大跨度桥梁主要采用节段法逐步施工,它的施工建造涉及到人们的生命财产安全,确保施工顺序和安全非常重要。施工监控是确保桥梁按质按量完成的一项重要工作。大跨度混凝土斜拉桥由于施工偏差,外界环境等因素影响,实际桥梁的标高(线形)、砼主梁重量可能偏离理论值。如果在施工过程中:(1)利用已经完成节段的实测数据,预测后续节段的底模标高;(2)利用有限元模型和已有的监控数据识别本桥的容重,然后再修正有限元模型的参数,使模型计算更加接近施工实际。这就可以提前采取纠偏措施保证桥梁成桥线形按设计完成。本文以惠州范和港大桥(大跨度预应力混凝土斜拉桥)为研究对象,利用BP神经网络的非线性映射能力,在已完成主梁节段的标高实测值和影响标高的因素之间建立一种非线性关系,采用新陈代谢的方法逐次预测后续节段的底模标高。针对参数识别的问题,本文分别采用最小二乘支持向量机和BP神经网络两种方法进行参数识别。首先通过有限元模型的计算获取本桥的“容重节段标高变量”的学习样本,通过样本建立上述两种方法的识别模型。然后在实际施工监控过程中把学习过程逆推过来,由“实测节段标高变量容重”,由此完成容重的识别。本文主要内容包括以下几个方面:1)利用软件Midas/Civil建立本桥有限元模型,分析建模影响因素;2)分析影响主梁标高的主要因素,基于BP神经网络方法建立范和港大桥北塔中跨主梁节段标高与影响因素的网络模型,通过归一化波动率和反归一化波动值来检验网络的稳定性;3)采用新陈代谢方法方法依次预测北塔中跨11#至23#节段终拉工况下的底模标高,通过与实测值对比进行总结,并分析不同的隐含层节点数、传递函数、期望误差等参数对网络的影响;4)分别采用最小二乘支持向量机和BP神经网络识别主梁混凝土容重,分析识别效果并比较两种不同方法的特点。