基于力学贝叶斯网络的钢桁架安全评估
Safety evaluation of a steel truss using mechanical Bayesian networks
通讯作者:
收稿日期: 2020-12-1
基金资助: |
|
Received: 2020-12-1
Fund supported: | 国家自然科学基金资助项目(52178276);福州大学“旗山学者”奖励支持计划资助项目(XRC-1688) |
作者简介 About authors
谭佳丽(1992—),女,博士生,从事结构健康监测研究.orcid.org/0000-0003-0798-4252.E-mail:
为了评估桁架结构的安全性能,采用力学贝叶斯网络表示桁架各单元间的逻辑关系. 提出根据力学分析建立网络拓扑,网络节点变量包括连续型的桁架结构各单元最大应力、离散型的下平纵梁状态及体系状态;通过条件概率描述节点间的逻辑关系强度,基于数值分析和抽样实现参数学习,建立力学贝叶斯网络;以一榀钢桁架模型的4个单元最大应力作为已知证据输入建立的贝叶斯网络,推理其余单元的最大应力以及体系状态概率. 研究结果表明:在监测单元最大应力已知的情况下,利用力学贝叶斯网络可以估计其余各单元的最大应力值,评估的所有单元应力与观测值间的决定系数
关键词:
A mechanical Bayesian network was used to express the logical relationship among truss members for safety evaluation of a truss structure. The network topology was established based on mechanical analysis, and the nodal variables included the maximum stress of all the members, the state of the discrete lower longitudinal girder, and the system state. The logical strength between two relevant member nodes was described by conditional probability. A mechanical Bayesian network was established based on numerical analysis and sampling. The four maximum member stresses of the steel truss structure model were input into the established Bayesian network as the known evidence. The maximum stresses of the other members, as well as the state probability of the system, were then deduced. Results show that the mechanical Bayesian network can be used to well estimate the maximum stress of the other nodes (truss members) when the maximum stresses of the monitoring members are known. The coefficient of determination, i,e., R2 = 0.9992, shows that the consistency between the evaluated stress of all elements and the observed data is strong. Simultaneously, the members closer to the known members are estimated in a more accurate way, which can be used as a reference for choosing monitoring members. Furthermore, the inferred state probability of truss system is consistent with the observed data. Thus, the failure probability can be used as an index for safety evaluation of truss structures.
Keywords:
本文引用格式
谭佳丽, 方圣恩.
TAN Jia-li, FANG Sheng-en.
空间结构、铁路、高速公路等经常采用桁架作为主要承力结构,其杆件主要承受轴向拉压,能充分利用材料强度,增强结构刚度并减轻自重. 但空间桁架往往杆件数量多、体系冗余度大,同时存在不确定性因素如节点连接条件、外荷载分布、杆件截面不均匀等[1],使得准确评估桁架体系安全性的难度较大.
相比于传统的神经网络方法的“黑盒子”模式,贝叶斯网络(Bayesian networks,BN)[7]为具有逻辑推理的人工智能方法. BN拓扑为有向无环图,用节点表示变量,联系各节点的有向弧代表节点间的相互逻辑关系,关系强度通过条件概率表(conditional probability table,CPT)或条件概率分布(conditional probability distribution,CPD)[8-9]表征. 近年来BN在可靠性分析和风险评估上已有一定应用[10-14]. BN类型有离散型、连续型及混合型[15],分别对应离散型、连续型和离散-连续混合的节点变量. 将桁架结构中各单元的最大应力处理成连续变量,可以精确推理出单元应力,有利于桁架结构的安全评估的准确性. 而对于桁架结构体系的安全性评估,将体系节点处理成离散型的状态(“安全”或“破坏”)更具实用性,可以直接得到体系的破坏概率.
BN的建立主要包含BN拓扑和其有向弧的CPT(或CPD)2个要素,均可以通过经验确定和基于观测数据参数学习方式得到[16-19]. 前者主观性太强,有时缺乏客观依据,而后者在确定BN拓扑时容易导致节点间逻辑关系过于复杂或丢失,比如属于间接关系的节点被有向弧直接连接,或有直接父子关系的节点间不存在有向弧. 桁架结构是由杆件(梁)组成的格构体系,当外荷载作用在桁架结点(区别于BN节点)上时,各杆内力主要为轴向拉力或压力,交汇于一个结点上的内力合力作用于梁截面. 在给定外荷载形式下各杆件间的力学关系明确,体系力学模型易于建立. 因此,基于力学逻辑建立桁架结构的BN拓扑是可行且合理的方法. 在BN拓扑建立后,CPT和CPD可以通过观测数据进行参数学习得到.
本研究针对桁架结构安全性评估问题,提出嵌套力学BN方法. 将桁架结构各单元最大应力作为BN的连续型节点,而体系状态作为离散节点,通过对下平纵梁节点的离散化将2种类型的BN节点进行关联,形成嵌套力学BN. 首先,根据外荷载和桁架杆件内力分布情况,建立表述桁架单元间逻辑关系的构件层次BN拓扑;接着定义桁架体系为独立节点,将离散后的各下平纵梁单元节点与之相联系,建立体系层次的BN拓扑. 接着通过抽样样本和最大似然估计法对CPT和CPD进行学习,得到可以用于推理的嵌套力学BN. 提出的嵌套BN既能保证单元应力的评估精度,避免信息的损失,又能通过对体系安全评估的直观指标满足现实需求,具有更好的实用性.
1. 贝叶斯网络
BN是形容各节点变量之间概率关系的图模型,由两部分构成:1)网络拓扑,为有向无环图;2)连接节点的有向弧,节点间逻辑关系通过有向弧由起因节点(父节点)指向结果节点(子节点),关系强度采用CPT(对应离散型)或CPD(对应连续型)描述.
图 1
式中:
离散型BN节点间逻辑关系强度通过CPT表示,CPT中元素为父节点状态组合下子节点的状态概率,可以通过对观测数据进行参数学习得到.
在实际工程中,连续变量普遍存在,对于连续型BN节点,可以将节点变量进行离散化,或考虑成服从某一分布的连续函数. 节点离散化若划分过粗将影响节点变量的分辨率,而划分过细容易出现极端概率情况,影响BN建模及推理. 因此在更高节点精度需求下,可以假设连续型BN节点服从高斯分布,设节点变量用
父节点集合
式中:
式中:
BN的2个关键要素是网络的几何拓扑和CPT(或CPD),若各节点间逻辑关系明确,则可以直接建立拓扑,仅对CPT(或CPD)进行学习,以大幅减小所需的观测数据量. 学习CPT(或CPD)最常用最大似然估计法和贝叶斯方法,当观测数据数目较多时,最大似然法的收敛性质更佳,下面以一榀钢桁架结构为例进行说明.
2. 钢桁架结构力学BN
工程桁架结构往往受恒荷载和活荷载的组合作用. 本研究以一下承式桁架桥结构为例,阐述力学BN模型的构建方法. 假设恒荷载为作用于下平纵梁的均布荷载,活荷载为沿下平纵梁移动的随机集中荷载. 以下将对组合荷载作用下的桁架结构力学BN进行说明.
2.1. BN节点变量类型
为了评估桁架结构体系的安全性能,提出一种力学BN,节点变量包含离散型节点和连续型节点,为以下3种类型.
1)各单元最大应力(连续型). 假设桁架结构破坏过程中杆件的破坏由材料强度控制,即暂不考虑失稳. 在钢桁架结构系统中,构件中的应力大小决定了材料所处的性能状态,进而影响桁架结构的安全性能. 与此同时,应变监测是桥梁健康监测系统中常见的监测类型,应力可以由应变推算得到,在监测数据处理过程中某时段内局部最大值亦为重要数据特征. 因此本研究将桁架结构划分为不同的单元,每个单元在恒荷载及移动荷载作用下的最大应力(分别指拉或压的最大应力)作为BN模型中的节点变量. 在BN建立过程中此类节点变量用高斯分布进行处理.
2)体系状态(离散型). 为了获得表征体系的量化指标,设置1个离散型体系节点,具有“安全”和“破坏”2种状态,其状态概率之和为1.0,其状态概率可以作为体系安全评估的参考指标.
3)离散化的下平纵梁单元节点. 为了将连续型节点变量(各桁架单元节点)和离散型节点进行耦合建模,对体系节点的父节点(各下平纵梁单元)进行离散化. 考虑到钢材不同受力阶段是其安全性能的重要参考指标,因此离散化后的下平纵梁单元包含3种状态:“弹性”、“塑性”和“破坏”,其状态概率之和为1.0.
2.2. 力学BN拓扑构建方法
在桁架结构中交汇于同一结点的杆件会保持力学平衡,某一(部分)杆件内力水平的变化将直接影响其他杆件的受力情况. 同时,超静定桁架的某一(部分)杆件破坏后会形成新的桁架,在剩余杆件间发生内力重分配,形成新的力学平衡关系,往往使得与破坏相邻的杆件内力变大. 因此,BN中相邻单元间的逻辑关系可以通过有向弧表达,弧的方向可以根据其当前最大应力状况和材料极限应力来判断.
首先,以桁架结点为界限划分各个单元,包括杆件单元和梁单元. 令BN节点数等于桁架结构中单元数目,然后选取具代表性的荷载组合(恒荷载和移动荷载的样本均值)作用于桁架结构,令杆件i的最大应力σmax与材料极限应力σb比值为
其次,由于本研究以一座实际桁架桥为背景进行BN建模,下纵梁主要承受车辆荷载,考虑到下平纵梁破坏将直接影响桁架桥的正常使用,因此BN拓扑中将离散化的下平纵梁单元节点作为体系节点的父节点,由此得到体系BN拓扑. 最后,将单元层次BN和体系BN相嵌套,合成为同时包含单元和体系节点的力学BN拓扑.
须说明的是,桁架结构中各构件节点也通过下平纵梁节点间接指向了体系节点,各构件节点的应力变化对体系安全性能的影响可以通过BN推理时信息随拓扑图的传递得到体现.
2.3. CPD和CPT参数学习
在确定桁架BN拓扑并定义了单元、体系节点后,须进一步确定节点间的CPD(连续节点)及CPT(离散节点). 本研究采用数值模拟得到的观测数据学习CPD及CPT的参数. 考虑到杆件加工时截面几何尺寸不可避免地存在误差,定义各杆件的截面积为服从正态分布的随机变量. 在外荷载方面,设桁架下平纵梁均布荷载(恒荷载)为确定值,而作用于桁架下平纵梁的移动集中荷载(活荷载,如车辆荷载)在运营阶段存在幅值变化,考虑不确定性将外荷载设定为服从正态分布的随机变量. 构建一组BN观测数据的具体步骤如下:1)建立桁架的数值模型,对上述2种随机变量进行蒙特卡洛抽样,将得到的一组变量样本输入数值模型;2)计算恒荷载及活荷载在沿下平纵梁移动过程中各单元的最大应力;3)结合材料的本构关系判断各下平纵梁单元的状态:“弹性”、“塑性”或“破坏”;4)通过桁架下平纵梁的破坏与否来判断桁架结构体系的安全状态(“安全”或“破坏”). 重复上述步骤获得
式中:D为观测数据集合;
3. 钢桁架安全性评估流程
基于连续型BN的桁架安全性评估可以分为以下步骤(见图2). 1)对各桁架结构单元、体系状态进行BN节点编号. 2)选取具有代表性的荷载组合(恒荷载和移动荷载的样本均值)作用于桁架结构,计算荷载移动过程中各杆件最大应力σmax与极限应力σb的比值
图 2
须说明的是,用于CPD和CPT参数学习的观测数据来自于数值模拟,包括所有杆件和系统节点的不同状态,符合土木工程的实际情况(即结构具有唯一性,难以获取大量测试样本). 而证据指的是实际观测中所获取的某个或部分节点(单元)状态信息,即在利用力学BN评估桁架安全性时,无须获取所有节点信息,增强了实用性.
4. 钢桁架模型验证
如图3所示,本研究采用一榀三维钢桁架模型验证所提出方法的可行性,此类桁架形式常见于铁路桥梁,具有典型性. 上、下平纵梁采用H型钢,高度h=100 mm,宽度w=100 mm,截面积A=2159 mm2,惯性矩Ix=3.86×106 mm4,Iy=134×106 mm4. 腹杆采用外径17 mm、内径13 mm的钢管,截面积为94 mm2. 腹杆通过螺栓与节点板进行连接,连接处腹杆为实心,节点板焊接于上下平纵梁相应位置. 在杆件材料特性方面,弹性模量均值为188 GPa,屈服强度为365 MPa,极限抗拉强度为536 MPa. 如图4所示,在下平纵梁处作用均布恒荷载,g=120 kN/m;此外,还作用了一沿下平纵梁纵向移动的随机荷载Q,服从均值为60 kN的正态分布,以模拟行驶于桥上的车辆荷载.
图 3
图 4
4.1. 桁架BN拓扑建立
对桁架结构模型中各构件单元进行编号,如图5所示. 设BN节点编号①、②、③
首先,设恒荷载为g=120 kN/m,移动荷载为60 kN,计算荷载移动过程中各杆件的最大应力σmax与材料极限应力σb的比值
桁架体系节点编号为
图 5
图 6
4.2. 观测数据库的构建及参数学习
假设恒荷载g=120 kN/m,为确定值;移动荷载Q服从正态分布,均值为60 kN,标准差为18 kN(以90%概率落在区间
对截面积和外荷载进行抽样,结合有限元分析得到不同样本下各单元最大应力. 随后对各下平纵梁单元进行状态划分:“弹性”、“塑性”或“破坏”,同时根据当前下平纵梁单元的状态判断桁架状态为“安全”或“破坏”. 然后将所有单元最大应力、下平纵梁状态和体系节点状态作为1组观测数据,并以同样方法获取了10000组观测数据,用于学习连续型BN节点的CPD参数及离散型节点的CPT参数.
4.3. 桁架安全性评估
为了验证BN安全评估的效果,构建一组参考数据,各参数为确定值. 当移动荷载为60 kN时,通过数值模拟计算出各单元最大应力和体系状态,获得1组数据(48个节点),用于对比BN模型的推理结果. 在荷载移动过程中,单元⑰、⑲、㉑、㉒、㉔、㉕、㊶、㊸、㊹、㊺、㊻、㊼陆续进入塑性,下平纵梁均为弹性状态,体系的状态为安全.
为了模拟在实践中受监测成本和安装条件的限制而只能监测部分构件的情况,选取下平纵梁跨中的3个梁单元以及1个内力较大的杆单元作为已知证据点,分别为节点①、④、㉖、㊸. 假设其中4个节点变量(节点①、④、㉖的最大应力均为178.5 MPa,节点㊸的最大应力为382.2 MPa)是已知的.
将已知节点变量作为证据输入BN模型中,对其他节点进行BN推理,将得到的结果与有限元分析结果进行对比,如图7所示. 图中,
图 7
表 1 下平纵梁单元及体系状态概率
Tab.1
节点号 | 弹性概率 | 塑性概率 | 破坏概率 |
1~6 | 1.00 | 0.00 | 0.00 |
26~28 | 1.00 | 0.00 | 0.00 |
29 | 0.90 | 0.10 | 0.00 |
30-31 | 1.00 | 0.00 | 0.00 |
48(体系) | 安全概率(1.00),破坏概率(0.00) |
5. 结 论
(1)当外荷载作用形式明确时,桁架各杆件具有明确的力学关系,也是土木工程结构的特点,可以据此确定桁架构件层次BN拓扑,避免复杂的网络拓扑学习过程.
(2)在已知BN拓扑情况下,采用数值模拟得到的观测数据具有较好的完备性,避免了实际工程中因为成本因素无法监测所有构件的局限性,有利于CPD和CPT的学习,所建立的BN具有较好的推理能力.
(3)本研究方法可以仅根据部分杆件的状态监测结果,较为准确地推算其他单元的最大应力(决定系数
作为初步的创新性探索,本研究采用相对简单的桁架结构模型验证其可行性,便于方法示例和理解. 而本研究方法可以拓展于更复杂的结构体系,比如空间网格和受力状况不是特别明确的结构,因为力学BN模型的构建是基于大量样本学习,推理过程根据贝叶斯推断,具备一定的容错性. 当复杂结构在外荷载作用下的构件受力可以分析时,即可进行拓扑构建和参数学习. 当然,为了保证复杂桁架结构安全评估的精度,证据节点的选取和数量有待进一步研究(一般证据节点越多识别效果越好,离证据节点越近的杆件评估精度越好).
参考文献
桁架结构可靠性优化设计的微分演化算法
[J].DOI:10.3969/j.issn.1671-7775.2013.02.020 [本文引用: 1]
Differential evolution algorithm of reliability optimization for truss structure
[J].DOI:10.3969/j.issn.1671-7775.2013.02.020 [本文引用: 1]
Proposal for the assessment of steel truss reliability under fire conditions
[J].DOI:10.1515/ace-2015-0041 [本文引用: 1]
桁架结构的易损性评价及破坏场景识别研究
[J].DOI:10.3785/j.issn.1008-973X.2012.09.013
Vulnerability assessment and failure scenarios identification of truss structures
[J].DOI:10.3785/j.issn.1008-973X.2012.09.013
高效识别桁架结构主要失效模式的一种新方法
[J].DOI:10.6052/0459-1879-12-248 [本文引用: 1]
A new method of identifying main failure mode about truss structure
[J].DOI:10.6052/0459-1879-12-248 [本文引用: 1]
Structural health monitoring of civil infrastructure
[J].
Structural damage identification by sparse deep belief network using uncertain and limited data
[J].
贝叶斯网络发展及其应用综述
[J].DOI:10.3969/j.issn.1001-0645.2013.12.001 [本文引用: 1]
Survey on Bayesian network development and application
[J].DOI:10.3969/j.issn.1001-0645.2013.12.001 [本文引用: 1]
A novel divergence for sensitivity analysis in Gaussian Bayesian networks
[J].DOI:10.1016/j.ijar.2017.07.002 [本文引用: 1]
The effect of block parameter perturbations in Gaussian Bayesian networks: sensitivity and robustness
[J].DOI:10.1016/j.ins.2012.08.004 [本文引用: 1]
Bayesian networks in reliability
[J].DOI:10.1016/j.ress.2005.11.037 [本文引用: 1]
Overview on Bayesian networks applications for dependability, risk analysis and maintenance areas
[J].DOI:10.1016/j.engappai.2010.06.002
Reliability assessment of critical infrastructure using Bayesian networks
[J].DOI:10.1061/(ASCE)IS.1943-555X.0000384
基于链式贝叶斯网络的结构可靠性分析
[J].
Structural reliability analysis based on chain-like Bayesian network
[J].
Safety evaluation of truss structures using nested discrete Bayesian networks
[J].DOI:10.1177/1475921720907888 [本文引用: 1]
贝叶斯网络结构学习的发展与展望
[J].DOI:10.3969/j.issn.1002-0411.2004.02.013 [本文引用: 1]
Development and prospect of Bayesian network structure learning
[J].DOI:10.3969/j.issn.1002-0411.2004.02.013 [本文引用: 1]
利用先验正态分布的贝叶斯网络参数学习
[J].DOI:10.3969/j.issn.1001-506X.2018.10.31 [本文引用: 1]
Learning Bayesian networks parameters by prior knowledge of normal distribution
[J].DOI:10.3969/j.issn.1001-506X.2018.10.31 [本文引用: 1]
Learning Bayesian networks is NP-complete
[J].
基于蚁群节点寻优的贝叶斯网络结构算法研究
[J].DOI:10.3969/j.issn.0254-3087.2017.01.019 [本文引用: 1]
Study on Bayesian network structure learning algorithm based on ant colony node order optimization
[J].DOI:10.3969/j.issn.0254-3087.2017.01.019 [本文引用: 1]
Gaussian influence diagrams
[J].DOI:10.1287/mnsc.35.5.527 [本文引用: 1]
/
〈 |
|
〉 |
