[发明专利]一种预应力网格结构张拉全过程的反馈控制方法

摘要

本发明公开了一种预应力网格结构张拉全过程的反馈控制方法，包括以下主要步骤：1）分析准备，2）确定预应力网格结构的放样态基准有限元模型，3）进行结构放样态施工误差的概率有限元分析，4）构建预测预张力控制值的逆向神经网络反馈系统，5）张拉全过程的反馈控制。该方法采用基于施工监测数据的反馈控制方法，在对初始结构分析模型进行施工误差概率有限元分析的基础上，通过逆向神经网络技术构建结构响应与预张力控制值的关系模型，并在实际的多阶段张拉过程中基于实测结构响应数据对预张力控制方案进行动态调整，逐步消除施工误差的随机干扰，从而保证结构在张拉完成实现预期的设计状态。

主权项

1.一种预应力网格结构张拉全过程的反馈控制方法，其特征在于，该方法包括如下步骤：1）分析准备：明确预应力网格结构的设计态的节点坐标{D}^T、设计态的目标预应力设计值{P}^T=（P₁，P₂，…，P_N）、拟采用的施工进程方案、约束条件和材料参数以及所考虑的施工误差变量、及所述施工误差变量的变异范围和概率分布类型，所述拟采用的施工进程方案划分为N个张拉阶段，所述施工误差变量包括节点偏差、索长缺陷和支座误差；2）确定预应力网格结构的放样态基准有限元模型，具体步骤为：2a）以设计态的节点坐标{D}^T建立初始有限元模型的所有节点，然后按照设计态的目标预应力设计值{P}^T、拟采用的施工进程方案、约束条件和材料参数建立初始有限元模型的所有单元；最后，依据约束条件对节点施加约束，得到初始有限元模型；2b）利用形态分析迭代方法确定结构的放样态的节点坐标{D}及初始预张力控制方案{T}=（T₁，T₂，…，T_N），所述N为张拉阶段数量；2c）以放样态的节点坐标{D}建立放样态基准有限元模型的所有节点，然后按照初始预张力控制方案{T}=（T₁，T₂，…，T_N）、材料参数以及施工进程方案建立放样态基准有限元模型的所有单元；最后，依据约束条件对节点施加约束，得到预应力网格结构的放样态基准有限元模型；3）进行结构放样态施工误差的概率有限元分析，具体步骤为：3a）建立施工误差变量参数化的概率有限元模型：将包括节点坐标、拉索长度和支座位置的施工误差变量定义为概率有限元分析的输入变量，并指定施工误差变量的变异范围和概率分布类型，输入到所述步骤2c）中得到的放样态基准有限元模型中，得到施工误差变量参数化的概率有限元模型；3b）在有限元分析软件中，将张拉阶段控制杆件的应力{s}、控制节点的位移{d}和预张力控制值定义为概率有限元分析的输出参数；3c）利用形态分析迭代方法获得施工误差变量下的第1到N-1张拉阶段的输出参数值，其中，第i个张拉阶段的输出参数值为控制杆件应力{s}_i、控制节点位移{d}_i和预张力控制值具体用以下方法获得：首先以第1到i个张拉阶段的实际预张力值为目标预应力，利用形态分析迭代方法进行分析，即将第1到i个张拉阶段的实际预张力值施加于所述步骤3a）中得到的施工误差变量参数化的概率有限元模型上，得到第i个张拉阶段的控制杆件应力{s}_i、控制节点位移{d}_i；然后以（P_i，P_i+1，…，P_N）为目标预应力，利用形态分析迭代方法进行分析，得到第i+1个张拉阶段的预张力控制值所述i为张拉阶段序数，当i＝1时，所述当i>1时，所述第i个张拉阶段的预张力控制值是以（P_i，P_i+1，…，P_N）为目标预应力，利用形态分析迭代方法进行分析得到的；3d）利用蒙特卡罗模拟技术获得输出参数样本值：3d-1）根据所述步骤3a）中指定的施工误差变量的变异范围和概率分布类型，利用蒙特卡罗模拟技术产生概率有限元分析的输入变量随机样本；3d-2）用得到的输入变量随机样本逐个进行以下步骤，从而得到输出参数样本值，即所有输入变量随机样本下的第1到N-1张拉阶段的输出参数值：3d-2-1）用一个输入变量随机样本更新步骤3a）中得到的施工误差变量参数化的概率有限元模型；3d-2-2）利用形态分析迭代方法获得步骤3d-2-1）所述输入变量随机样本下的第1到N-1张拉阶段的输出参数值，从而得到输出参数样本值，即该输入变量随机样本下的第i个张拉阶段的控制杆件应力{s}_i^j、控制节点位移{d}_i^j和第i+1张拉阶段的预张力控制值其中，1≤i＜N-1，1≤j≤M，M为输入变量随机样本数量，具体方法为：首先以第1到i个张拉阶段的实际预张力值为目标预应力，利用形态分析迭代方法进行分析，即将第1到i个张拉阶段的实际预张力值施加于所述步骤3d-2-1）中更新的施工误差变量参数化的概率有限元模型上，得到第i个张拉阶段的控制杆件应力{s}_i^j、控制节点位移{d}_i^j；然后以（P_i，P_i+1，…，P_N）为目标预应力，利用形态分析迭代方法对所述步骤3d-2-1）中更新的施工误差变量参数化的概率有限元模型进行分析，得到第i+1个张拉阶段的预张力控制值所述i为张拉阶段序数，当i＝1时，所述当i>1时，所述第i个张拉阶段的预张力控制值是以为目标预应力，利用形态分析迭代方法进行分析得到的；所述j为输入变量随机样本序数；4）构建预测预张力控制值的逆向神经网络反馈系统：根据所述步骤3d）中获得的输出参数样本值构建第1到N-1个张拉阶段的逆向神经网络反馈系统，其中，第i个张拉阶段的逆向神经网络反馈系统的构建过程为：在数值分析软件的逆向神经网络工具箱中，以第i个张拉阶段的控制杆件应力与控制节点位移为输入层，以第i+1个张拉阶段的预张力控制值为输出层，建立第i个张拉阶段的逆向神经网络反馈系统，5）张拉全过程的反馈控制：当i＝1时，按照所述步骤2b）中确定的初始预张力控制方案{T}中的T₁完成张拉；当1＜i≤N-1时，将第i-1张拉阶段的实测控制杆件应力{s’}_i-1与实测控制节点位移{d’}_i-1输入所述步骤4）中构建的第i-1个逆向神经网络反馈系统中预测得到第i阶段的预张力控制值利用完成第i阶段张拉；当i＝N时，按所述步骤2b）中确定的初始预张力控制方案{T}中的T_N完成张拉。