[发明专利]基于变结构动态混合型贝叶斯网络的斜拉桥安全评估方法

说明书

本发明提出基于变结构动态混合型贝叶斯网络的斜拉桥安全评估方法，利用变结构HDBN建立斜拉桥安全评估及预测模型，使各时间片下的BN拓扑一致，且基于力学方法及索应力影响矩阵构建，相邻时间片间的各连续型节点通过由前一时间片指向后一时间片的有向弧连接；通过设置各时间片间的转移网络拓扑相同而条件概率不同来形成变结构的HDBN，以体现斜拉桥外荷载水平的时序变化；当进行评估时，以之前某段时间监测得的拉索应力最大值作为证据，通过自动匹配对应的时间片为t，并将已知证据代入该时间片t的相应节点中，对模型各时间片的各节点值进行推理，以体系节点的状态概率作为安全评估的依据；本发明能仅根据少量索节点证据对斜拉桥安全性能进行有效评估。

技术领域

本发明涉及桥梁工程技术领域，尤其是基于变结构动态混合型贝叶斯网络的斜拉桥安全评估方法。

背景技术

大跨度桥梁的安全事故往往造成重大人身伤亡和巨大经济损失，因此结合桥梁服役期间的健康监测数据进行实时安全评估极为必要。然而，监测数据体量大、类型多，如何对海量数据进行处理、挖掘并提取构(部)件损伤特征，进而实现对桥梁体系安全性的评估，目前还未形成统一标准。此外，受监测成本及现场布设条件的限制，实际监测系统中传感器数目往往有限，使得数据具有不完备性，是大跨度桥梁安全评估亟需解决的重点难题。最后，在既有安全评估的基础上，若能预测桥梁未来安全性能的变化，以便预先提出针对性的限载方案或维修措施，对于桥梁的全生命周期管理具有重要工程意义。

目前大跨度桥梁安全评估方法大致可分为外观调查评定法、层次分析法、专家系统法、荷载试验法、模糊数学法、可靠度理论法和人工智能方法等。外观调查评定法、层次分析法和专家系统法等均带有主观性；现场荷载试验法成本高且影响桥梁正常运营；大跨度桥梁属于高次超静定结构，失效模式十分复杂，功能函数往往是非线性的，难以定义，使得可靠度分析方法难以应用；人工智能中传统神经网络属于浅层网络，由于层数限制使得输入-输出间的非线性映射能力受到制约。特别是网络输入数据必须与神经元数目相同，难以实现对不完备数据的读取和利用。新兴的深度学习方法通过逐层训练的方式实现了更深层的神经网络，然而其运算机制为“黑盒子”模式，不具备逻辑推理能力，在遇到样本稀疏的情况时网络泛化和预测可靠性大为降低。

贝叶斯网络(Bayesian Networks,BN)是人工智能方法中概率图模型的一种，可以处理不确定性和数据不完备问题。BN通过拓扑图描述各构(部)件节点变量间的因果关系，这种关系的强度利用条件概率进行表达。按节点变量类型，可分为离散型、连续型及混合型BN，按分析问题是否具有时序性，又可分为静态BN和动态BN。BN不仅有严密的概率基础还有直观清楚的网络拓扑，且具备神经网络方法所没有的逻辑推理能力，是一种理想的结构安全评估建模方法。

实际大跨度桥梁的结构参数可以用离散和连续变量定义，比如某根拉索的应力值为一连续变量，此时利用连续型BN节点处理可得到更为精确的结果。然而离散变量可表达构(部)件和体系的“安全”或“失效”问题，能给出直观量化的体系失效概率，且可与连续性节点共存。对于包含离散型节点和连续型节点的贝叶斯网络，可称为混合型贝叶斯网络。在此基础上进一步考虑实时评估的时序性，可将单时间片下的静态混合型贝叶斯网络扩展至多时间片，则形成了动态混合型贝叶斯网络(Hybrid Dynamic Bayesian Network，HDBN)。若HDBN中转移网拓扑或条件概率随时间发生改变，则称之为变结构HDBN模型。但相比单纯的连续型或离散型BN，混合型BN的节点变量处理更为复杂。其中，对于具有混合型父节点的离散型子节点和连续型子节点，通常需要通过增加离散的隐藏节点或采用条件贝叶斯分布处理子节点。而隐藏节点变量的状态划分准则直接影响混合型BN的可靠性及推理精度。

发明内容

本发明提出基于变结构动态混合型贝叶斯网络的斜拉桥安全评估方法，能仅根据少量索节点证据对斜拉桥安全性能进行有效评估。

本发明采用以下技术方案。