+100m，结构对称，半桥长为1044m，全桥长2088m。主梁采用扁平流线型封闭钢箱梁，上翼缘为正交异性板结构；桥塔采用倒Y 型钢筋混凝土塔；斜拉索采用高强度平行钢丝拉索。公路等级为双向六车道高速公路；设计车速为100km/h 斜拉桥总体立面布置如图5 所示。桥梁结构有限元模型如图6所示。

图5 斜拉桥总体立面图

图6 有限元模型

5.2 路面粗糙度

选取“路面平整度好”作为分析模型，生成路面粗糙度函数和粗糙度导数，沿主梁纵向（取半桥长，另外半桥粗糙度按对称取），如图7-图8 所示。

图7 路面不平度

图8 路面不平度导数

5.3 加载情况

取30t 三轴车两辆和20t 双轴车两辆，每一辆三轴车与一辆双轴车为一组，每组分别从桥梁两端同时同反向以100km/h=27.78m/s 速度行驶车辆单向行驶，到驶出主梁位置，整个过程时长为（100+100+300+1088+300+100+100）m/（27.78m/s）=75.168s。

5.4 神经网络拟合逼近结果

为了便于比较神经网络拟合逼近的效果，仍采用主梁跨中节点和梁端节点的竖向位移、速度、加速度时程进行分析，神经网络结果（ANN）与有限元（FEM）结果对比如图9～图11 所示。

图9 跨中节点竖向位移车桥耦合时程神经网络逼近

图10 跨中节点竖向速度车桥耦合时程神经网络逼近

图11 跨中节点竖向加速度车桥耦合时程神经网络逼近

由图9～图11 分析可知，本文提出的基于神经网络的大跨度斜拉桥车桥耦合振动分析结果与有限元计算结果吻合良好。说明采用神经网络技术进行大跨度斜拉桥车桥耦合振动分析，计算结果准确可靠，能够满足工程需求。

6 结论

本文提出了一种新的车桥耦合神经网络方法，神经网络在车桥耦合问题上的拟合效果取决于多个因素，包括网络结构、数据质量和训练方法等。通过一个实际大跨度斜拉桥的案例，采用本文提出的方法进行应用，结果表明：神经网络在车桥耦合问题上具有较好的拟合能力，在实际应用中，需要根据具体情况进行网络结构设计、数据处理和训练方法选择，以获得较好的拟合效果。