基于BP神经网络的单桩极限承载力预测

基于BP神经网络的单桩极限承载力预测 曾华明 ,厦门路桥投资总公司 福建 厦门 36100, 摘 要 从基桩高应变动测试验的结果中提取特征参数～组成反映基桩竖向承载力的特征向量～并利用BP神经网络的非线性映射特性和学习能力～建立了特征向量和单桩竖向极限承载力之间的一种对应关系～实例研究 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 明～人工神经网络的预测结果和凯司法的计算结果相比～更接近静载试验结果～因此～在桩基 工程 路基工程安全技术交底工程项目施工成本控制工程量增项单年度零星工程技术标正投影法基本原理 中利用人工神经网络方法来预测单桩竖向极限承载力是行之有效的。 关键词 桩～高应变～承载力～神经网络 Predication of Pile Ultimate Bearing Capacity Based on BP Neural Network ZENG Hua-ming (Xiamen Road &Bridge investment Co.ltd, Xiamen ,361009, China) Abstract The characteristic vales get from pile’s high stress testing signal made up of the characteristic vector representing this signal. The relationship between characteristic vectors of pile and pile’s vertical ultimate bearing capacity has been established by using BP neural network with non-linear mapping character and learning ability. Real example research shows that the neural network model’s values which are coincide with static loading test values is better than CASE values. Prediction of vertical ultimate bearing capacity of single pile by this new intelligent way is feasible and effective. Keywords pile, high strain, bearing capacity，neural network 1 前言 2单桩极限承载力的判定方法 随着我国经济建设的快速发展，高层建筑的日 2(1 凯司法 益增多，桩基础也得到了更为广泛的应用，但是由 于基桩的竖向极限承载力受诸多因素的影响，既要凯司法承载力计算公式是基于以下三个假定 [6]保证建筑物的安全稳定，又要充分发挥桩基技术的推导出的: 经济效益，如何科学合理的确定基桩的极限承载力1 桩身阻抗基本恒定。 [1,2]是工程设计施工人员十分关心的问题。静载荷2 动阻力只与桩底质点运动速度成正比，即试验作为确定单桩竖向极限承载力一种最常用、最全部动阻力集中于桩端。 基本的方法，其可靠性最高，但其往往是破坏性的，3 土阻力在时刻t2,t1+2L/c已充分发挥。 并存在设备昂贵、时间长、所需人力物力多、费用显然，它较适用于摩擦型的中、小直径预制桩高等缺点。目前广泛使用的动测法(高应变法)主和截面较均匀的灌注桩。 要是以对实际情况进行简化的计算模型及经验为凯司法判定的单桩承载力按下列公式计算 基础的一种方法， 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 结果易受到 检测 工程第三方检测合同工程防雷检测合同植筋拉拔检测方案传感器技术课后答案检测机构通用要求培训 人员的技术1[3,4]水平等因素的影响，误差有时比较大。因此，R,(1,J)[F(t)，ZV(t)]，cc112探索一种既简便，又可靠的基桩极限承载力的预测12L2L[5](1，)[(，),(，)]JFtZVt方法具有极为重要的理论价值和现实意义。 c112cc (1) 到基桩极限承载力之间的非线性映射,从而避开人EAZ,为主观因素带来的影响，且耗时较少。 c (2) 3单桩极限承载力预测的神经网络模型 2E,,,c (3) BP神经网络是一种比较成熟且应用较为广泛式中: Rc ??单桩竖向抗压承载力(kN); 的一种神经网络，它可以通过对大量样本的训练学Jc??凯司法阻尼系数; 习，自适应地获得输入与输出的高度非线性映射关t1 ??速度第一峰对应的时刻(ms); 系。对于单桩承载力预测问题，利用该网络可以包F(t1) ??t1时刻的锤击力(kN); 含桩的相关动测信息并形成一个广义函数，从而在V(t1) ??t1时刻的质点运动速度(m/s); 给定输入(各影响参数的值)的情况下能够比较准 [7]Z ??桩身截面力学阻抗(kN?s/m); 确的输出参数(竖向极限承载力)。 A ??桩身截面面积(m2); x y 11L ??测点下桩长(m)。 x y2E——桩身材料弹性模量(kPa); 2c —— 桩身应力波传播速度(m/s); x ynmρ—— 桩身材料质量密度(t/m3)。 输入层隐含层输出层 Jc定义为仅与桩端土性有关，一般遵循随土中 细粒含量增加阻尼系数增大的规律。Jc的取值是否 合理在很大程度上决定了计算承载力的准确性。当图1 BP神经网络模型 贯入度达不到 规定 关于下班后关闭电源的规定党章中关于入党时间的规定公务员考核规定下载规定办法文件下载宁波关于闷顶的规定 值或不满足上述三个假定时，Jc 值实际上变成了一个无明确意义的综合调整系数。 我们在用高应变进行基桩承载力检测时可以2(2 实测曲线拟合法 Pmax得到以下参数:锤击力的最大值，锤击传递 W给桩的最大能量值，桩顶最大的动位移值实测曲线拟合法是通过波动问题数值计算，反max SV，桩顶质点的最大速度值，桩身材料弹演确定桩和土的力学模型及其参数值。其过程为:maxmax 性模量E，桩身截面力学阻抗Z。在建立神经网络假定各桩单元的桩和土力学模型及其模型参数，利 模型时，我们采用以上6个主要影响参数作为神经用实测的速度(或力、上行波、下行波)曲线作为 网络的输入，以单桩的竖向极限承载力R作为该神输入边界条件，数值求解波动方程，反算桩顶的力 经网络的输出参数。 (或速度、下行波、上行波)曲线，若计算的曲线 通过多次尝试，我们选用含有一个隐层的BP与实测曲线不吻合，说明假设的模型及参数不合 神经网络，其中网络输入维数为6，输出维数为1，理，有针对性地调整模型及参数再行计算，直至计 隐层的节点数取为10，传递函数采用对数Sigmoid算曲线与实测曲线(以及贯入度的计算值与实测 函数。 值)的吻合程度良好且不易进一步改善为止。目前 1比较常用的曲线拟和软件有CAPWAP、PSP_WAPf(x), (4) 1，exp(,x)等，分析人员根据曲线的拟和情况和自己的工程经 Goble等人通过对CAPWAP方法的实际应用验不断的对模型参数进行调整，不同的分析人员得 情况总结发现，通过CAPWAP方法计算得到的基到的结果往往也不尽相同，而且拟和分析往往要花[13]桩竖向承载力与静载的试验结果比较接近，并且费比较长的时间。 由此可见，上述两种单桩极限承载力判别方法基桩的静载试验结果往往十分有限。鉴于此，我们对检测人员的水平要求较高，测试结果易受人为因以高应变试验的CAPWAP拟和结果作为训练样本 [8,9]素的影响;而神经网络是在物理机制上模拟人脑信的目标输出，有静载试验结果的作为检验样本。 息处理机制的信息系统，它具有处理知识的思维、对于混凝土预制桩，以厦门地区某工地的38学习、记忆能力，可实现基桩动测信号的特征参数 根桩高应变的实测结果作为样本，其中有6根桩还力的智能化预测问题进行研究，结果表明:利用动做了静载试验，将其作为检验样本;剩下的32根测试验结果，采用神经网络模型可以对单桩竖向极桩均用CAPWAP进行了拟和分析，故将其作为训限承载力进行预测，预测结果和凯司结果相比，更练样本。训练样本和检验样本分别见表1、表2。 接近静载试验结果;基桩动测试验结果受到多种因 训练算法为共轭梯度法，学习速率为0.1，误素的影响，因此，在应用神经网络方法时，应根据差指标为1e-4。网络训练的误差变化曲线如图2所实际情况充分考虑各因素的影响，以提高预测准确示，可见当网络迭代至906步时停止, 误差值达到度;训练样本的数量越多，预测精读也就越高，该要求。 神经网络模型的可推广性也就越好。利用神经网络 来对单桩竖向极限承载力进行预测是一种行之有 效的方法，具有重要的现实意义和良好的应用前 景。 参考文献 1 刘明贵，佘诗刚，汪大国等，桩基检测技术指 南[M]. 北京:科学出版社，1995，245~256. 2 王成华，张薇.人工神经网络在桩基工程中的应 用综述[J].岩 土 力 学 ,2002，23 (2): 图2 误差曲线 173~177 3 鄢泰宁,王 生,李邵军.人工神经网络方法在桩对于训练后的神经网络，利用检验样本对该神基检测中的应用[J].地质科技情报, 1999，18:经网络模型进行检验，其结果见表2，神经网络预37~40 测结果、凯司法结果与静载试验结果对比见图3。 4 刘勇健. 基于遗传-神经网络的单桩竖向极限 承载力预测方法研究[J].岩 土 力 学 ，2004， 25 (1):59~63 5 冯紫良，孙海涛，王树娟. 用人工神经网络预 测单桩竖向极限承载力. 同济大学学报 [J].1999，27(4):397~401 6 建筑基桩检测技术规范[S], JGJ 106—2003. 7 刘明贵, 岳向红. 基于小波分析和神经网络的 锚杆锚固质量分析[J].岩石力学与工程学报. 2006,24(1) 图3 承载力实测值与预测值对比图 8 In-MO Leea, Jeong-Hark Lee. Prediction of Pile Bearing CapacityUsing Artificial Neural 通过图3可以清楚的看到，神经网络的预测结 Networks[J].Computers and Geomechanics, 果和凯司结果相比，更接近静载试验结果，表明在 1996. 18(3,). 189-200. 桩基工程中利用人工神经网络方法来进行单桩竖 9 W. T. Chan ,Y. K. Chow, L. F. Liu .Neural 向极限承载力的智能化判定是行之有效的。 network : An alternative to pile driving 4 结论 formulas[J].Computers and Georechnics, 1995. 17. 135-156 本文基于人工神经网络的非线性映射特性和 基桩动测试验结果对混凝土预制桩竖向极限承载 作者简介:曾华明 男 1966年8月生 1988年毕业与鹭江大学工业与民用建筑专业,现为工程师 ,主要从事路桥方面的工作 表1 训练样本的输入与输出值 锤击力最大值 传递给桩的最大能量值 桩顶最大动位移 ZV最大值 桩入土深度 桩径 CAPWAP结果 序号 kN kN*m mm kN m mm kN 1 3359 21.86 2.93 3201 24.4 500 2989 2 3468 25.95 3.12 3015 26.0 500 2843 3 3672 30.85 2.74 3554 30.0 500 2957 4 3791 33.13 3.22 3879 30.4 500 3063 5 3632 28.75 2.41 3544 28.0 500 2893 6 2023 15.78 2.85 2059 25.7 400 1919 7 1961 17.13 3.10 1902 25.5 400 1801 8 1993 14.54 2.88 1900 24.5 400 1820 9 2110 18.01 2.77 2031 26.1 400 2031 10 1791 13.13 2.10 1602 25.5 400 1731 11 3334 22.68 3.13 3227 25.0 500 3129 12 3412 25.33 3.02 3315 25.1 500 2953 13 3762 30.85 4.14 3654 24.6 500 3033 14 3455 32.11 3.27 3379 24.4 500 3122 15 3657 27.65 2.63 3589 25.3 500 3220 16 2256 17.12 2.93 2195 25.2 400 1887 17 1986 14.13 3.05 1832 25.5 400 1803 18 1955 15.54 2.73 2080 24.5 400 1842 19 2343 18.50 3.37 2219 25.1 400 2101 20 2251 13.25 2.74 1952 25.2 400 1931 21 2331 16.12 3.13 2220 24.3 400 2007 22 2454 15.53 3.24 2356 25.0 400 2053 23 2230 15.79 2.93 2108 24.8 400 1814 24 2357 18.36 3.07 2266 25.0 400 1932 25 2249 14.51 2.67 2208 25.0 400 1901 26 2103 13.78 2.65 2078 25.2 400 1819 27 2252 16.23 3.11 2012 25.2 400 1981 28 2395 20.59 2.99 2160 24.8 400 2020 29 2511 20.11 3.17 2431 26.1 400 2131 30 2456 17.63 2.80 2202 25.5 400 2031 31 2433 16.42 3.17 2330 24.3 400 2010 32 2345 15.40 2.54 2310 25.0 400 2028 表2 神经网络预测值与静载结果的对比 锤击力最大值 传递给桩的最大能量值 桩顶最大动位移 ZV最大值 桩入土深度 桩径 静载结果 凯司结果 预测结果 序号 kN kN*m mm kN m mm kN kN kN 1 2242 19.86 2.74 2152 24.6 400 2050 1855 1981 2 2558 24.95 3.02 2415 25.0 400 2310 2384 2197 3 2372 22.85 2.94 2254 25.0 400 2140 2022 2258 4 2445 23.37 3.12 2379 25.2 400 2200 1893 2025 5 3546 28.77 2.81 3544 24.8 500 3380 2945 3165 6 3619 25.78 3.25 3559 25.0 500 3170 3309 3271