复杂山区铁路大跨桥梁施工大风监测预警技术引言山区雷暴风、近海台风等非良态风荷载具有风速高、阵风强烈、突发性强等显著特点[1-6]。

在施工作业期间以及列车运营阶段，为了防止极端风荷载对桥梁结构带来安全隐患，应采取必要的监测预警措施。

现阶段，实际工程中仅通过气象预测资料以及实测风速历史数据进行人工决策，规定达到6级强风及恶劣天气不准作业；而在列车运营时，我国铁路部门规定，当横向风速达到15 m/s以上时，应对列车执行不同程度的限速决策。

目前，虽然基于上述实测风速的模式能够起到一定预警效果，但是无法给施工单位与铁路调度部门提供未来风速的变化趋势，所以仍然会面临潜在的风险。

风速预测方法主要包括物理和统计方法两类。

其中，基于中尺度气象数值模式的物理方法，需要借助超级计算机实现预测功能。

相比之下，统计预测方法仅通过地面历史风速数据即可获得未来风速的大小，该类方法在工程中应用也颇多。

例如，Cadenas等[7]根据实测风速数据建立时间序列ARIMA模型，并完成了超前单步预测。

潘迪夫等[8]采用时间序列方法对青藏铁路格拉段沿线风速进行了预测研究；姜言等[9-10]提出了一种基于广义自回归条件异方差模型的铁路强风短时预测方法；刘辉等[11-12]利用青藏铁路沿线实测风速数据，探讨了小波-神经网络法与小波型神经网络法的超前单步预测性能对比研究。

陶齐宇等[13]提出了基于经验值分解及Elman神经网络的桥址区风速预测方法；李春祥等[14]建立了变分模态分解与最小二乘支持向量机的风速预测方法；张如九等[15]对基于混合方法的预测模型性能进行了对比研究，实现了铁路沿线风速的高精度预测。

针对大风预警系统的研发也是国内外研究的热点。

在日本新干线防灾安全监控系统中，通过在铁路沿线设置监测点监测沿线的风速等诸多环境参数，将监测信息发送到中央调度控制室，并监视列车运行状态[16]。

我国京津城际铁路沿线设置了多处防风预警监测点，现场监测信息通过专用传输网络经监控单元上传到防灾安全监控中心，调度指挥中心从监控中心获得现场监测点的基础数据，通过对数据分析处理，判断是否超限报警[17]。

目前，适用于工程应用的风速预测方法以及针对施工阶段的大风预警系统的研究相对较少。

为此，以郑万高铁大宁河大桥为工程案例，对局地大风预警系统的有效性进行研究。

1 风速预测理论方法1.1 风速数据质量控制在风速现场监测期间，由于电源中存在不稳定脉冲或风速仪感应元件的不稳定工作，会造成一些风速异常监测值，故需要对风速数据进行质量控制[18-20]。

通过对实测异常风速的特征的统计分析可知，异常值可分为普通异常值和极端异常值。

普通异常值定义为可采用多倍截断标准差有效识别的数据点，而极端异常点则为不能通过多倍截断标准差识别的数据点，极端异常值包括孤立型与连续型两类。

依次采用以下步骤，可对上述异常值进行判别与订正。

(1)采用多倍截断标准差的方法剔除实测风速序列的普通异常点，并利用所述普通异常点前后风速点均值进行订正。

(2)若经步骤(1)订正后的风速序列仍存在异常点，则对序列进行一次差分运算，并判断序列相邻两个风速点的乘积是否大于预定的阈值，若是，则为孤立型极端异常点，并利用异常点的前后风速点的均值进行订正。

(3)若经步骤(2)订正后的风速序列仍存在异常点，则为连续型异常点。

按照数据奇偶位置顺序对风速序列进行k次抽取，得到2k组数据，分别计算2k组数据的均值和方差，采用多倍方差剔除相应的异常值，并利用异常点的前后风速点的均值进行订正，最后将各组数据按照奇偶顺序重新合并。

1.2 ARIMA-GARCH模型当预警系统发布风速预警信息，为了给施工单位执行应急措施提供充足时间，在保证预测精度的前提下，要求预测模型算法简单，运行稳定，计算效率高。

ARIMA模型是一种描述非平稳风速序列U(t)自相关性的典型方法，具有上述优点。

其中均值方程表示为φ(B)(1-B)d U(t)=θ(B)ε(t)(1)(2)条件方差方程表示为(3)式中，d为差分阶数；φ(B)和θ(B)代表p阶AR(p)多项式，q阶MA(q)多项式，分别表示为φ(B)=1+a1B+a2B2+，…，+a p B p；θ(B)=1+b1B+b2B2+，…，+b p B p；a=[a1，a2，…，a p]T为AR模型的参数向量；b=[b1，b2，…，b q]T为MA模型的参数向量；ε(t)为零均值的异方差序列(也称为残差序列)，其条件方差为h(t)；μ(t)为均值0、方差1的独立同分布随机变量；ηi、λj、γ为GARCH模型参数，i=1，2，…，m，j=1，2，…，l，m和l为GARCH模型阶数；B为向后移位算子，B[U(t)]=U(t-1)。

如上所述，上述ARIMA模型均用于序列的自相关性，为预测提供信息，GARCH模型对残差项进行建模，不仅进一步挖掘残差项中仍存在可利用的信息，从而提高了ARIMA模型预测精度。

由于高阶GARCH模型参数估计较为复杂，一般选用GARCH(1，1)模型即可满足精度要求。

2 大风预警系统及策略大风预警系统主要包括现场级设备和中心系统，如图1所示。

图1 大风预警系统示意从图1可以看出，现场级设备包括风速监测设备、现场监控单元、远程传输DTU设备以及现场报警装置；中心系统包括云服务器以及远程客户端。

现场监控单元通过远程传输DTU设备与中心系统通信连接，以实时传输风速时程至中心系统。

Matlab、Java、MySQL等软件平台部署于云服务器，用于基于实时风速序列获得风速预测结果，并与远程客户端通信连接，以实时传输预测结果至远程客户端。

当风速预测值达到预警阈值时，现场监控单元会接收到云服务器发送的报警指令至现场报警装置，施工现场则立即启动施工人员、施工机具、施工构件的防风紧急措施。

现场数据至云服务器的数据通信采用移动运营商提供的4G公网，远程客户端与云服务器采用Internet公网连接。

结合每隔1 h与每隔10 min平均风速的预测结果对预警风速的大小以及起止时刻进行定位，首先对未来1 h时刻附近的风速大小进行预判，然后逐步根据每隔10 min的预测结果进行细化，能够实现对预警风速起风时刻与停风时刻的精准定位。

风速报警装置设有3个不同颜色的报警警示灯，结合不同风速范围陆上地物征象(风速阈值为平均风速，与预测风速相互对应)，选定风速Ⅰ级预警阈值为10.8 m/s(绿色)，Ⅱ预警阈值为17.2 m/s(黄色)，Ⅲ级预警阈值为20.8 m/s(红色)，预警。

当施工现场接收到不同级别的预警信息时，报警装置将持续闪烁相应颜色的警示灯，并伴有一定强度的警示声。

3 工程案例郑万高铁巫山大宁河大桥为主跨282 m混凝土拱桥为例，桥址区地形陡峭，位于典型的“两山夹一河”区域。

当气流流经桥址范围时，易诱发“狭管效应”，并且风速大小与当地气象站有很大的差异。

如图2所示，大宁河大桥的劲性钢骨架利用斜拉扣索系统辅助成拱，拱圈外包混凝土采用多工作面分段分环浇筑的施工方法[21]，施工非常复杂。

因此，为对大桥施工过程提供安全保障，建立指导大跨桥梁吊装施工的大风预警系统十分必要。

图2 大宁河大桥劲性骨架施工风速监测设备均固定安装于辅助拱桥施工的塔架上。

由于拱顶位置处的脉动风速数据对于临时结构(塔吊，塔架，缆索系统等)的抗风安全评估非常关键，因此在该位置处安装三维超声风速仪。

由于缆索系统主要用于拱肋、节段梁的吊装，主要关注平均风速的大小，另外考虑到监测点布置的经济性，在缆索吊的最低点和最高点位置处安装二维机械式风速仪。

大宁河大桥管理人员可访问如图3所示的远程客户端，以调试预警系统的可靠性和掌握桥址处局地风速的相关信息。

包括实时风速监测模块、风速预测模块、历史风速查询模块、预警及阈值信息模块、处理措施管理模块等，图4为实时监测的显示界面，图5为风速预测显示界面。

2017年是互联网期刊行业面临重大改革的一年，大数据和人工智能等新技术的发展将会为互联网期刊行业的信息服务带来巨大的变革：一方面在政策和行业的风口下互联网期刊已经从单纯的资源汇集与提供向知识服务迈进一大步，而且逐渐向智慧型知识服务发展；另一方面在大数据和人工智能技术的推动下响应用户的潜在需求，能够更加精准的进行知识传播与决策服务。

各行业、各类机构目前都对大数据与知识管理有着强烈需求，并针对本行业、本机构的大数据与机构知识基础设施建设实际，又衍生出众多个性化需求。

图3 大风预警系统客户端界面图4 实时风速数据显示界面图5 风速预测显示界面由于风速预测的精度预警系统的重要环节，进一步以2020年7月18日19:50～2020年7月20日19:50时间段为例，每隔10 min(共计2 d，288个预测时刻)以及每隔1 h(48个预测时刻)的平均风速预测值如图6所示。

从图6可以观察到，预测结果与实测值吻合程度较高，仅图6(b)所示预测结果出现了一定的时滞性，产生时滞性的主要原因是由于预测模型基于历史风速序列，而预测结果与历史风速密切相关。

以每隔10 min确定性预测结果为例，表1列出了本文方法与其他方法预测结果的对比，包括ARIMA、最小二乘支持向量机(LSSVM)、变分模态分解(VMD)与ARIMA组合、变分模态分解(VMD)与最小二乘支持向量机(LSSVM)组合。

从表1可以看出，ARIMA-GARCH模型预测性能较好，能够满足工程防灾的精度要求。

需要说明的是，ARIMA-GARCH模型的预测精度具有普适性，限于篇幅，仅显示2 d的预测结果。

图6 风速预测结果表1 不同预测模型结果对比4 结论(1)充分利用拱桥施工过程中的临时结构，将风速监测设备安装于辅助拱桥施工的缆索塔架上，无需搭建固定风速监测设备的测风塔，能够满足风速监测的要求，可节约成本。

(2)ARIMA-GARCH预测模型具有计算效率高、运行稳定、预测精度高等优点，可为桥梁施工过程防灾减灾提供可靠的参考依据。

(3)研发的保障大宁河大桥施工期吊装安全的大风预警系统运行性能良好，可推广应用于东南沿海台风、龙卷风等特异风频发桥址区。