大跨协作体系桥梁吊跨比对主梁涡振性能的影响

为研究斜拉-悬索协作体系中不同吊跨比对主梁涡振性能的影响,以某斜拉-悬索协作体系桥梁为工程背景,首先,开展了节段模型风洞试验,采用增长共振法获取桥梁断面涡激振动过程中的发展时程与稳态振幅;其次,基于考虑跨向振幅依存性的非线性涡激力模型,对节段模型振动位移时程进行希尔伯特变换识别得到主梁截面的气动阻尼随无量纲振幅变化的关系曲线;最后,计算了8种不同吊跨比备选方案的主梁涡振振幅,明确了大桥从斜拉体系逐渐过渡到悬索体系时主梁涡振的变化规律,提出了一种综合考虑涡振幅值和跨向影响范围的辅助性指标对结果进行评价和对比。结果表明:随着吊跨比增加,基频降低,对应的1阶竖弯模态振型不断变宽;随着吊跨比的增加,跨中涡振幅值不断减小,不同吊跨比下跨中涡振幅值差异约11.1%,同时主梁起振风速有所下降;结合主梁涡振幅值指标η^(*)和主梁加速度指标a^(*)对不同吊跨比下大桥的涡振程度进行综合比较,发现随着吊跨比的增加,虽然跨中涡振幅值不断减小,但主梁的涡振影响范围不断加宽,主梁整体涡振程度显著增加,不同吊跨比下η^(*)差异约59.5%。吊跨比对主梁平均加速度a^(*)影响有限。

锈蚀RC柱水平抗力的机器学习预测及参数敏感性分析

为实现地震作用下破坏模式未知锈蚀RC柱的水平抗力快速预测,基于机器学习(ML)方法对锈蚀矩形RC柱的剩余水平抗力开展研究。首先,确定ML模型的输入参数,建立锈蚀矩形RC柱数据集,并对输入参数之间的相关性进行分析;然后,选择6种代表性ML算法(SVM、KNN、ANN、CNN、RF和CatBoost),搭建锈蚀RC柱的水平抗力ML模型,并采用网格搜索或试错法对模型的超参数进行优化,基于5折-交叉验证确定了ML模型的最优超参数;最后,根据4个常用的回归评估指标(E_(MA)、E_(RMS)、E_(MAP)和R^(2))与测试集,对6种ML模型的预测精度进行评估,并基于性能优异的ML模型开展了输入参数重要性排序以及参数敏感性分析。结果表明:神经网络模型的预测性能普遍优于集成类或其他单一类模型,其中ANN模型的预测效果最佳,其预测值与试验值之比的均值和标准差分别为1.01和0.14;剪跨比对锈蚀矩形RC柱的水平抗力影响最大且较为显著,重要性占比可高达35%;矩形RC柱的水平抗力随着剪跨比、箍筋间距与截面有效高度比以及钢筋锈蚀率的增加呈减小趋势,而随着轴压比的增加呈先增大后趋于稳定或减小趋势。