1.引言
　　大跨度橋梁結構的分段施工,要經歷一個長期而又復雜的施工過程以及結構體系轉換過程[1]。隨著施工階段的推進,橋梁結構形式、荷載作用方式等都在不斷變化。成橋結構受力狀態是已經完成的各個工況或各個階段受力狀態疊加結果,因此,有必要通過施工控制掌握已完成階段的結構受力性能,繼而提供施工控制參數,保證后續施工的安全并保證最終成橋狀態的結構受力性能及結構線形符合設計要求[2]。影響施工控制的因素眾多[3],施工控制的首要任務是通過對結構實際反應信息的處理,求出符合實際結構的參數,確保施工的順利進行。其中有的參數可以通過試驗或直接量測的方法確定;而有的參數(如混凝土梁段自重、臨時荷載大小及位置)與測量值之間的函數映射關系十分復雜,它們既不能通過直接量測方法,也難以通過試驗的方法確定,只能通過一些控制理論的方法對它們進行分析,然后,將修正過的計算參數反饋到控制計算中去。現存的控制理論主要有影響矩陣識別法、最小二乘法、線性最小方差估計、小波估計、回歸分析等。近年來,由于神經網絡方法具有良好的記憶存儲能力、聯想能力,而且有良好的容錯性和魯棒性,所以廣泛應用于橋梁的施工控制中[4-6]。本文基于MATLAB平臺開發了橋梁施工控制神經網絡預測立模標高程序。本文提出一種基于Elman神經網絡的預測方法,該方法基于相關參數結果,并以重構的時間序列作為輸入,采用Elman網絡實現施工預測.仿真計算結果表明:該程序在學習訓練后,能預測后續各節段的立模標高并具有良好的精度和魯棒性。
　　2. Elman神經網絡預測介紹
　　Elman神經網絡是Elman于1990年提出的,該模型在前饋網絡的隱含層中增加一個承接層,作為延時算子,以達到記憶的目的 [4].Elman神經網絡一般分為4層:輸入層、中間層(隱含層)、承接層和輸出層.輸入層的單元僅起信號傳輸作用,輸出層單元起線性加權作用.隱含層單元的傳遞函數可采用線性或非線性函數,承接層又稱為狀態層,用來記憶隱含層單元前一時刻的輸出值并返回給輸入,可以認為是一個一步延時算子.為了提高Elman神經網絡的穩定性,本文采用traindx作為訓練函數,該函數為動量及自適應的梯度遞減訓練函數。以梯度下降動量學習函數Learngdm作為學習規則,利用神經元的輸入和誤差、權值或閾值的學習速率和動量常數,來計算權值或閾值的變化率。分別以tansig函數、purelin函數作為隱層節點傳遞函數和輸出層傳遞函數.用訓練樣本集合對Elman網絡模型的參數進行標定,包括隱層節點數量和權值.對于具有一個隱層的Elman網絡.選擇合適的隱層節點個數是Elman網絡設計的重要因素.如果能夠為Elman網絡選擇出最佳的隱層神經元個數,則會在保證預測精度的同時,減少Elman網絡學習和再學習的時間.目前,尚無普遍適用的隱層節點確定方法,絕大部分的Elman網絡都采用經驗方法確定隱層節點數量. 根據橋梁所具有的混沌特性[4],確定Elman網絡輸入節點為5,輸出節點為1,隱層節點數量由試算法確定.根據已有經驗,初步設定隱層節點數范圍為16~36,然后用測試樣本集合對Elman網絡模型進行測試,評價其預測的效果,選擇出最優模型.
　　3.　橋梁結構分析
　　1.1　工程概況
　　忻州至阜平高速公路忻州至長城嶺段是山西通向東部京津唐環渤海灣經濟區的關鍵通道，是山西省高速公路網“人字骨架、二縱十一橫十二環”總體規劃中第三橫的重要組成部分。滹沱河大橋19-30+40+70+40+9-30m預應力砼連續箱梁、上跨朔黃鐵路和東坪公路。橋梁全長997.5m。連續梁橋是雙線直曲線梁,線間距4.6m,最小半徑4500 m。一聯全長為237.4 m(含兩側梁端至邊支座中心各0.7 m)。全橋共分59個梁段,中支點A0號塊長度13 m,一般梁段長度分成3.0 m、3.5 m和4.0 m合攏段長2.0 m;邊跨直線段長11.7 m。箱梁各控制截面梁高分別為:端支座處及邊跨直線段和跨中處為4.5m,邊跨直線段總長11.7 m(含梁端至邊支座中心0.7 m),中支點處梁高7.5 m,平段長3.0 m,梁高按圓曲線變化。梁體采用縱向、橫向、豎向三向預應力體系。
　　4.　神經網絡技術在滹沱河大橋線梁橋施工控制中的應用
　　4.1 影響施工控制的因素眾多,且有些參數根本得不到實測值,為解決施工控制中影響因素復雜和不確定性,本文將人工神經網絡技術用于橋梁的施工控制中,確定推測后續階段立模標高。
　　4.2　訓練樣本的生成
　　在橋梁施工中引起標高偏差的影響因素有很多,如果將所有因素予以考慮會增加分析的難度,且未必需要。在施工控制實踐中,有些影響因素不符合實測值,由于施工進度的限制,本文部分數值采用理論計算值。為使計算簡單,在神經網絡模型中考慮以下因素:理論計算上混凝土的節段重量為W、該截面距墩頂中心的距離L、澆筑后下沉量、理論計算的張拉該節段預應力束產生的應力A,樣本的期望輸出取張拉后的下沉量。elman網絡的輸入矢量為P=(節段質量, 理論張拉應力, 理論截面距墩頂中心距離, 澆筑前后標高變化量，理論張拉前后標高變化量),目標矢量為T=(澆筑前后標高變化量),并根據網絡數據值域要求對樣本做歸一化處理。如表1
　　表1

梁號	節段質量/kN	理論張拉應力/Mpa	理論截面距墩頂中心距離/m	澆筑前后標高變化量/mm	理論張拉前后標高變化量/mm
5	1406.1	-0.384	42	-3.605	0.8584
6	1566.6	-0.294	47	-6.132	-0.8030
7	1531.6	-0.306	51	-0.842	-2.1690
8	1426.2	-0.415	55	-11.670	-2.6950
9	1330.6	-0.427	59	-14.980	-4.0760
10	1325.0	-0.435	63	-19.990	-7.0070

　　5.結　論
　　本文從工程實際出發,結合連續梁橋的施工控制實例,對大跨橋梁施工控制過程中的結構仿真模擬計算、參數的測量與分析狀態的預測(神經網絡在施工控制中的應用)等幾方面進行了深入的研究,主要結論如下:整個施工過程中,梁體出現的最大壓應力為11.2 MPa,最大拉應力為-0.652 MPa;在成橋后,全橋不出現拉應力。施工階段應力均在規范允許范圍內。全橋合攏時,各重要截面應力都有很大的變化,各節點的撓度變化也比較明顯。因此,在合攏階段,監測的時間間隔應縮短。合攏時應實時監測,及時提供可靠數據,保證合攏順利進行。基于MATLAB平臺,編制的elman神經網絡預測立模標高的程序,在學習訓練后,能預測后續各節段的立模標高并具有良好的記憶、存儲能力和魯棒性。
　　6..參考文獻
　　[1] 胡志堅.基于AI的RC梁橋技術狀態評估專家系統研究(博士學位論文)[D].上海:同濟大學,2006.
　　[2] 閻平凡,張長水.人工神經網絡與模擬進化計算[M].北京:清華大學出版社,2000。
　　[3]徐君蘭.大跨度橋梁施工控制[M] 北京： 人民交通出版社，2000.
　　[4]焦李成.神經網絡系統理論[M].西安：西安電子科技大學出版社，1990.