杨伟涛，喇海霞，王秋显，段晓晨

（1.石家庄市交建山区建设管理有限公司西阜分公司，河北 石家庄 050000；2.石家庄铁道大学经济管理学院，河北 石家庄 050043）

1 引言

大型桥梁一旦垮塌，将造成很大的人员伤亡和财产损失。究其原因，除了缺乏科学规划设计外，重建设轻维护、缺乏高质量的安全监测和维护也是重要原因。针对以上问题，国内外学者进行了相关研究，如潘永杰等[1]构建了基于BIM的桥梁工程运维管理系统，为桥梁预防性维修提供了较好平台。胡振中等[2]对BIM技术在运维管理中的应用进行综述，指出BIM 技术在运维管理中应该解决的关键技术及应用前景。熊自明等[3]概括总结了2010年～2017年我国岩土工程施工风险管理相关研究成果，提出将三维可视化技术、实时分析、智能管理等技术应用到风险管理的对策与建议。吴巨峰等[4]综合物联网、大数据、云计算等技术，提出了APP交互式终端智能运维管理模式。孙玉梅等[5]将GIS与BIM 技术集成运用到公路隧道的运维管理中，实现了隧道运维信息监测和安全预警等智慧运维管养功能，提高了公路隧道工程运维精细化管理水平。综上所述，国内外学者多数提出了BIM 可视化技术在运维管理中的运用，但结合桥梁工程病害事故在运维过程中的复杂性、随机性、非线性等演变机理和趋势规律，将PSO（粒子群优化算法，Particle Swarm Optimization）、BPNN（BP 神经网络，Back Propagation Neural Network）、海恩法则、BIM（建筑信息模型，Building Information Modeling）方法综合集成应用，进行BPNN 人工智能识别、BIM三维可视化展现桥梁病害事故方面，经文献检索无类似报道，故展开该方向的研究具有一定理论价值。

2 桥梁工程运维安全风险三维智能识别和控制模型构建

2.1 构建类似桥梁工程运营维护安全基础数据库

2.1.1 原始数据库构建

通过走访调查、网络搜索及文献检索等方式，广泛收集类似工程运维病害事故历史信息，运用ACCESS建立山区桥梁运维原始数据库，主要包括桥梁名称、通车时间、病害事故的发生部位、类型、等级、频率、发展过程、维修周期、问题原因、对策等相关内容。

2.1.2 目标工程运维安全风险类型、主要影响因素分析及量化赋值

在原始数据库基础上，根据目标工程运维安全影响因素（或称工程特征）众多，且呈现随机、复杂性等特点，首先运用RBS（Risk Based Supervision）进行影响因素分类[6]，如桥梁长度、桥梁宽度、气候类型、地质水文特征、地貌特征、降雨量、车道数、抗震等级、施工与设计相符度、平均日交通量、管理水平、河水水位流量等；其次运用专家分析法和统计分析法逐一分析各因素对事故演变机理的影响程度，并运用主成分分析法对因素之间相关性进行检验，选取影响程度高、独立性强的因素作为桥梁工程运维安全的主要影响因素，并进行量化赋值。

运用以上方法分析目标工程运维病害事故类型包括：支座损坏、伸缩缝损坏、桥面系损坏、桥台跳车、梁体损坏、墩台基础损坏、墩台损坏、坍塌等，并进行量化赋值。

2.1.3 聚类类似工程

按照以上风险类型和主要工程特征，对原始数据库进行整理加工，运用PSO进行聚类分析，筛选出与目标工程相似度较高的案例作为样本案例[7]。

2.1.4 建立目标工程样本案例基础数据库

对样本案例原始数据进行深入挖掘分析，按桥梁名称、主要工程特征、通车时间、病害事故类型、部位、等级、频率、维修周期、问题原因、对策等建立目标工程样本案例基础数据库。

2.2 建立目标工程运维安全风险识别模型

2.2.1 目标工程运维安全风险类型及程度预测

根据样本案例数据库病害事故的发生部位、类型、频率统计，识别分析目标工程可能发生的主要病害事故类型。

分析确定每个病害事故类型的影响因素，结合样本案例数据库，运用BPNN模型预测识别各风险可能发生的频率、维修周期等[8]。

2.2.2 建立目标工程安全风险隐患、苗头、征兆数据库

根据海恩法则将病害事故分解为隐患、苗头、征兆，分析目标工程各风险类型的隐患、苗头、征兆，并进行标准化编码建库。

2.2.3 建立目标工程安全风险问题、原因、对策数据库

根据样本案例数据库，统计识别目标工程各风险类型的问题、原因、对策，并进行标准化编码建库。

2.2.4 构建风险预警系统

根据海恩法则：每一起严重事故的背后，必然有29次征兆和300 起苗头以及1000 起事故隐患，确定相应预警等级和响应对策。

2.3 建立目标工程运维安全风险动态防治模型

①确定控制周期。

②建立事故风险隐患、苗头、征兆预警体系。每个控制周期实施过程中，根据隐患、苗头、征兆数据库，统计实际发生的各事故风险隐患、苗头、征兆频数并预警，根据问题原因对策库，找出问题原因，制定具体防治措施。

③PDCA循环优化控制。在下一控制周期，执行预警响应对策和具体防治措施，统计新出现的隐患、苗头、征兆频数，制定对策，在下次循环执行。并将新出现的隐患、苗头、征兆、问题原因与对策补充到前述相应数据库中，最终将病害事故消灭在隐患、苗头、征兆等萌芽之中。

2.4 构建桥梁运维安全BIM辅助管理模型

桥梁运维过程中，对重点病害和部位使用revit 软件进行三维模型构建，三维展现该病害演变过程和程度，并将BIM技术与计算机信息技术相结合[9-12]，建立计算机智能查询系统，能够及时查询桥梁运营维护可能出现的各种安全病害问题，为管理者提供一个三维直观可视化的桥梁病害防治维护模型。

3 模型应用

张家庄大桥地处灵寿县境内，是西阜高速公路的重要组成部分，该桥位于太行灵寿山区，总长928.5m，宽度24.5m，水文地质条件复杂，运维环境差，运维安全风险高。为保证张家庄大桥安全畅通，将以上模型实施如下。

3.1 构建类似桥梁工程运维安全基础数据库

3.1.1 原始数据库构建

收集并整理相关案例52个，构建基础原始数据库，见表1。

表1 张家庄大桥运维安全原始数据库

3.1.2 张家庄大桥运维安全主要影响因素分析

综合运用RBS、专家打分、主成分统计等方法，在12个影响因素基础上，约简出主要工程特征为6个，依据《公路工程技术标准》（JTG B01-2014）、《公路缆索结构体系桥梁养护技术规范》（JTG/T 5122-2021）以及所收集数据统计资料和专家经验，对6个特征进行量化赋值，见表2。

表2 桥梁病害事故工程特征类目量化表

3.1.3 张家庄大桥主要工程特征分析

张家庄大桥总长928.5m，宽度24.5m，通车年限1年，日交通量约22×103辆，水文地质复杂，气候条件良好。结合表2进行量化赋值，见表3，其中I1表示桥梁长度，I2表示桥梁宽度，I3表示通车年限，I4表示日交通量，I5表示水文地质特征，I6表示气候条件。

表3 张家庄大桥工程特征量化表

3.1.4 基于PSO的张家庄大桥相似案例智能选取

根据以上工程特征量化值，运用Matlab工具，通过输入相应代码，在52 个案例原始数据库中进行PSO 智能聚类分析，优选出与张家庄大桥相似度较高的基础案例。在聚类参数设置中，聚类数目主要结合数据库大小进行确定，同时也应满足聚类后适应度与聚类中心接近的要求。本案例将聚类数目确定为3，通过运算得到张家庄大桥适应度与第一类聚类中心的相似度最高，为78.2%，且大于50%。因此，选取相似度最高的一组作为张家庄大桥病害事故预测样本数据，共包括32组案例。

3.1.5 构建目标工程样本案例基础数据库

按主要工程特征、事故风险类型、部位、频率（次/年）、级别、维修周期（平时、小、中、大修）等因素，构建以上32组的张家庄大桥样本案例基础数据库。

3.2 张家庄大桥运维安全风险识别

3.2.1 张家庄大桥运维安全风险类型、频率与维修周期预测

①张家庄大桥病害事故类型预测。

根据张家庄大桥样本案例基础数据库，对病害事故发生年平均频率按大小排序统计，如图1所示。墩台损坏发生频数仅为0.02，坍塌为0，这两项本文不作考虑。由此确定张家庄大桥主要病害事故类型为支座损坏、伸缩缝损坏、桥面系损坏、墩台基础损坏、桥台跳车、梁体损坏。这些病害事故的发生将会对交通安全造成极大危害，如不积极采取预防控制措施，最终将威胁人民群众的生命安全。

图1 桥梁运维主要病害事故频率统计

②张家庄大桥病害事故类型可能发生频率、维修（更新）周期预测。

以张家庄大桥桥面系损坏频率、中修周期为例说明预测过程，其他预测本文不进行论述。

第一步：分析确定桥面损坏主要工程特征为桥梁长度（I1）、桥梁宽度（I2）、通车年限（I3）、日交通量（I4）、气候条件（I6），运用PSO在样本案例基础数据库中进行聚类分析，选取相似度较高案例23个，见表4。

表4 桥面大修周期与桥面系损坏频率基础数据表

第二步：建立BP神经网络模型[9]。本文构建3层网络模型，输入指标为5 个，隐含层个数为：2×输入指标数+1＝2×5+1=11 个，允许误差为10-10，设置网络最大迭代次数为5000次。

第三步：确定训练与测试样本。将前21 个案例数据作为训练样本，模型达到迭代次数时停止训练，保存训练后的参数值，然后输入22、23两组测试样本数据进行测试。网络训练记录过程如图2所示。

图2 BP神经网络训练记录过程图

记录第22、23 组的工程数据在网络模型中的预测值，作为测试结果，对比测试案例数据的预测值和实际值，见表5。

表5 实际值与输出值比较

由表5 可知，第22 组数据其预测值与实际值的误差为2.00%，第23 组数据其预测值与实际值的误差为1.50%，说明所建BP 神经网络预测值与实际值相差较小，预测准确度较高，可以运用到实际中。

第四步：预测分析。将张家庄大桥相应5个工程特征值输入到训练完成的网络中，预测出桥面损坏频率预测值为0.3760，取0.4 次/年；桥面中修周期预测值约为3.7995，取4年。

3.2.2 建立张家庄大桥运维安全风险隐患、苗头、征兆数据库

运用海恩法则理论，根据张家庄大桥主要病害事故类型，将每一病害事故进行逐层划分，即事故类型-事故征兆-事故苗头-事故隐患。并根据“安全风险”“征兆”“苗头”“隐患”的首字母进行相应编号，如A01代表第一类安全风险，A01Z01 代表第一类风险的第一个事故征兆、A01M01代表A01Z01的第一个苗头，以此类推，各类事故可能出现的隐患、苗头、征兆编码建库，见表6。

表6 张家庄大桥病害事故征兆苗头隐患数据库

3.2.3 建立张家庄大桥安全风险问题原因对策数据库

结合样本案例数据库与以上风险隐患、苗头、征兆数据库，构建张家庄大桥安全风险问题原因对策数据库，见表7。

表7 张家庄大桥病害事故原因对策数据库部分数据展示

3.2.4 构建风险预警体系

根据海恩法则确定病害事故预警体系，根据隐患、苗头、征兆实际统计的本期、开累频数占极限值1000、300、29的最大比例设定，见表8。

表8 预警等级表

3.3 张家庄大桥运维安全风险动态防控

①确定控制周期。

因处于刚开通，施工遗留隐患较大，所以控制周期确定为一个月。

②张家庄大桥事故风险隐患、苗头、征兆PDCA 循环防治。

每个控制周期统计各种事故风险发生的隐患苗头征兆频数并进行预警，根据问题原因对策库找出原因、制定对策，下一循环执行对策，PDCA 循环往复。本文选取2019年5月病害统计数据进行说明，见表9。

表9 2019年5月份病害信息统计表

通过2019年1月至2020年3月运行15个月效果分析得知，病害发生主要是施工遗留的隐患较多，通过防治，消除了隐患，确保了大桥运营安全畅通。

3.4 张家庄大桥BIM三维动态优化辅助管理

3.4.1 建立张家庄大桥运维病害事故计算机智能识别和查询系统

将PSO、BPNN 运算软件和原始数据库、样本案例基础数据库进行有效兼容链接，并建立查询系统，只要输入张家庄大桥相关工程特征、病害事故类型、时间参数值等，就能够查询张家庄大桥运维管理相关信息，本软件正在开发建设中。

3.4.2 张家庄大桥重点部位病害防治三维展现

针对梁体、支座、桥台、墩台、桥面等重点部位，运用Revit 2016进行三维模型构建，并导入到navisworks进行渲染，大桥中部梁体三维模型构建效果如图3所示。

图3 张家庄大桥某中梁三维运态模型

在运维过程中，按周期实时统计各种病害发生的隐患、苗头、征兆频数，并提供预警和防治对策，图4 为某T型梁2019年5月份病害信息实时统计图，可为管理者提供一个三维直观可视化的桥梁病害防治维护决策支持模型。

图4 张家庄大桥某T型梁病害信息

4 结语

针对山区桥梁工程病害事故在运维过程中的复杂性、随机性、非线性等特点，建立运维安全三维智能识别与控制模型，将运维事故风险消灭在隐患、苗头、征兆等萌芽中。主要研究结论如下：

①在收集类似工程运维安全数据资料的基础上，运用基于PSO的BP神经网络对山区桥梁运维病害事故风险类型及程度进行识别和预测。

②运用海恩法则、PDCA 等管理方法，实现对山区桥梁运维安全的动态防治。

③将BIM 技术与计算机信息技术相结合，实现对运维安全事故智能识别和三维可视化控制。

④以西阜高速张家庄大桥为例，通过模型应用，验证了模型的可靠性和准确性。