扩展功能
文章信息
- 陈彦江, 王力波, 李勇
- CHEN Yan-jiang, WANG Li-bo, LI Yong
- 钢-混凝土组合梁桥温度场及温度效应研究
- Research of Temperature Field and Its Effect of Steel-concrete Composite Girder Bridge
- 公路交通科技, 2014, Vol. 31 (11): 85-91
- Journal of Highway and Transportation Research and Denelopment, 2014, Vol. 31 (11): 85-91
- 10.3969/j.issn.1002-0268.2014.11.014
-
文章历史
- 收稿日期:2014-1-21
钢-混凝土组合结构梁桥是指由外露钢梁或钢桁梁通过抗剪连接件与混凝土桥面板连接成整体并考虑共同受力的桥梁结构形式[1]。这种结构是将抗拉性能强的钢材和抗压性能强的混凝土分别合理地用在构件的拉伸区及压缩区,极大限度地追求高性能、经济性[2]。近年来,由于我国在钢-混凝土组合结构的计算理论和设计方法等方面不断成熟,钢-混凝土组合结构梁桥在实际工程中得到越来越广泛的应用。
置于自然环境中的钢-混凝土组合梁桥不可避免地要承受温度荷载的作用,温度对桥梁结构的作用可分为:日照温度、骤然降温和年温度变化三种类型[3],在这三种形式的温度荷载中,日照温度梯度作用对桥梁结构的内力、变形影响最为突出,由此产生的温度应力、温度变形在整个桥梁设计中占有很大的比重[4]。从20世纪50年代开始,国内外的一些学者开始认识到温度作用对桥梁结构影响的重要性,并开展了一系列的试验研究,取得了相应的成就。为克服温度给桥梁结构带来的不利影响,各国的桥梁规范中都规定了相应的温度分布模式来考虑温度荷载的作用[5]。
吴六政对影响混凝土箱梁桥温度场变化的因素进行了详细分析,并利用有限元软件ANSYS进行了瞬态热传导分析,得到任意时刻桥梁结构的温度场,并通过实例计算验证了其得到的温度梯度分布形式的准确性[6];张玉平、杨宁、李传习对一悬索桥无铺装层钢箱梁的温度梯度分布进行了有限元数值模拟和现场测试,得到的计算值与实测值较为吻合,并以实测数据拟合出日照作用下无铺装层钢箱梁的温度梯度分布形式[7];孙君、李爱群、丁幼亮通过对润扬长江大桥斜拉桥和悬索桥钢箱梁的温度观测,研究了不同桥型的扁平钢箱梁在日照作用下的温度分布特征差异,提出大跨桥梁扁平钢箱梁的温度分布模式要考虑不同桥型特点及其所处环境的观点[8];孙国晨等应用有限元软件ANSYS对某实桥钢-混凝土组合梁截面在日照作用下的温度分布进行时程仿真计算,通过对比实测数据和计算结果验证了计算方法的合理性[4]。陈晓强对某实际钢-混凝土组合连续梁桥日照作用下的温度场进行测试,通过实测数据的整理分析和有限元数值模拟,确定了最不利日照温度场的判定原则和方法[9]。
目前对桥梁上部结构温度场及温度效应的研究多集中于混凝土和钢结构形式的桥梁,而对钢-混凝土组合结构进行专门的温度场及温度效应的试验研究十分少见。由于钢材和混凝土对温度的敏感程度不同等因素,将导致钢-混凝土组合结构截面上的温度梯度模式不同于单一材料(钢材或混凝土)结构截面上的温度梯度模式。我国现行规范[10]对混凝土上部结构和带混凝土桥面板的钢结构采用同一种温度梯度模式,与实际工程往往有所差别。
综上所述,本文将以山西省阳泉市的一座钢-混凝土组合梁桥为工程背景,通过在桥上设置温度传感器,进行了实桥温度场的测试;通过实测的温度场数据确定适合当地气候特征的钢-混凝土组合结构最不利温度梯度模式,并将其与我国现行公路桥规中规定的温度梯度模式进行对比;最后建立实桥的有限元模型,计算并对比其在两种温度梯度模式(试验所得的温度梯度模式和我国现行公路桥规规定的温度梯度模式)作用下的响应。
1 工程概况 1.1 桥梁概况本文研究对象为3 m×30 m钢-混凝土组合连续梁桥,桥面全宽为8.5 m,全桥平面按圆曲线(R=90 m)设计,各隔板沿径向布置,垂直于桥梁中心线。为满足整体结构受力要求,本桥设计为双箱单室结构,中间用横梁连接。单箱底板宽2.0 m,悬臂板宽为1.25 m,钢箱梁顶板厚25 mm,底板厚25 mm,腹板厚16 mm,底板设有板式加劲肋,加劲肋板厚16 mm,高200 mm,全桥钢材均采用Q345qD。箱梁顶板、翼缘板采用无收缩混凝土结构,桥面设6%横坡,通过腹板不等高形成,混凝土桥面板等厚300 mm,宽8.5 m,悬臂2 m×1.25 m。为使钢板梁与混凝土板共同受力,钢梁顶板与混凝土顶板通过剪力钉进行连接。具体桥型布置图见图 1。
|
| 图 1 全桥整体布置、测点布置及传感器安装图(单位:cm) Fig. 1 Layout of bridge,measuring points and installation of sensors (unit:cm) |
为掌握横截面上的温度变化,在钢-混凝土组合梁桥第一跨、第二跨跨中及1#墩墩顶截面上埋设温度传感器测量温度场,其中在混凝土中布置2个测点、钢箱梁中布置6个测点,具体测试断面、测点布置及传感器现场安装情况见图 1。
2 测试结果及分析为得到日照作用下截面温度场的分布情况,需对温度场进行连续测试。由于工程进度问题,仅在2013年11月对成桥情况下的日照温度场进行了实测,这里仅列出11月5日和11月6日的实测数据。由于各测试截面对应测点测试的温度值较为接近,故本文仅列出第二跨跨中截面各测点不同时刻温度实测数据,见表 1。
| 11月5日实测温度数据 | 11月6日实测温度数据 | ||||||||||||
| 时间 | 8:15 | 9:50 | 10:40 | 13:00 | 15:30 | 17:20 | 时间 | 7:45 | 9:20 | 11:00 | 12:25 | 14:30 | 16:45 |
| 环境温度 | 6 | 10 | 11 | 17 | 14 | 10 | 环境温度 | 6 | 10 | 14 | 14 | 17 | 12 |
| Ⅰ-1 | 8.1 | 9.1 | 10.5 | 14.1 | 14.0 | 13.2 | Ⅰ-1 | 6.0 | 6.7 | 8.9 | 11.2 | 14.4 | 14.2 |
| Ⅰ-2 | 7.8 | 7.7 | 7.5 | 9.3 | 11.0 | 11.9 | Ⅰ-2 | 6.6 | 7.1 | 8.5 | 10.4 | 11.1 | 12.5 |
| Ⅰ-3 | 7.7 | 9.7 | 11.0 | 13.7 | 14.9 | 13.9 | Ⅰ-3 | 9.6 | 10.7 | 12.4 | 14.0 | 15.6 | 15.0 |
| Ⅰ-4 | 11.0 | 14.5 | 15.5 | 17.1 | 17.2 | 15.0 | Ⅰ-4 | 7.2 | 9.4 | 12.3 | 14.2 | 16.0 | 15.1 |
| Ⅰ-5 | 9.0 | 15.0 | 15.9 | 16.4 | 16.5 | 14.0 | Ⅰ-5 | 6.7 | 9.1 | 12.3 | 14.3 | 16.0 | 15.0 |
| Ⅰ-6 | 8.1 | 9.5 | 10.7 | 13.0 | 14.1 | 13.5 | Ⅰ-6 | 8.2 | 9.3 | 11.3 | 12.8 | 14.2 | 14.2 |
| Ⅰ-7 | 7.2 | 9.3 | 11.1 | 14.2 | 15.6 | 14.5 | Ⅰ-7 | 7.7 | 9.6 | 12.8 | 14.7 | 16.1 | 15.2 |
| Ⅰ-8 | 8.2 | 11.1 | 13.2 | 16.1 | 17.1 | 15.2 | Ⅰ-8 | 7.8 | 10.1 | 13.7 | 15.6 | 16.9 | 15.2 |
将不同时刻温度点用光滑曲线相连,形成的温度时程曲线,见图 2。
|
| 图 2 测点及环境温度随时间变化曲线 Fig. 2 Curves of measuring points and ambient temperature varying with time |
从各测点的温度时程图及截面不同时刻的温度分布图可看出:
(1)混凝土桥面板中测点温度随大气温度的升高而逐渐升高,上表面测点由于太阳辐射的作用升温相对更快,随着时间的推移上、下表面的温差先是变大,当上表面温度达到极值后又逐渐变小。
由截面上不同测点实测的温度数据,可形成沿梁高方向的温度梯度曲线。为便于表述,规定梁高较低侧为内侧截面,与之对应梁高较高侧为外侧截面。内、外侧截面沿梁高的温度梯度曲线见图 3。
|
| 图 3 截面竖向温度梯度图 Fig. 3 Curves of temperature gradient on vertical section |
(2)混凝土中测点的温度变化相对大气温度变化存在一定的滞后现象,这种滞后现象在降温初期表现得更为明显,且混凝土下表面测点的温度滞后要更明显于上表面。
(3)钢箱梁各测点温度随大气温度的升高而逐渐升高,在14:00—15:00达到最大值后随大气温度的降低而缓慢降低。
(4)从各时刻的温度梯度可看出:混凝土下表面和钢箱梁上表面两测点虽然距离较近,在此局部范围内存在一定的温差。钢箱梁上部测点的温度要比混凝土下表面温度高一些。这种温差在早晨温度较低时尚不明显,随着大气温度的升高温差逐渐变大,最大可达3 ℃左右。这是由于混凝土下表面较环境温度滞后较为明显,而钢梁对温度的反应则更敏感一些。
(5)钢箱梁截面上的温度分布规律为:除11月5日内侧钢梁表现出腹板中部温度高于腹板上、下部以外,其余均表现出腹板下部温度最高、中部次之、上部最低的规律。这种规律在外侧钢箱梁表现得更明显一些。
3 最不利温度梯度的确定目前通过实测温度场确定最不利温度梯度的方法通常有如下三种:(1)认为当上表面最高温度与梁高上最低温度之间差值达到最大时(一般也是上表面温度达到最大时),此时的温度分布为最不利温度梯度,这个时间一般出现在14:00左右;(2)认为当截面上、下边缘的温度应力达到最大值时的温度分布为最不利温度梯度。而上、下边缘最大温度应力出现时间不同步,由温度引起的上缘压应力在上表面温度接近最大时达到最大,下缘拉应力以ψ(单元梁段挠曲变形后的曲率)达到最大时为最大应力的判断条件[9];(3)最不利温度梯度的选取方法为:取梁截面上一天中温度变化最小(通常亦是温度最低)的一点作为基准温度,根据各点的温度得出梁截面的温差分布形式,取温差之和最大时刻的温度梯度为最不利温度梯度[11]。
本文采用第三种方法确定最不利温度梯度。由于实测数据的时间间隔较长,最大温差很有可能出现在某两次实测时刻之间。为使确定的最不利温度梯度更为合理,本文将对实测数据进行如下处理。
由国内外众多学者对桥梁上部结构温度场的研究成果可知,对环境温度及各截面测点温度而言,其温度变化具有正弦曲线的特征,每天都会出现一个最大值和一个最小值[11,12,13,1415]。据此本文先将各测点的温度时程按正弦曲线进行拟合,时间为7:00—18:00,再将这一时间段以0.5 h为间隔进行划分,得到23个时刻点,分别求出每一截面上各测点拟合的温度时程曲线在这23个时刻点的温度值,再选取截面各测点中最低温度为基准,求得截面在每一时刻的温差之和,选取所有时刻点中温差之和最大的各测点温度分布作为拟合后的截面最不利温度分布。本文共进行了两天的温度测试,而每天的数据又可分为内、外侧两个截面位置,故按上述方法可最终确定四个拟合的截面最不利温度分布,见图 4。将四组拟合的最不利温度分布取平均作为最终的最不利温度分布形式,此时的最不利温度分布形式为截面上五个测点形成的温度分布形式,见图 5。
|
| 图 4 拟合的截面最不利温度梯度 Fig. 4 The fitted most unfavorable temperature gradient |
|
| 图 5 平均后温度梯度 Fig. 5 Averaged temperature gradient |
桥梁上部结构沿梁高方向的分温度梯度模式可按指数函数形式[16,17,18,19]表达,由于本文实测的混凝土下表面温度与钢梁上部测点的温度存在一定的温差,故本文将混凝土截面的温度梯度模式与钢箱梁的温度梯度模式分别拟合。考虑到混凝土桥面板厚度相对较小,且混凝土截面中温度测点较少,现对混凝土截面的温度梯度模式按线性分布考虑,钢箱梁中的温度梯度模式则以指数函数形式按最小二乘法拟合。截面温度梯度具体拟合过程为:首先将混凝土截面中的两个测点按一次线性函数拟合,由得到的函数求得混凝土下表面(y=0.3 m)的温度,此温度为整个截面上的最低温度,以此作为基准温度得到截面上各测点相对于此温度的温差,再由各测点的温差分别拟合混凝土截面和钢箱梁截面的温度梯度模式,拟合结果见图 6。
|
| 图 6 拟合的温度梯度模式 Fig. 6 Fitted temperature gradient mode注:Tc为混凝土截面温度梯度曲线;Ts为钢箱梁截面温度梯度曲线;t为混凝土桥面桥厚。 |
我国现行公路桥规规定的桥梁结构竖向温度梯度模式采用双折线的非线性分布形式,见图 7。而由本文实测数据拟合得到的温度梯度模式(以下称为模式1)与我国公路桥规规定的温度梯度模式(以下称为模式2)在形式上有所不同,主要体现在钢梁部分的温度梯度模式。
|
| 图 7 公路桥规的竖向温度梯度(单位:mm) Fig. 7 Vertical temperature gradient stipulated in highway bridge specification(unit:mm) |
通过以上分析,现以1.1中的实桥为例,借助有限元软件Midas Civil建立数值模型(图 8),分别计算其在温度梯度模式1和温度梯度模式2作用下桥梁结构的温度效应。模式1和模式2的温度荷载的加载方式见表 2。
|
| 图 8 实桥有限元模型 Fig. 8 FE model of real bridge |
| 混凝土截面 | 钢箱梁截面 | |||||||||
| 模式一 | yi/m | 0 | 0.3 | 0.3 | 0.6 | 0.8 | 1 | 1.2 | H | |
| Ti/℃ | 4.81 | 0 | 0 | 4.72 | 5.79 | 6.26 | 6.46 | rs | ||
| 模式二 | yi/m | 0 | 0.1 | 0.3 | 0.3 | H | ||||
| Ti/℃ | 14 | 5.5 | 1.83 | 1.83 | 1.83 | |||||
实桥钢箱梁各主要控制截面的上、下缘应力值见表 3。
| 截面位置 | 第一跨跨中 | 1#墩墩顶 | 第二跨跨中 | 2#墩墩顶 | 第三跨跨中 | ||||||
| 模式1 | 模式2 | 模式1 | 模式2 | 模式1 | 模式2 | 模式1 | 模式2 | 模式1 | 模式2 | ||
| 内侧 | 上缘最大应力 | 4.99 | 9.04 | 4.50 | 7.21 | 4.63 | 7.64 | 4.46 | 6.98 | 4.88 | 8.63 |
| 下缘最大应力 | 3.15 | 2.32 | 5.87 | 12.30 | 4.91 | 8.71 | 5.67 | 11.60 | 3.10 | 2.10 | |
| 外侧 | 上缘最大应力 | 5.08 | 5.53 | 4.74 | 4.37 | 4.47 | 3.25 | 4.78 | 4.35 | 5.02 | 5.24 |
| 下缘最大应力 | 3.28 | 2.69 | 4.80 | 8.48 | 5.47 | 10.90 | 4.95 | 8.89 | 3.37 | 2.94 | |
由以上的计算结果分析可知:(1)在两种温度梯度模式作用下,钢箱梁全截面均处于受拉状态;(2)按温度梯度模式一算得的内侧截面上缘最大应力值均比模式二算得的应力值要小2~5 MPa;除第一、三跨跨中外侧截面在温度梯度模式一作用下的上缘最大应力值比模式二小外,其他三个截面均比模式二大,最大为1.22 MPa;(3)1#、2#墩墩顶及第二跨跨中内、外侧截面在温度梯度模式一作用下的下缘最大应力值均比模式二小;第一、三跨跨中内、外侧截面在温度梯度模式一作用下的下缘最大应力值均比模式二大,最大为1 MPa。
5 结论对于钢-混凝土组合结构梁桥,其上部结构的温度特性兼有混凝土结构和钢结构的温度特性,本文通过对山西一座钢-混凝土组合梁桥的温度场及温度效应的研究可以得到以下结论:
(1)对于钢-混凝土组合梁桥,在混凝土桥面板与钢箱梁接触部位的局部范围内存在一定的温差,钢箱梁上部的温度较混凝土桥面板下表面温度略高。由于混凝土桥面板与钢箱梁接触局部范围的温度场数据较少,因此局部的温度场分布规律有待进一步验证研究。
(2)对于钢-混凝土组合梁桥的钢箱梁截面部分,当日照引起截面温差达到最大值时,温度沿钢梁截面竖向的分布呈现出由上到下逐渐增大的趋势,部分位置呈现出截面中部的温度高于截面上、下缘。
(3)由实测数据通过最小二乘法拟合得到的钢-混凝土组合梁沿截面竖向的温度梯度模式与公路桥规中规定的温度梯度模式有所不同。
| [1] | 王国林,萧德云.一种面向全景视频的交通状态检测方法[J].清华大学学报:自然科学版,2011,51(1):30-35.WANG Guo-lin,XIAO De-yun.Traffic State Detection Method for Full Scene Video[J]. Journal of Tsinghua University:Science and Technology Edition,2011,51(1):30-35. |
| [2] | OLIVEIRA D D,BAZZAN A L C,SILVA B C D,et al.Reinforcement Learning Based Control of Traffic Lights in Non-stationary Environments: A Case Study in A Microscopic Simulator[C] //Proceedings of the 4th European Workshop on Multi-agent Systems (EUMAS06). Lisbon: RWTH Aachen University,2006: 31-42. |
| [3] | ILVA B,OLIVEIRA D,BAZZAN A,et al. Adaptive Traffic Control with Reinforcement Learning[C] //Proceedings of the 4th Workshop on Agents in Traffic and Transportation,Hakodate: Association for Computing Machinery,2006: 80-86. |
| [4] | CAI C,WONG C K,HEYDECKER B G. Adaptive Traffic Signal Control Using Approximate Dynamic Programming[J]. Transportation Research Part C: Emerging Technologies,2009,17(5):456-474. |
| [5] | WIERING M,VEENEN J V,VREEKEN J,et al.Intelligent Traffic Light Control,UU-CS-2004-029[R].Utrecht: Institute of Information and Computing Sciences, 2004. |
| [6] | ABDULHAI B,PRINGLE R,KARAKOULAS G J. Reinforcement Learning for True Adaptive Traffic Signal Control[J]. |
| [7] | LPRASHANTH L A,BHATNAGAR S. Reinforcement Learning with Function Approximation for Traffic Signal Control[J]. |
| [8] | BINGHAM E. Reinforcement Learning in Neurofuzzy Traffic Signal Control[J]. |
| [9] | 马寿峰,李英,刘豹.一种基于Agent的单路口交通信号学习控制方法[J].系统工程学报,2002,17(6): 526-530.MA Shou-feng,LI Ying,LIU Bao. Agent-based Learning Control Method for Urban Traffic Signal of Single Intersection[J]. Journal of Systems Engineering,2002,17(6): 526-530. |
| [10] | 承向军,常歆识,杨肇夏.基于Q学习的交通信号控制方法[J].系统工程理论与实践,2006,26(8): 136-140. CHENG Xiang-jun,CHANG Xin-shi,YANG Zhao-xia. A Traffic Signal Control Method Based on Q-Learning[J]. Systems Engineering-Theory and Practice,2006,26(8):136-140. |
| [11] | 赵晓华,石建军,李振龙,等.基于Q-learning 和BP 神经元网络的交叉口信号灯控制[J].公路交通科技,2007,24(7):99-102. ZHAO Xiao-hua,SHI Jian-jun,LI Zhen-long,et al. Traffic Signal Control Based on Q-learning and BP Neural Network[J]. Journal of Highway and Transportation Research and Development,2007,24(7): 99-102. |
| [12] | 赵晓华,李振龙,陈阳舟,等.基于混杂系统Q学习最优控制的信号灯控制方法[J].高技术通讯,2007,5(17): 498-502.ZHAO Xiao-hua,LI Zhen-long,CHEN Yang-zhou,et al. An Optimal Control Method for Hybrid Systems Based on Q-learning for an Intersection Traffic Signal Control[J]. Chinese High Technology Letters,2007,5(17): 498-502. |
| [13] | 卢守峰,邵维,韦钦平,等.基于绿灯时间等饱和度的离线Q学习配时优化模型[J].系统工程,2012,30(7):117-122.LU Shou-feng,SHAO Wei,WEI Qin-ping,et al.Optimization Model of the Off-line Q Learning Timing Based on Green Time Equi-saturation[J]. Systems Engineering,2012,30(7):117-122. |
| [14] | 卢守峰,韦钦平,刘喜敏.单交叉口信号配时的离线Q学习模型研究[J].控制工程,2012,19(6):987-992.LU Shou-feng,WEI Qin-ping,LIU Xi-min.The Study on Off-line Q-learning Model for Single Intersection Signal Timing[J]. Control Engineering of China,2012,19(6):987-992. |
| [15] | BOX S,WATERSON B. An Automated Signalized Junction Controller that Learns Strategies from a Human Expert[J]. |
| [16] | BOX S,WATERSON B. An Automated Signalized Junction Controller that Learns Strategies by Temporal Difference Reinforcement Learning[J]. |
| [17] | WATKINS C J C H,DAYAN P. Q-learning[J]. Machine Learning,1992,8(3-4): 279-292. |
| [18] | SUTTON R,BARTO A. Reinforcement Learning: An Introduction[M].Cambridge: MIT Press,1998. |
| [19] | 卢守峰,韦钦平,沈文,等.集成Vissim、Excel VBA、Matlab的仿真平台研究[J]. 交通运输系统工程与信息,2012,12(4):43-48.LU Shou-feng,WEI Qin-ping,SHEN Wen,et al. Integrated Simulation Platform of VISSIM,Excel VBA,MATLAB[J]. Journal of Transportation Systems Engineering and Information Technology,2012,12(4):43-48. |
2014, Vol. 31
