数字孪生驱动的预应力拉索索力智能预测方法研究
刘占省 史国梁 王竞超
北京工业大学城市建设学部
刘占省,史国梁,王竞超.数字孪生驱动的预应力拉索索力智能预测方法研究[J].工业建筑,2021,51(5):1-9,123.
摘 要
针对拉索张拉过程中索力预测精度和智能化程度低的问题,提出了数字孪生驱动的预应力拉索索力智能预测方法。根据对拉索张拉的研究现状,分析了影响拉索索力的主要因素,总结了当前预应力拉索索力预测的方法。在智能预测闭环控制的理论框架下,探索了数字孪生驱动的预测维护方法。在此基础上,搭建了基于数字孪生的融合型预测方法框架,并探索了融合型预测维护方法的实施流程,通过数据的融合由工况参数预测出拉索的索力。针对轮辐式索桁架进行案例分析,验证了该方法的有效性。由数字孪生驱动的预应力拉索索力智能预测方法可以由工况参数直接预测索力的状态,提高了预应力钢结构安全评估的精确性和智能化。
引 言
预应力钢结构拉索张拉施工质量在国内外工程界十分受关注,随着科技的不断进步,预应力钢结构拉索的张拉施工技术水平也不断提升,出现了许多新方法、新工艺、新设备。衡量国家建造技术和水平的一个重要标准就是大型空间结构的施工[1]。由于空间结构的重要性较高,且结构形式复杂,所以其建造过程具有跨业务广(设计、施工、监测、运维)、多主体、质量要求严格等特点,因而导致了组合结构建造环节复杂、异常扰动因素众多。在预应力钢结构中,预应力水平是保证结构形态的重要参数[2],因此对张拉过程中拉索索力的控制深受国内外专家学者的重视。
陈志华等进行了索穹顶新型张拉施工成形方法与施工误差影响及控制技术研究[3];郭彦林等进行了温度作用和索长误差对张拉结构的影响研究[4];Zhu等采用向量式有限元法,以某索穹顶为研究对象进行构件失效研究,结果显示本结构中较为重要的拉索构件发生失效时,此拉索附近构件发生松弛[5];张中昊等进行了预应力张拉模拟试验研究[6];薛素铎等进行了Levy型劲性支撑穹顶静力性能试验研究[7];Thai和Kim运用有限元方法研究了初始索长误差对张拉结构的影响[8];Andrew等进行了基于建筑信息模型的索网结构可解构性定量评估的研究[9];Ashwear等进行了张拉结构的结构刚度及承载力的研究,提出刚度及承载力很大部分取决于张拉形成的预应力[10];Arezki等研究了温度变化对索桁架桥体系的影响[11]。
通过对上述研究成果的分析,发现对拉索张拉施工现场的多种影响因素的综合分析研究较少,同时,涉及以虚拟空间指导现实张拉的研究也处于初级阶段。真实施工现场复杂多样,需要针对多种影响因素融合分析,提高对拉索索力的预测精度,而且也需要以数字孪生[12]等信息技术驱动刻画现实张拉过程,对拉索索力的状态做到智能预测。目前,我国建造行业在国家智能化发展战略的背景下,正推进建筑工业向智能建造转型升级[13]。在这一阶段,文献[14-16]、“新基建”等一系列方针政策,旨在改变“设计—施工—监测”的传统建造模式,实现设计—虚实交互—智能建造—智能监测的新模式。
本文针对实现预应力拉索索力智能预测的目标,在分析影响预应力拉索索力的主要因素和当前预应力拉索索力预测方法的基础上,提出了索力智能预测的闭环控制理论,做到对拉索索力的动态感知、智能诊断、科学预测、精准执行。结合智能预测的闭环控制理论提出了数字孪生驱动的融合型智能预测方法,具体涉及了采集数据和仿真数据的融合,针对影响拉索索力的主要因素进行采集与分析,通过数据的融合由工况参数计算出拉索的索力,并在轮辐式索桁架的试验模型中进行了应用。
预应力拉索索力的影响因素和传统预测方法
1.1 影响拉索索力的主要因素
1)构件长度误差。
构件长度误差是造成索杆张力结构初始形态和预张力偏差的最主要因素[17]。如何有效地控制长度误差效应是预应力钢结构设计,特别是施工张拉设计的关键问题。几何误差会对柔性预张力结构设计的初始形态造成偏差,从而导致施工与设计的不一致引起索力的损失。
2)温度作用。
由于钢结构对温度很敏感的属性,所以在大跨度钢结构的设计与施工中,对温度效应的分析是非常重要的[18]。拉索施工过程暴露在外界,温度必然会作用于结构上,虽然对于结构中的某一构件来说,温度数值的改变只会引起构件长度的微小变化,但随着连接构件的数量增加,约束条件也在增加,由于温度应力引起的构件长度改变会不断累积,将会在某一特定位置达到峰值,必将对结构整体产生很大的影响。因此有必要了解温度数值的改变对结构构件产生的作用,以及对整个结构所产生的各种影响[19]。
3)拉索松弛。
在预应力空间钢结构中,撑杆和拉索是此结构的重要部分,在一些突发情况下拉索或撑杆可能会发生失效松弛,对结构产生一定的影响,危害人员安全[20]。拉索的松弛对索力产生较大影响,从而降低结构抗力,在结构承受荷载过程中容易产生倒塌等现象,严重影响了结构的可靠度。
1.2 当前拉索索力预测方法
通过分析当前拉索张拉的研究现状,将各类索力预测方法归纳为三种,即可靠性统计方法、基于物理模型法和数据驱动法。每种方法都有各自的特点和适用领域,传统拉索索力预测方法的对比分析见表1。
表1 传统拉索索力预测方法的对比分析
综上所述,目前基于单一策略的索力预测方法存在各种缺陷,不能满足对索力预测更高精度和可靠性的要求。随着新技术的发展,融合型方法已成为研究热点[21]。融合型方法可以利用各种方法的优点,有效避免单一方法的局限性。通过对预应力拉索索力影响因素和预测方法分析,在智能预测闭环控制理论的框架下,研究了数字孪生驱动的预测维护方法,做到了采集数据和仿真数据的高度融合,实现了对预应力拉索索力的智能预测。
智能预测闭环控制理论
2.1 理论框架
当前,建造业的研究重点和热点就是智能化方法和技术的应用[22]。应用人工智能、虚拟现实等现代化信息技术实现建筑和信息的深度融合,推动施工过程的智能化已成为建造业转型升级的必然趋势。实现信息物理融合的有效手段是数字孪生技术[23]。一方面,数字孪生能够实现建造过程的现实物理空间与虚拟数字空间之间的虚实映射与双向交互,从而形成“信息采集—时程处理—风险控制—智能控制”的实时智能闭环;另一方面,数字孪生能够将产品性能、外界环境、突发状况等现实实况信息与模型仿真、概率检验、专业限值等信息空间数据进行交互反馈与精准融合,从而增强建造的现实世界与虚拟空间的同步性与一致性。
在拉索张拉过程中,预应力水平决定了结构的可靠性和施工质量[24]。但是,在张拉过程中,受到各种因素的干扰,拉索的预应力水平会有所损失,如果对损失不进行预测维护,将会导致施工精度降低、甚至会导致整体结构的坍塌。因此,实现对拉索索力的智能预测是十分有必要的,在提高预测精度时还应该考虑张拉过程的特点,具体如下:
1)复杂。预应力拉索张拉施工是一项复杂的系统性工程,由各种工艺、物料、工序组成,相互依存、相互作用。不同影响因素可能同时作用于不同的构件或位置。此外,拉索索力变化是一个带有噪声的非线性过程,导致预测困难。
2)时变。拉索张拉过程的施工环境和构件性能是时变的,这直接反映在采集的传感数据中。
3)联动。拉索张拉过程同时涉及物质、能量、信息的转换。跨领域、多业务融合在一起,形成了联动性的张拉系统。对预应力拉索索力的分析应该从系统级进行。
基于拉索张拉的特点,探索了预应力拉索索力智能预测闭环控制理论,实现了对张拉过程的动态感知、智能诊断、科学预测、精准执行,并由性能的优化对四个过程提供依托。对张拉过程的索力变化影响因素进行数据采集,充分考虑张拉过程复杂、时变、联动的特点,预应力拉索索力智能预测闭环控制如图1所示。
图1 拉索张拉预应力智能预测闭环控制
1)动态感知。
在拉索张拉过程中,长度误差、温度作用和拉索松弛是影响拉索索力的关键因素。在动态感知环节,由相应的传感器对影响因素进行分析,为孪生模型和数据分析提供可靠的支撑。
2)智能诊断。
将建立的孪生模型和现场采集的数据进行结合,经过对各类数据的分析,判断孪生的可靠性,并分析各类工况下的拉索索力变化情况。
3)科学预测。
在智能诊断过程中,分析孪生的可靠性,融合采集数据和仿真模拟数据,建立起拉索索力的预测算法。通过多方面的信息融合,提高了预测的科学性。
4)精准执行。
在分析拉索索力变化的基础上,直观判定结构的可靠度,及时准确地对索力异常的构件或位置做调整。对维护后的结构,在孪生模型中进行调整,评估维护的可行性,由此,实现了智能预测的闭环控制。
5)持续优化。
为了保证上述四个过程的高效进行,需要对张拉过程进行性能优化。这其中主要包括显性能力和隐性能力两个方面的优化。在显性能力方面要提高张拉建造的工艺和信息采集传输能力,在隐性能力方面要提高模拟仿真能力和数据处理能力。
2.2 数字孪生驱动的预测维护方法
在预应力拉索索力智能预测闭环控制理论下,数字孪生则是实现从动态感知、智能诊断到科学预测、精准执行的关键智能技术。数字孪生是一个模拟过程[25],它通过充分利用物理模型、传感器更新和历史运行数据,集成了多学科、多物理变量、多尺度和多概率。数据挖掘是模型和数据的载体,它可以在虚拟空间中实现物理映射,从而连接物理世界和数字世界。
数字孪生是基于拉索索力变化机理的结构一对一实时映射模型。如图2所示,在建立了现实拉索张拉的多维多尺度孪生模型、感知实时数据并进行大数据挖掘后,对拉索索力进行诊断、预测进而对损失进行智能决策。将决策结果再次传输孪生模型进行仿真模拟,对张拉现场进行精准指导。在数字孪生驱动下实现了对张拉预应力的动态感知、智能诊断、科学预测、精准执行。通过建立孪生模型融合现场采集数据,对张拉闭环控制的性能优化也提供了有力的支撑。由现场感知数据和孪生数据的融合能够提高索力智能预测的鲁棒性。
图2 数字孪生驱动的智能预测方法
通过对孪生模型的仿真,可以在不安装太多传感器的情况下,从设备模型中获得更准确的系统内部状态和任何部分的数据,为更准确可靠的预测维修提供了可能。这可以减少安装的物理传感器的数量和类型。另外,孪生模型是一个完整的计算机虚拟模型,可以进行大量的物理损伤模拟,以实现各种苛刻和极端的试验条件,因而比物理原型试验可提供更多的可能性和可行性。
基于数字孪生的融合型预测维护方法
在数字孪生的驱动下,由现场传感器和孪生模型可以实现采集数据和仿真数据的交互反馈,从而建立融合型拉索索力预测方法。本节介绍了这种融合型方法的框架和实现流程。
3.1 融合型方法框架搭建
本文提出的融合型方法框架如图3所示。在此框架下,现场传感器数据采集和基于模型仿真的方法相结合,得到更准确的预测结果和拉索索力的变化情况。在拉索张拉过程中,根据拉索松弛机制、拉索材料特性和张拉环境,建立了一个多维多尺度孪生模型。通过与建立张拉过程的孪生模型,计算和演示拉索张拉的任意时刻和位置的拉索索力状态,并且可以调整不同工况仿真模拟拉索索力的发展趋势。将拉索的松弛模型进行转换可以得到拉索的张拉状态,反映张拉过程的索力水平。对孪生模型进行不同工况的设置可以精确仿真模拟出张拉索力的发展趋势。
图3 基于数字孪生的融合型预测方法框架
在建立孪生模型的同时,对张拉现场由传感器采集的数据进行数据建模。将现场采集的实时数据经过降噪、预处理、特征提取、特征选择,提取出有价值的采集数据。将采集数据和仿真数据相融合,建立起拉索索力融合型预测算法,进而得出拉索索力在各种影响因素作用下的变化情况。通过融合型方法可以根据拉索承受的外界作用智能预测拉索索力的水平,为现场的施工提供可靠精准的指导。
3.2 融合型方法的实施
3.2.1 多维多尺度孪生模型搭建
孪生模型是现场拉索张拉过程的数字化表示,在融合型预测方法中起着重要作用。如图4所示,搭建了多维多尺度孪生模型,在拉索索力预测维护中,主要对张拉设备、张拉环境、拉索特性进行仿真,建立张拉过程的几何模型、物理模型、行为模型和规则模型。通过对张拉环境的设置,模拟预测拉索的索力水平,由设计限值通过调整张拉设备进行精确维护。
图4 多维多尺度孪生模型的搭建
孪生模型的高保真度是精确预测维护的重要基础。为了提高张拉预应力状态反映和仿真模拟的精度,需要进行试验来获得实际的张拉结果(试验结果),同时,基于多维多尺度孪生模型的仿真也将获得仿真张拉结果(仿真结果)。模型中的所有参数(如材料特性、张拉环境)应与实际参数相同。将试验结果和模拟结果进行对比以确定孪生仿真的可靠性,模型修正过程如图5所示。在此过程中,孪生模型将被反复修改,直到仿真结果和试验结果之间的误差足够小。由建立的张拉孪生模型并进行仿真校正,由模型导出的数据用于融合型预测维护,可以提高融合方法的计算速度和预测精度。
图5 孪生模型的校正
3.2.2 融合型方法实施流程
经过现场传感器的布置和孪生模型的建立,融合采集数据和仿真信息,建立了融合型的预测维护方法。由多数据融合算法,根据结构所承受的各类工况参数,可以精确预测拉索索力的水平,并通过索力量化评估标准判断索力水平是否超过限值。融合型预测方法的实施流程如图6所示。
图6 融合型预测方法的实施流程
在融合型方法的实施过程中,为全面评估多种因素对拉索索力的影响,需要多种传感器采集影响因素的信息(如构件长度、温度、松弛度等),针对同一因素,也需要对现场传感器采集和孪生模型仿真的数据进行融合。
提取同一因素的数据为同质信息,采集不同种因素的数据为异质信息。本融合方法采用2级信息融合:第1级为局部融合,对来自同质信息的多源数据进行融合,克服了单一信息采集结果的局限性;第2级为全局融合,对每类同质信息融合的结果进行异质信息融合,由工况信息参数最终对拉索索力的结果做出整体评价,并据此进行结构的安全性能评估。预应力拉索索力预测2级数据融合结构如图7所示。其中构件长度误差由长度传感器测得,温差由温度传感器测得,拉索松弛度由竖向位移传感器测得。
图7 拉索索力预测两级数据融合结构
由于影响拉索索力的因素较多且施工现场复杂,在分析影响拉索索力的主要因素的前提下,本文针对构件长度误差、温度作用、拉索松弛进行研究分析。在预测过程中,进行多组数据采集最终加权融合,由工况信息参数对拉索索力进行评估。
1)局部融合。
采用自适应加权融合算法实现各影响因素数据的局部融合[26]。自适应加权融合算法能够充分利用传感器采集和模型仿真的数据,融合数据的均方误差、测量精度等信息。与此同时,该算法能够抑制传感器的漂移和噪声,提高计算精度。当多个数据同时反映某一特征信号时,应加大数据误差小的权数,反之应减小权数。在总均方误差最小的这一最优条件下,把传感器测量和模型仿真得到的工况参数值按自适应方式寻找对应的加权值,使融合后的参数值达到最优[24]。本文将单渠道(传感器或模型)提取的数据分成2组,分别为x1i,x2i,…,xmi和y1i,y2i,…,yni,2组数据的平均值分别为,标准差分别为σ1i,σ2i。据此推导出分批数据融合值的结果和方差。
利用式(1)和式(2)可得单渠道提取数据的局部决策值。假设最后参与全局信息融合的渠道数量为p,则相应每种渠道局部决策值为,标准差为
式中:ki,ωi分别为第i种渠道的局部决策值及其加权因子,其中加权因子ωi满足。
数据融合之后的精度为:
2)全局融合。
采用模糊集理论作为全局融合算法,然后根据设定条件,依据数据库、专业知识库及专家经验,对不同局部融合中心信息数据进行2级融合和关联[27]。首先建立因素集M,由不同的渠道构成,即M=(M1,M2,…,Mn),其中Mi代表不同类型的信息。其次建立状态集,设预应力拉索索力分析结果分别为安全等级从高到低依次为a、b、c、d,则其状态结果的评语集U=(a,b,c,d)=(安全系数很高,安全系数较高,安全系数较低,安全系数很低)。在多信息数据融合系统中,各类信息由于监测对象不同,则其赋予权重也各有不同,因此对整个拉索索力的判断亦不相同。在整个融合过程中,对影响拉索索力的三个主要因素进行全局融合,由工况的参数计算索力的状态具体表述为式(5),进而由索力的变化量评估结构的安全性能。索力量化评估标准见表2。
式中:Le为索构件长度误差;Te为温度作用;Cs为拉索的松弛度;Cf为拉索的索力。由此,可以通过融合后的工况参数直接预测拉索的索力。
表2 索力量化评估标准
案例分析
本文搭建的试验模型是基于某轮辐式索桁架工程等比例缩小的试验模型,与实际工程相比,试验模型的缩尺比例为1:10,拉索的截面积比为1:100,杆件所用材料完全相同。试验模型的结构跨度为6 m,由10榀径向索、环索、撑杆、节点、外环梁及钢柱组成,其中径向索包括上径向索和下径向索;环索包括上环索和下环索;撑杆包括外撑杆、中撑杆、内撑杆。试验结构成型状态如图8所示。
图8 试验模型
本试验针对构件长度误差、温度作用和拉索松弛,通过设置融合五种施工工况进行预应力拉索索力的判断。工况1:下环索发生-l/400(-15 mm)(l为结构跨度)的误差,温度降低55℃,下环索松弛70%;工况2:下环索发生l/400(15 mm)的误差,温度降低55℃,下环索松弛70%;工况3:无外界影响;工况4:下环索发生-l/400(-15 mm)的误差,温度上升55℃,下环索松弛70%;工况5:下环索发生l/400(15 mm)的误差,温度上升55℃,下环索松弛70%。
4.1 现实结构力学参数采集
对于轮辐式索桁架来说,不同的杆件所承担的作用不同,其中拉索的监测点位置为上、下径向索的1、3、5、7、9榀,有10个监测点,上下环索各布置一个监测点,监测点总共为12个,监测点位置如图9所示。
图9 结构传感器的布置
在结构上布置需要采集工况信息的传感器,可以直接感知结构所承受的外力。有现场对长度、温度和拉索松弛度的采集为数据的融合提供了数据来源,为多数据融合的索力计算奠定了基础,由采集的数据和孪生模型的仿真数据可以融合计算出拉索的索力。为降低传感器数据采集的误差,本试验每隔10 min采集一次数据,每种工况监测5 h。
4.2 孪生模型的搭建
轮辐式索桁架结构应当实时、准确地反映物理空间中的结构实体,数字孪生模型包括几何模型、物理模型、行为模型、规则模型。其中对结构进行有限元模型的创建是分析其结构力学性能的基础。由孪生模型的修正法则对有限元模型进行调整,定义εt为现实张拉过程中传感器测定的应变,由模型仿真模拟的拉索应变为εm,则判定孪生模型保真度的指标为eε,具体表述为:
本研究中,进行各类作用对结构力学性能影响的研究之前,通过调整拉索的截面面积进行有限元模型的修正。通过采集各节点在自重作用下的索力,考虑到构件的截面尺寸的变化会引起结构自重的变化,最终通过修改构件的截面面积提高有限元模型的保真度。修正后的有限元模型构件尺寸见表3。
表3 修正后的有限元模型构件尺寸
由此建立了高保真度的孪生模型,在有限元模型中,根据现实张拉信息通过设置工况实现了对张拉过程的以虚映实。修正后的高保真模型如图10所示。以拉索索力为研究对象,自重荷载下,修正前后的孪生模型的仿真能力对比如表4所示。
图10 修正后的高保真模型
表4 模型修正前后索力对比
由模型修正前后的索力对比,修正后的模型误差控制在3%以内,实现了孪生模型的高保真度。由此,实现了对现实结构几何、物理、行为、规则的虚拟映射。在孪生模型中设置同现实对应的工况,提取结构所承受的各类作用的信息,为降低孪生模型的仿真误差,将对应工况进行调整,对于每种工况的模拟均扩大其参数范围,将对应参数的±3%以内的参数均认定为同一工况,融合传感器的采集数据可以计算出综合各类影响因素的拉索索力,为结构的安全评估提供了依据。
4.3 多信息融合预测
以工况1为例,根据预应力钢结构张拉过程的施工参数的采集,现场传感器数据采集如图11所示。由现场传感器和有限元仿真的结果见表5。表中展示了每隔1h所采集的参数,其中,为了实现数据的融合,将参数的来源分为两类,1表示现场传感器所采集的信息,2表示有限元模型仿真得出的信息,由此形成了物理空间与虚拟空间的动态交互机制。
图11 现场传感器数据采集
表5 张拉过程各参数的监测值
融合现实结构的采集数据和孪生模型的仿真数据,根据3.2节的局部融合和全局融合对影响拉索索力的三个因素进行融合计算,得出数据融合所需要的方差和融合值等系数。通过融合算法处理之后的结果能够更加真实地反映现场情况,从而计算出拉索索力值,由此判断拉索的安全性能。同理可以预测出其他各工况的索力值并判断结构的安全性能。结构在多因素影响下拉索的索力值见表6。拉索索力变化值及变化率见表7。
表6 拉索索力值
表7 拉索索力变化值及变化率
在以上工况中,结构索力均有较大变化,上部索系比下部索系索力变化明显。当发生工况1的情况时即下环索发生-l/400(-15 mm)的误差,温度降低55℃,下环索松弛70%,结构索力有较大增加,其中上径向索、上环索索力增加程度较为明显,分别为53%、58%。当发生工况5的情况时即下环索发生l/400(15 mm)的误差,温度上升55℃,下环索松弛70%,结构索力较大程度减小,其中上径向索、上环索索力减小程度较为明显,分别为54%、56%。工况2、工况4对结构的影响较工况1、工况5小。根据表1的索力量化评估标准,可以判定在工况4和5作用下,拉索安全等级低,需要对其进行加固维护。同时将维护后的结构信息再次导入有限元模型中,分析结构的安全性能,由此实现了拉索索力的闭环控制。
由现实传感器采集的影响因素数据和孪生模型的仿真数据的融合提高了索力预测的精度,可以根据施工的工况参数智能化地判定预应力拉索的索力,由索力的变化为结构的安全评估提供了依据。
结束语
数字孪生是实现预应力拉索索力智能预测的关键智能技术。本文通过分析影响预应力拉索索力的主要因素,并总结当前索力预测的方法,在智能预测闭环控制理论的框架下,探索了数字孪生驱动的预测维护方法。在数字孪生的驱动下,建立了融合型预测维护方法,实现了采集数据和模型仿真数据的高度融合,提高了拉索索力预测和维护的精度及智能化。在数字孪生驱动的融合型拉索索力智能预测方法的研究过程中,得到了以下结论:
1)总结了影响拉索索力的主要因素,即构件长度误差、温度作用、拉索松弛;总结了当前预应力拉索索力的主要预测方法,即可靠性统计方法、基于物理模型法和数据驱动法。
2)在分析主要影响因素和预测方法的基础上,搭建了智能预测闭环控制回路,可以实现对拉索张拉过程的动态感知、智能诊断、科学预测、精准执行。基于闭环控制回路,探索数字孪生驱动的预测维护方法。
3)在数字孪生的驱动下,实现了采集数据、仿真数据的高度融合,建立了基于数字孪生的融合型拉索索力预测维护方法,由数据的融合可以直接由施工工况判定拉索索力的状态,提高了结构安全评估的精度和智能化。
4)将数字孪生驱动的拉索张拉预应力智能预测方法应用于轮辐式索桁架的张拉过程中,能更准确地反映结构的力学性能,验证了该方法的可行性。
总体而言,数字孪生驱动的预应力拉索索力智能预测方法是可行的,有效地降低了现场数据采集的不准确性和孪生模型保真度不足带来的影响,有效提高了结构安全评估和维护的精度及智能化。但目前对预应力拉索智能张拉的研究还处于初级探索阶段,实现数字孪生与人工智能等信息技术的深度融合推动张拉全过程全要素的智能建造和管理是下一步研究探索的重点。
推荐阅读
- END-