鐵路大體積混凝土熱學(xué)參數(shù)反分析研究

李東磊，李化建，安明喆，孫學(xué)奎

(1.北京交通大學(xué) 土木與建筑工程學(xué)院，北京 100044;2.中國(guó)鐵道科學(xué)研究院 鐵道建筑研究所，北京 100081;3.京沈鐵路客運(yùn)專線 遼寧有限責(zé)任公司，遼寧 沈陽(yáng) 110006)

1 熱傳導(dǎo)反分析發(fā)展概述

在高速鐵路工程建設(shè)當(dāng)中，嚴(yán)寒地區(qū)大體積混凝土結(jié)構(gòu)在澆筑前期水化升溫迅速，加之惡劣的氣候條件(溫差大)、露天的服役環(huán)境、自身不良的熱工性能，表面常出現(xiàn)不規(guī)則裂縫。研究嚴(yán)寒地區(qū)溫度場(chǎng)變化規(guī)律，獲取與工程實(shí)際相符的熱學(xué)參數(shù)，利用現(xiàn)代數(shù)值計(jì)算方法對(duì)構(gòu)件溫度場(chǎng)進(jìn)行分析研究，在施工期采取合理的溫控措施，預(yù)防溫度裂縫的產(chǎn)生成為解決這一問(wèn)題的重要手段。傳統(tǒng)試驗(yàn)獲取參數(shù)的方法，在準(zhǔn)確性、時(shí)間積累特性等方面已經(jīng)不能滿足需要，利用數(shù)學(xué)理論進(jìn)行反分析成為重要途徑。20世紀(jì)80年代熱傳導(dǎo)主要針對(duì)的是一維問(wèn)題，隨著計(jì)算機(jī)技術(shù)的發(fā)展和有限元、邊界元、無(wú)限元等理論的完善，熱傳導(dǎo)問(wèn)題逐漸擴(kuò)展到三維領(lǐng)域，識(shí)別參數(shù)也由單一變量擴(kuò)展到多宗量識(shí)別，同時(shí)研究者對(duì)于參數(shù)的研究方向也由起初的導(dǎo)熱系數(shù)和邊界熱流轉(zhuǎn)移到了換熱系數(shù)、內(nèi)熱源。同時(shí)，反分析理論也得到了迅速發(fā)展，最初出現(xiàn)的是窮舉法、蒙特卡洛法［1］等完全非線性的搜索方法。窮舉法需要對(duì)全部空間進(jìn)行搜索，計(jì)算量大，在實(shí)際應(yīng)用當(dāng)中受到限制。而蒙特卡洛法則在解空間隨機(jī)進(jìn)行搜索，盲目性大而且難以做到全局準(zhǔn)確實(shí)現(xiàn)。針對(duì)此種現(xiàn)象，研究者將數(shù)學(xué)優(yōu)化理論引入反分析體系，基于最小二乘法［2］、Markov鏈、最大似然估計(jì)以及 Bayesian公式［3］等建立目標(biāo)函數(shù)，通過(guò)兩種途徑實(shí)現(xiàn)參數(shù)識(shí)別。一種是建立迭代逼近機(jī)制，即設(shè)置迭代格式逐次逼近真值，主要的方法包括最快下降梯度法、牛頓—高斯法［4］、超松弛逐次迭代法［5］、正則化梯度法［6］等;另一種是建立區(qū)域搜索機(jī)制，即通過(guò)設(shè)置搜索規(guī)則快速實(shí)現(xiàn)識(shí)別，主要的方法包括單純形加速法［7］、輪換模式搜索法、線性規(guī)劃法、Powell法等。然而，這兩類方法都屬于局部收斂的方法，識(shí)別精度對(duì)于初值質(zhì)量依賴性大，算法的穩(wěn)定性也不理想。近年來(lái)隨著研究的不斷深入，仿真智能算法成為目前該領(lǐng)域的研究熱點(diǎn)，取得了大量研究成果。仿生智能算法是借鑒自然界的工作機(jī)理和優(yōu)選制度所建立起來(lái)的新型搜索方法，通過(guò)算子和概率轉(zhuǎn)移模擬生物行為對(duì)初始群體進(jìn)行操作。此類方法在應(yīng)用方面很快得到了推廣，但仍存在一些問(wèn)題，比如對(duì)于初始種群的依賴、收斂速度、搜索停滯等問(wèn)題。各種優(yōu)化方法之間組合形成的混合法成為解決這一問(wèn)題的主要途徑?；旌戏梢越梃b不同優(yōu)化方法的優(yōu)勢(shì)，代表性的方法有遺傳—螞蟻法、免疫—螞蟻法［8］、微粒群—蟻群法等［9］。雖然針對(duì)某種算法的理論已經(jīng)有人進(jìn)行了整理，但關(guān)于熱傳導(dǎo)系統(tǒng)介紹的綜述性文獻(xiàn)還尚未見(jiàn)到，本文從實(shí)現(xiàn)機(jī)理出發(fā)對(duì)熱傳導(dǎo)反分析方法整理歸類，闡述了實(shí)現(xiàn)方法的關(guān)鍵技術(shù)，并將基于網(wǎng)格劃分的連續(xù)域蟻群算法應(yīng)用于高速鐵路工程，獲得了良好的識(shí)別效果，為研究高速鐵路混凝土溫度開(kāi)裂問(wèn)題奠定了基礎(chǔ)。

2 逆法

逆法是指根據(jù)實(shí)際對(duì)數(shù)學(xué)模型進(jìn)行簡(jiǎn)化，通過(guò)直接求解逆方程而得到有關(guān)參數(shù)的顯示表達(dá)形式的方法，結(jié)合相應(yīng)的試驗(yàn)數(shù)據(jù)就可以得到熱學(xué)參數(shù)，算法簡(jiǎn)單易于實(shí)現(xiàn)，但其在實(shí)現(xiàn)上經(jīng)常遇到一些數(shù)學(xué)上的難題，在解決非線性等復(fù)雜問(wèn)題時(shí)計(jì)算穩(wěn)定性不好，在實(shí)際應(yīng)用中受到較大限制。

逆法主要包括兩種方法，一是朱伯芳提出的方法，二是黃達(dá)海等提出的劃分區(qū)間計(jì)算方法。在研究混凝土溫度作用關(guān)系的基礎(chǔ)上，朱伯芳院士提出了利用表面溫度數(shù)據(jù)反求熱學(xué)參數(shù)的方法［10］。黃達(dá)海等［11］深入研究了“溫度變化—混凝土表層溫度響應(yīng)”規(guī)律，得到了表層混凝土溫度變化理論解，具體反分析實(shí)現(xiàn)步驟如下:①線性化區(qū)間;②優(yōu)選測(cè)點(diǎn);③反演計(jì)算。

3 正法

由于逆法在實(shí)際應(yīng)用中受到諸多條件的限制，而且所得數(shù)據(jù)離散、代表性不強(qiáng)?，F(xiàn)在，關(guān)于混凝土熱學(xué)參數(shù)反分析的研究主要集中在正法求解上，正法大體可以分為輸入模型、控制原則、反饋模型三部分，基本實(shí)現(xiàn)思路如圖1所示。

圖1 算法實(shí)現(xiàn)流程

3.1 正分析模型和目標(biāo)函數(shù)

混凝土熱傳導(dǎo)問(wèn)題需要考慮空間和時(shí)間積累因素，很難利用數(shù)學(xué)方法得到解析解，一般只有在特定條件下才能實(shí)現(xiàn)，比如:初始溫度影響消失、環(huán)境溫度為常量或線性變化等。大連理工大學(xué)的張宇鑫［12］在一維熱傳導(dǎo)的前提下，根據(jù)疊加原理將上述問(wèn)題分解為四種情況，并通過(guò) Laplace積分變換最終得到了溫度場(chǎng)解析解。在研究起步階段，主要用差分法來(lái)分析一維熱傳導(dǎo)問(wèn)題。隨著有限元理論迅速發(fā)展，研究領(lǐng)域逐步擴(kuò)展到三維瞬態(tài)熱傳導(dǎo)問(wèn)題，并成為建立正分析模型的主要途徑。王一博等［13］基于有限元理論和精細(xì)積分法提出了新正演模型，并獲得了很好的計(jì)算結(jié)果。河海大學(xué)的朱岳明教授對(duì)參數(shù)可辨識(shí)性［14］進(jìn)行了論證。

建立正分析模型后，需要借助目標(biāo)函數(shù)對(duì)響應(yīng)值和實(shí)測(cè)值進(jìn)行比較，控制識(shí)別精度。目標(biāo)函數(shù)的種類可分為如下幾種:①最小二乘理論;②Markov鏈理論;③最大似然估計(jì)理論;④Bayesian理論。

3.2 實(shí)現(xiàn)方法

3.3 仿生智能及其進(jìn)化反分析法

隨著研究的深入，各國(guó)學(xué)者從自然界生物行為入手，借鑒它們的運(yùn)行機(jī)制，形成了仿生智能算法，在反分析領(lǐng)域中迅速得到推廣應(yīng)用，目前主要的算法見(jiàn)表1。

表1 智能算法簡(jiǎn)介

1)神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)算法［21-22］一般由輸入層、隱含層和輸出層構(gòu)成。神經(jīng)網(wǎng)絡(luò)三層感知器之間通過(guò)神經(jīng)元進(jìn)行信息傳遞和反饋，可以實(shí)現(xiàn)任意非線性映射。這使得神經(jīng)網(wǎng)絡(luò)算法得到廣泛的應(yīng)用。然而標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)算法具有收斂速度慢、易形成局部搜索停滯、計(jì)算速率難以確定等缺點(diǎn)?，F(xiàn)在的神經(jīng)網(wǎng)絡(luò)基本都與其他算法相結(jié)合，相互借鑒優(yōu)勢(shì)形成新的綜合優(yōu)化算法。

2)遺傳算法

遺傳算法［23，25］的理論基礎(chǔ)是達(dá)爾文的生物進(jìn)化理論，它借鑒了生物界中的自然選擇和群體遺傳機(jī)制，通過(guò)選擇、交叉和變異算子對(duì)初始種群進(jìn)行搜索，根據(jù)不同的適應(yīng)度函數(shù)，產(chǎn)生新的種群，并通過(guò)遺傳操作，一代代地向最優(yōu)解進(jìn)化。主要內(nèi)容包括:編碼、產(chǎn)生初始種群、構(gòu)造適應(yīng)度函數(shù)、選擇遺傳、突變算子。遺傳算法適用于解決復(fù)雜的非線性和多維空間尋優(yōu)問(wèn)題，它具有優(yōu)秀的全局搜索能力、平行實(shí)現(xiàn)能力、目標(biāo)函數(shù)的普適能力等，使其成為智能算法中應(yīng)用最廣、進(jìn)化最多的算法。標(biāo)準(zhǔn)的遺傳算法還存在著計(jì)算速率低、對(duì)適應(yīng)度函數(shù)依賴性大、易形成局部過(guò)早收斂等問(wèn)題，進(jìn)化算法［28］很好地彌補(bǔ)了這方面缺陷。

3)蟻群算法

蟻群算法［26］模擬螞蟻在覓食時(shí)通過(guò)留下信息素來(lái)影響后面螞蟻的搜尋路徑，實(shí)現(xiàn)搜索協(xié)調(diào)，最終獲得最優(yōu)解。蟻群算法具有自適應(yīng)性、正反饋計(jì)算、并行實(shí)現(xiàn)、強(qiáng)魯棒性、易與其他算法結(jié)合等優(yōu)點(diǎn)，并逐漸形成了基本蟻群算法、自適應(yīng)蟻群算法、最大最小蟻群算法、基于信息量分布的連續(xù)蟻群算法、基于網(wǎng)格劃分的連續(xù)域蟻群算法等經(jīng)典類型?，F(xiàn)在，蟻群算法已經(jīng)深入到電力系統(tǒng)優(yōu)化、交通配流、巖土工程、化工生產(chǎn)等諸多領(lǐng)域，成為國(guó)際智能計(jì)算領(lǐng)域中備受關(guān)注的研究熱點(diǎn)和前沿性課題。

熱傳導(dǎo)反演問(wèn)題的主旨是通過(guò)某些已知的信息，如監(jiān)測(cè)數(shù)據(jù)、初始條件、邊界條件、部分熱學(xué)參數(shù)等，借助反演技術(shù)估算或確定熱學(xué)參數(shù)未知量。神經(jīng)網(wǎng)絡(luò)和遺傳算法的程序復(fù)雜，編寫難度大，本文根據(jù)實(shí)際工程需要，選用基于網(wǎng)格劃分的連續(xù)域蟻群算法編寫程序，獲得了很好的識(shí)別結(jié)果。

4 工程算例

本文針對(duì)東北的氣候特征，在某高速鐵路沿線澆筑試驗(yàn)墩，墩身高4.0 m，寬3.8 m，厚2.0 m，選取9 個(gè)測(cè)點(diǎn)埋設(shè)傳感器，監(jiān)測(cè)混凝土結(jié)構(gòu)和環(huán)境的溫度變化情況。采用連續(xù)“蟻群”算法對(duì)混凝土熱學(xué)參數(shù)進(jìn)行反演分析，并通過(guò)試驗(yàn)墩溫度場(chǎng)模擬反饋?zhàn)R別效果。其中，密度、比熱容和導(dǎo)熱系數(shù)可以根據(jù)施工配合比通過(guò)經(jīng)驗(yàn)公式計(jì)算得到，密度 ρ=2 400 kg/m3，比熱容c=0.881 8 kJ/(℃·kg)，導(dǎo) 熱 系 數(shù) λ = 9.14 kJ/(m·h·℃);將絕熱溫升最終值、規(guī)律參數(shù)a和b、表面放熱系數(shù)β作為識(shí)別項(xiàng)，待定參數(shù)變化范圍和計(jì)算結(jié)果如表2所示。利用ANSYS軟件模擬瞬態(tài)混凝土溫度場(chǎng)，將計(jì)算溫度值和實(shí)測(cè)溫度值進(jìn)行比較，如圖2所示，可以發(fā)現(xiàn)計(jì)算誤差控制在5%之內(nèi)，具有較好的識(shí)別精度，由“蟻群”算法反演得到的熱學(xué)參數(shù)是可靠和有效的。

表2 參數(shù)變量范圍及反演結(jié)果

圖2 網(wǎng)格化模型和1號(hào)，4號(hào)，7號(hào)測(cè)點(diǎn)反演結(jié)果對(duì)比

5 結(jié)論

1)在混凝土熱學(xué)參數(shù)反分析領(lǐng)域中，逆法的應(yīng)用受到限制，但其本身理論依據(jù)簡(jiǎn)單、計(jì)算量小，在特定條件下可以較快得到熱學(xué)參數(shù)。遺傳算法和神經(jīng)網(wǎng)絡(luò)引入較早，成為應(yīng)用和進(jìn)化發(fā)展最多的算法，理論體系較為完善，與其他算法結(jié)合形成的混合算法在識(shí)別速度和識(shí)別精度方面有了更大提高。

2)本文將蟻群算法應(yīng)用于實(shí)際工程當(dāng)中，編譯蟻群算法程序，以實(shí)測(cè)數(shù)據(jù)為依據(jù)獲得熱學(xué)參數(shù)，工程實(shí)踐表明相應(yīng)測(cè)點(diǎn)的反演值和實(shí)測(cè)值誤差大體控制在5%左右，識(shí)別結(jié)果良好。

3)蟻群算法是一種強(qiáng)魯棒性算法，只需要小范圍改動(dòng)就可以實(shí)現(xiàn)與其他算法的結(jié)合，借鑒其他算法的優(yōu)勢(shì)，形成更為完善更為有針對(duì)性的組合優(yōu)化算法，是蟻群算法逐步發(fā)展的方向。隨著研究的深入，蟻群算法將會(huì)給我們呈現(xiàn)出一個(gè)分布式和網(wǎng)絡(luò)式的優(yōu)秀反分析方法，為工程數(shù)值分析提供更為廣闊的平臺(tái)。

［1］郝靜如，米潔.用蒙特卡洛法計(jì)算可靠度的程序優(yōu)化［J］.機(jī)械設(shè)計(jì)與制造，1998(1):6-8.

［2］何光宇.混凝土溫度場(chǎng)反演分析與施工反饋分析［J］.華北水利水電學(xué)院學(xué)報(bào)，2004，25(4):9-13.

［3］趙新銘，張劍，劉寧.大體積混凝土力學(xué)參數(shù)的 Bayes隨機(jī)優(yōu)化反演［J］.土木工程學(xué)報(bào)，2005，38(10):93-97.

［4］李守巨，劉迎曦，王登剛，等.混凝土重力壩材料參數(shù)識(shí)別的正則化最小二乘法［J］.計(jì)算物理，2000，17(6):702-707.

［5］韓林，張子明，倪志強(qiáng).應(yīng)用改進(jìn)算法的對(duì)稱逐步超松弛預(yù)處理共軛梯度法［J］.河海大學(xué)學(xué)報(bào)，2010，38(3):278-283.

［6］劉迎曦，王登剛.材料物性參數(shù)識(shí)別的梯度正則化方法［J］.吉林大學(xué)自然科學(xué)學(xué)報(bào)，2000，20(2):56-60.

［7］余波，邱洪興.基于單純形加速理論混凝土瞬態(tài)溫度場(chǎng)熱學(xué)參數(shù)的動(dòng)態(tài)反演研究［J］.工業(yè)建筑，2007，37(21):374-378.

［8］胡純德，祝延軍，高隨祥.基于人工免疫算法和蟻群算法求解旅行商問(wèn)題［J］.計(jì)算力學(xué)學(xué)報(bào)，2004，34(3):60-63.

［9］馬軍建，董增川，王春霞，等.蟻群算法研究進(jìn)展［J］.河海大學(xué)學(xué)報(bào)，2008(3):140-143.

［10］朱伯芳.大體積混凝土溫度應(yīng)力與溫度控制［M］.北京:中國(guó)電力出版社，1999(3):8-17.

［11］黃達(dá)海，劉廣義，劉光廷.大體積混凝土熱學(xué)參數(shù)反分析新方法［J］.計(jì)算力學(xué)學(xué)報(bào)，2003，20(5):574-578.

［12］張宇鑫，宋玉普，王登剛.基于遺傳算法的混凝土三維非穩(wěn)態(tài)溫度場(chǎng)反分析［J］.計(jì)算力學(xué)學(xué)報(bào)，2004，21(3):338-342.

［13］王一博，楊海天，鄔瑞鋒.基于時(shí)域精細(xì)積分算法的瞬態(tài)傳熱多宗量反演［J］.應(yīng)用數(shù)學(xué)和力學(xué)，2005，26(5):513-518.

［14］黎軍，朱岳明，何光宇.混凝土溫度特性參數(shù)反分析及其應(yīng)用［J］.紅水河，2009，22(2):33-37.

［15］張家海，路明，孫書芳.基于變尺度法的前向神經(jīng)網(wǎng)絡(luò)混沌學(xué)習(xí)算法［J］.石油化工高等學(xué)校學(xué)報(bào)，2009(20):54-57.

［16］薛齊文，楊海天，胡國(guó)俊.共軛梯度法求解多宗量瞬態(tài)熱傳導(dǎo)反問(wèn)題［J］.計(jì)算物理，2005，22(1):56-60.

［17］陳國(guó)榮，李皇勝，李紅健.大體積混凝土溫度場(chǎng)高速求解方法的改進(jìn)［J］.河海大學(xué)學(xué)報(bào)，2009，37(4):396-399.

［18］趙新銘，張劍，劉寧.混凝土溫度場(chǎng)熱學(xué)參數(shù)反演方法的研究［J］.華北水利水電學(xué)院學(xué)報(bào)，2002，23(4):6-9.

［19］劉寧，張劍，趙新銘.大體積混凝土結(jié)構(gòu)熱學(xué)參數(shù)隨機(jī)反演方法初探［J］.工程力學(xué)學(xué)報(bào)，2003，20(5):114-120.

［20］韓明.可靠性工程中參數(shù)的Bayes估計(jì)法及其應(yīng)用［J］.兵工學(xué)報(bào)，2009，30(11):1473-1477.

［21］于猛，陳堯隆，梁娟.基于 BP神經(jīng)網(wǎng)絡(luò)的碾壓混凝土壩溫度場(chǎng)反分析［J］.電網(wǎng)與水利發(fā)電進(jìn)展，2008，24(5):59-62.

［22］高春濤.混沌神經(jīng)網(wǎng)絡(luò)模型及其應(yīng)用研究［J］.黑龍江科技信息，2008，33(4):94-96.

［23］常洪江.遺傳算法綜述［J］.電腦學(xué)習(xí)，2010，6(3):114-116.

［24］潘長(zhǎng)軍.模擬退火算法在巖土工程中的研究應(yīng)用進(jìn)展［J］.山西建筑，2010，36(16):75-76.

［25］劉學(xué)增，周敏.改進(jìn)的自適應(yīng)遺傳算法及其工程應(yīng)用［J］.同濟(jì)大學(xué)學(xué)報(bào)，2009，37(3):303-307.

［26］段海濱.蟻群算法原理及其應(yīng)用［M］.北京:科學(xué)出版社，2005:1-117.

［27］楊燕，靳蕃，KAMEL.微粒群優(yōu)化算法研究現(xiàn)狀及其進(jìn)展［J］.計(jì)算機(jī)工程，2004，30(21):3-9.

［28］朱合華，劉學(xué)增.基于遺傳算法的混合優(yōu)化反分析及比較研究［J］.巖石力學(xué)與工程學(xué)報(bào)，2003，22(2):197-202.