BP人工神经网络在深层搅拌桩复合地基承载力计算中的应用

BP人工神经网络在深层搅拌桩复合地基承载力计算中的应用BP人工神经网络在深层搅拌桩复合地基承载力计算中的应用 BP人工神经网络在深层搅拌桩复合地基承载力计算中的应用第27卷增刊广西土木建筑 2002年10月BUIIDINGINGUANGXI Vo1.27Sup Oct.2O02 [文章编号]1002—4115(200:2)增刊一0227—03 BP人工神经网络在深层搅拌桩复合地基承载力计算中的应用凌国智 (广西建筑科学研究设计院广西南宁530011) 摘要对现行的深层搅拌桩设计方法存在的问题进行探讨.提出了用人工神经网络模型对复合地基承载力...

BP人工神经网络在深层搅拌桩复合地基承载力计算中的应用 BP人工神经网络在深层搅拌桩复合地基承载力计算中的应用第27卷增刊广西土木建筑 2002年10月BUIIDINGINGUANGXI Vo1.27Sup Oct.2O02 [文章编号]1002—4115(200:2)增刊一0227—03 BP人工神经网络在深层搅拌桩复合地基承载力计算中的应用凌国智 (广西建筑科学研究设计院广西南宁530011) 摘要对现行的深层搅拌桩设计方法存在的问题进行探讨.提出了用人工神经网络模型对复合地基承载力进行计算的新思路.实例研究表明.人工神经网络方法对深层搅拌桩复合地基承载力的计算是行之效的. 关键词人工神经网络误差逆传播深层搅拌桩复合地基承载力 [中图分类号]TU4[文献标识码]B 1引言. 深层搅拌桩自引入我国后,便以其施工工艺简单,效率高,造价低,场地污染小,对相邻建筑物无影响及设计布置随意性强等优点而得到迅速的推广,并取得了良好的经济效益和社会效益.随着深层搅拌桩应用的日益广泛,复合地基承载力在设计计算中暴露出了一些问题,造成了计算值与实际检测值存在较大的差异.作者在此阐述将BP网络应用于复合地基承载力的设计尝试,为解决深层搅拌桩复合地基设计计算值和实际检测值存在的较大差异问题提供参考. 2BP网络模型采用误差逆传播(简称BP)神经网络模型, 通过把输出层单元的误差逐层向输入层"分摊"给各层单元,从而获得参考误差,并调整各边连接权.网络结构由三部分组成:输入层 I隐含层Ie和输出层Ic(图1).其算法步骤如下: (1)网络初始化,给权重矩阵(V和w) 及阈值(0和7)赋[一1,+1]区间的随机值; (2)给学习样本赋输入值与希望输出值; (3)计算网络节点的值. 隐含层: b;一f(?V,口^+)(1)^_-l c 输出层: P Ci一厂(?.十)(2) 式中,i一1,2,…,P;j一1,2,…,q;f (x)为S型函数:f(x)一(1+e一) (4)计算代价函数.BP网络通过代价函数最小化过程完成输入到输出的映射. .vq E一??(f一f)(3) lJ1 式中,Cj为实际输出,C,为希望输出,q为输出层神经元个数,N为样本个数. (5)连接权和阈值调整. 输出层与隐含层之间调整: (志+1)=(志)+口??d(4) (志+1):;:rJ(志)+口?d(5) 隐含层与输入层之间的调整: 1^(志+1)一V^(志)+??e(6) Q(足十1)=(是)+?e(7) 式中:k为迭代次数,a,p为学习率,dj,e.为输出层和隐含层节点参考误差,其值可通过下式计算求得: dj—C(1--Cj)(Cj--C,)(8) ei—bi(1一)?W,,(9) =1 (6)重复迭代运算直到代价函数小于预先给定的某一值为止,网络学习结束. (7)用学习好的网络,输人待测的样本参 228广西土木建筑2002正数,就可以直接得到预测结果 aIaba 图1BP型神经网络的拓扑结构 3模型的建立和实现 3.1模型的建立目前,深层搅拌桩的设计依据是《建筑地基处理技术规范》.作者经过实践分析感到深层搅拌桩设计计算有以下不足:承载力计算公式中可能和实际不一致的假设;部分公式由于还没有对应的柔性基础公式而用刚性基础公式代替;地质参数的难以确切决定;计算公式中的经验参数的选取;深层搅拌桩复合地基承载力解析解确定的极端复杂性以及复杂的地质条件和施工因素等,这些势必造成承载力计算值的很大误差.而采用BP网络可以适当减小这样的误差. 深层搅拌桩复合地基承载力计算的神经网络模型采用三层结构.能够以数量表示的影响深层搅拌桩承载力的因素有:桩长,桩径,水泥标号,水泥掺人比,置换率,桩端土层承载力标准值以及各土层的含水量,重度,凝聚力, 内摩擦角,弹性模量等,这些都可以作为确定 BP网络输入点数的根据.输出层只用一个单元来输出复合地基承载力.在具体应用时,各输入量不能直接输入到网络中,须先将各输入量进行归一化,将它们变化为0,1之间的值,为此所用方法是对每一种指标除以对应指标的最大值.对深层搅拌桩承载力实测值也除以所有实测值中的最大值后才能作为网络希望输入值. 3.2实例以文献5提供的实例进行深层搅拌桩复合地基承载力计算,深层搅拌桩原始数据见表1 和表2,其中,表2为各土层主要分项物理力学指标加权平均值处理后的结果.由于水泥标号和桩径没有变化,在此没有设输入单元,经调试BP网络的结构为9—14—1.9个输入点分别输入桩长,水泥,掺人比,置换率,桩端土层承载力标准值以及各土层的含水量,重度,凝聚力,内摩擦角,弹性模量.经归一化处理后把前10项工程当作学习资料代入网络训练,学习率取为0.3,经过训练1500000次后总体误差为0.00000109.利用训练好的网络模型,输入最后三项(表中l1,13项)工程的各项指标, 进行复合地基承载力预测,输出结果见表3.经与设计值对比,证明网络模型输出结果更为合理,更为接近实际情况. 表1某典型搅拌桩工程资料统计注:实值为施工28d后检测的复合地基承载力标准值.取值依据为《建筑地基处理技术规范》(]G79—91) ? ? 苎三l?w" ? 第27卷增刊凌国智:BP人工神经网络在深层搅拌桩复合地基承载力计算中的应用229 表2土层资料序号训练值预测值实测值相对误差 (kPa)(kPa)(kPa)() 表4《规范》公式计算结果 4结论将BP神经网络模型引入复合地基承载力计算.实例计算表明:通过应用网络训练模型计算得出的复合地基承载力预测值与实测值最大相差为9.43,而采用《规范》公式计算得出的复合地基承载力标准值与实测值相差高达 22.22.这说明应用BP神经网络模型计算复合地基承载力更加接近实测值.需要指出的是, BP人工网络应用于不同地区不同地质条件下的复合地基承载力计算,其网络训练结果模型是不一样的. 参考文献 1龚晓南.《地基处理新技术》.陕西科学技术出版社.1997 年 2闻新.{MATLAB神经网络应用设计》.科学出版社. ,2000年 3陈明.《神经网络模型》.大连理工大学出版社.1995年 4高俊斌.~MATLAB5.0语言与程序设计》.华中理工大学出版社.1998年 5郝小员.带有偏差单元的IRN模型在深层搅拌桩承载力计算中的应用.《建筑技术开发》.2002年第1期 ApplicationofBPArtificialNeralNetworktoCalculation ofCompositeGr . oundBearingCapacitywithDeep—mixPile LINGGuo—zhi (GuangxiArchitecturalScienceResearch&DesignInstitute,Nanning530011.China)

                    本文档为【BP人工神经网络在深层搅拌桩复合地基承载力计算中的应用】，请使用软件OFFICE或WPS软件打开。作品中的文字与图均可以修改和编辑，
                    图片更改请在作品中右键图片并更换，文字修改请直接点击文字进行修改，也可以新增和删除文档中的内容。 
 该文档来自用户分享，如有侵权行为请发邮件ishare@vip.sina.com联系网站客服，我们会及时删除。

                    [版权声明] 本站所有资料为用户分享产生，若发现您的权利被侵害，请联系客服邮件isharekefu@iask.cn，我们尽快处理。

                    本作品所展示的图片、画像、字体、音乐的版权可能需版权方额外授权，请谨慎使用。

                    网站提供的党政主题相关内容(国旗、国徽、党徽..)目的在于配合国家政策宣传，仅限个人学习分享使用，禁止用于任何广告和商用目的。
                

下载需要：免费已有0 人下载

立即下载

BP人工神经网络在深层搅拌桩复合地基承载力计算中的应用

你可能还喜欢