[發明專利]一種預應力網格結構張拉全過程的反饋控制方法

有效

• 申請號: 201210145411.0
• 申請日: 2012-05-10
• 公開（公告）號: CN102707623A
• 公開（公告）日: 2012-10-03
• 發明（設計）人: 周臻;馮玉龍;孟少平;吳京;王永泉
• 申請（專利權）人: 東南大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種預應力網格結構張拉全過程的反饋控制方法，其特征在于，該方法包括如下步驟：

1）分析準備：明確預應力網格結構的設計態的節點坐標{D}^T、設計態的目標預應力設計值{P}^T=（P₁，P₂，…，P_N）、擬采用的施工進程方案、約束條件和材料參數以及所考慮的施工誤差變量、及所述施工誤差變量的變異范圍和概率分布類型，所述擬采用的施工進程方案劃分為N個張拉階段，所述施工誤差變量包括節點偏差、索長缺陷和支座誤差；

2）確定預應力網格結構的放樣態基準有限元模型，具體步驟為：

2a）以設計態的節點坐標{D}^T建立初始有限元模型的所有節點，然后按照設計態的目標預應力設計值{P}^T、擬采用的施工進程方案、約束條件和材料參數建立初始有限元模型的所有單元；最后，依據約束條件對節點施加約束，得到初始有限元模型；

2b）利用形態分析迭代方法確定結構的放樣態的節點坐標{D}及初始預張力控制方案{T}=（T₁，T₂，…，T_N），所述N為張拉階段數量；

2c）以放樣態的節點坐標{D}建立放樣態基準有限元模型的所有節點，然后按照初始預張力控制方案{T}=（T₁，T₂，…，T_N）、材料參數以及施工進程方案建立放樣態基準有限元模型的所有單元；最后，依據約束條件對節點施加約束，得到預應力網格結構的放樣態基準有限元模型；

3）進行結構放樣態施工誤差的概率有限元分析，具體步驟為：

3a）建立施工誤差變量參數化的概率有限元模型：將包括節點坐標、拉索長度和支座位置的施工誤差變量定義為概率有限元分析的輸入變量，并指定施工誤差變量的變異范圍和概率分布類型，輸入到所述步驟2c）中得到的放樣態基準有限元模型中，得到施工誤差變量參數化的概率有限元模型；

3b）在有限元分析軟件中，將張拉階段控制桿件的應力{s}、控制節點的位移zn9d37f和預張力控制值定義為概率有限元分析的輸出參數；

3c）利用形態分析迭代方法獲得施工誤差變量下的第1到N-1張拉階段的輸出參數值，其中，第i個張拉階段的輸出參數值為控制桿件應力{s}_i、控制節點位移7ztxp9l_i和預張力控制值具體用以下方法獲得：

首先以第1到i個張拉階段的實際預張力值為目標預應力，利用形態分析迭代方法進行分析，即將第1到i個張拉階段的實際預張力值施加于所述步驟3a）中得到的施工誤差變量參數化的概率有限元模型上，得到第i個張拉階段的控制桿件應力{s}_i、控制節點位移dbtztzr_i；

然后以（P_i，P_i+1，…，P_N）為目標預應力，利用形態分析迭代方法進行分析，得到第i+1個張拉階段的預張力控制值

所述i為張拉階段序數，當i＝1時，所述當i>1時，所述第i個張拉階段的預張力控制值是以（P_i，P_i+1，…，P_N）為目標預應力，利用形態分析迭代方法進行分析得到的；

3d）利用蒙特卡羅模擬技術獲得輸出參數樣本值：

3d-1）根據所述步驟3a）中指定的施工誤差變量的變異范圍和概率分布類型，利用蒙特卡羅模擬技術產生概率有限元分析的輸入變量隨機樣本；

3d-2）用得到的輸入變量隨機樣本逐個進行以下步驟，從而得到輸出參數樣本值，即所有輸入變量隨機樣本下的第1到N-1張拉階段的輸出參數值：

3d-2-1）用一個輸入變量隨機樣本更新步驟3a）中得到的施工誤差變量參數化的概率有限元模型；

3d-2-2）利用形態分析迭代方法獲得步驟3d-2-1）所述輸入變量隨機樣本下的第1到N-1張拉階段的輸出參數值，從而得到輸出參數樣本值，即該輸入變量隨機樣本下的第i個張拉階段的控制桿件應力{s}_i^j、控制節點位移z51bfbd_i^j和第i+1張拉階段的預張力控制值其中，1≤i＜N-1，1≤j≤M，M為輸入變量隨機樣本數量，具體方法為：

首先以第1到i個張拉階段的實際預張力值為目標預應力，利用形態分析迭代方法進行分析，即將第1到i個張拉階段的實際預張力值施加于所述步驟3d-2-1）中更新的施工誤差變量參數化的概率有限元模型上，得到第i個張拉階段的控制桿件應力{s}_i^j、控制節點位移td1hj39_i^j；

然后以（P_i，P_i+1，…，P_N）為目標預應力，利用形態分析迭代方法對所述步驟3d-2-1）中更新的施工誤差變量參數化的概率有限元模型進行分析，得到第i+1個張拉階段的預張力控制值

所述i為張拉階段序數，當i＝1時，所述當i>1時，所述第i個張拉階段的預張力控制值是以為目標預應力，利用形態分析迭代方法進行分析得到的；所述j為輸入變量隨機樣本序數；

4）構建預測預張力控制值的逆向神經網絡反饋系統：根據所述步驟3d）中獲得的輸出參數樣本值構建第1到N-1個張拉階段的逆向神經網絡反饋系統，其中，第i個張拉階段的逆向神經網絡反饋系統的構建過程為：

在數值分析軟件的逆向神經網絡工具箱中，以第i個張拉階段的控制桿件應力與控制節點位移為輸入層，以第i+1個張拉階段的預張力控制值為輸出層，建立第i個張拉階段的逆向神經網絡反饋系統，

5）張拉全過程的反饋控制：當i＝1時，按照所述步驟2b）中確定的初始預張力控制方案{T}中的T₁完成張拉；當1＜i≤N-1時，將第i-1張拉階段的實測控制桿件應力{s’}_i-1與實測控制節點位移{d’}_i-1輸入所述步驟4）中構建的第i-1個逆向神經網絡反饋系統中預測得到第i階段的預張力控制值利用完成第i階段張拉；當i＝N時，按所述步驟2b）中確定的初始預張力控制方案{T}中的T_N完成張拉。