大体积混凝土结构作为现代桥梁建设中一种重要的结构型式,其开裂问题一直是工程技术人员最为关注的问题之一。为指导大体积混凝土施工,减少温度裂缝的产生,可对其进行仿真计算,制定各施工阶段的具体温控措施。但是,在对大体积混凝土温度场和应力场进行有限元分析时,所采用的热学参数主要通过经验公式或试验得到,由于经验公式难免有误差,试验因其花费高、耗时长而较少使用,并且这些参数在施工期受气象条件、时空、荷载、施工条件等多种因素影响,往往使得所采用的热学参数失真,使得大体积温控计算偏离甚至严重偏离实际情况,进而误导工程技术人员采取不准确的温控措施,导致一些大体积混凝土结构出现或多或少的裂缝。针对上述问题,本文基于目前已有的研究成果,提出“温度场有限元正分析—制定温控措施—现场温度监控量测—温度场反分析—温控措施优化调整”这一思路来降低桥梁工程中大体积混凝土的开裂风险。本文以太洪长江大桥散索鞍支墩承台为工程背景作了相关研究,主要工作和成果如下:(1)根据混凝土性能试验与经验公式,确定了大体积混凝土温度场的计算参数;利用MIDAS/FEA建立了温度场正分析模型,得到了各层混凝土的温度场、应力场的分布情况;结构各层温度变化的规律大致相同,主要可以概括为以下几点:升温迅速且温度峰值较高;里表温差较大且均经历先升后降的过程;降温速率过快,内部降温速率较表面降温速率更快;各特征点的应力曲线均在允许应力曲线的下方,且相差较大距离,即各特征点应力值均小于相应龄期混凝土的抗拉强度,且有一定的安全系数。(2)利用BP神经网络的强大的非线性映射能力,建立了温度场反分析模型,并利用神经网络工具箱完成了 BP神经网络算法的编程。在确定网络参数样本时,引入均匀设计方法,大大减少了网络学习的样本数量,保证每个因素的每个水平在其取值范围内做且仅做一次试验,并对网络输入输出样本作了归一化处理,消除了各参数数量级及量纲差异。(3)采用三种广泛接受的性能指标:拟合优度、平均绝对百分比误差、均方根误差量化了 BP神经网络的训练效果,三项性能指标均较为理想,且测试样本集中的预测值与真实值拟合良好,同样验证了 BP神经网络模型对大体积混凝土预测精度高,误差较小,可以用来反演大体积混凝土热学参数。(4)制定了散索鞍支墩承台温度场温控监测方案,利用特征点实测温度反演得到了绝热温升、反应常数、导热系数和表面放热系数四个热学参数值。基于修正模型的温度计算值与温度实测值吻合良好,内部特征点温度峰值最大误差为1.1℃,表面特征点温度峰值最大误差为0.8℃,说明反演结果符合实际施工情况。明确了温控措施的调整方向。(5)本文基于BP神经网络对大体积混凝土温度场进行反分析时,有效利用正分析结果,同时将正分析与反分析过程分离,大大地减少了反分析时间,提高了反分析效率和准确性。并基于MATLAB软件设计具有人机交互功能的温度场反分析系统,并成功将BP神经网络算法嵌入到其中,使得反分析过程直观、简洁、可操作性强。