孫立新

(1.西北工業(yè)大學(xué)力學(xué)與土木建筑學(xué)院,陜西西安 710072;2.陜西交通職業(yè)技術(shù)學(xué)院公路工程系,陜西西安 710018)

基于神經(jīng)網(wǎng)絡(luò)技術(shù)的樁基承載力預(yù)測模型及其應(yīng)用

孫立新1,2

(1.西北工業(yè)大學(xué)力學(xué)與土木建筑學(xué)院,陜西西安 710072;2.陜西交通職業(yè)技術(shù)學(xué)院公路工程系,陜西西安 710018)

根據(jù)長期的工程實測資料,在分析小波概率神經(jīng)網(wǎng)絡(luò)(WPNN)與數(shù)據(jù)融合技術(shù)在預(yù)測單樁豎向承載力中的應(yīng)用原理的基礎(chǔ)上,建立了基于小波概率神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)融合技術(shù)的預(yù)測模型。利用靜載實驗數(shù)據(jù)對模型進行了預(yù)測,并對預(yù)測結(jié)果進行了誤差分析,結(jié)果表明,預(yù)測的結(jié)果和靜載實驗數(shù)據(jù)吻合較好,從而證實了WPNN預(yù)測方法具有較好的可靠性和工程應(yīng)用價值。

樁基承載力;小波概率神經(jīng)網(wǎng)絡(luò);數(shù)據(jù)融合技術(shù);承載力預(yù)測

樁基礎(chǔ)是高層建筑最常見的基礎(chǔ)形式之一,近年來應(yīng)用廣泛,在樁基的施工過程中,樁的承載力影響因素很多,而且這些因素很不確定,成樁后樁的承載力是否能夠達到設(shè)計值是工程技術(shù)人員一直考慮和關(guān)心的主要問題。靜荷載試驗與動測法是目前確定單樁豎向承載力的主要方法,然而,靜荷載試驗存在費用高,時間、人力消耗大,試樁數(shù)量有限的缺點,作為靜載試驗的補充,動測法技術(shù)難度較大,影響試驗結(jié)果的因素又較復(fù)雜,所以承載力測試的結(jié)果會產(chǎn)生較大的誤差。因此,尋求一種簡單準(zhǔn)確的預(yù)測樁基礎(chǔ)承載力的方法,對滿足日益增長的樁基工程的應(yīng)用有重要意義[1]。

1 單樁承載力預(yù)測方法模型

單樁豎向承載力的確定是樁基礎(chǔ)設(shè)計中的重要問題。在樁身強度足夠時,樁的豎向承載力取決于土對樁的支承能力,這種支承能力包括兩個方面:一是由于土的強度決定的對樁最大的支承力;二是由土的變形性質(zhì)決定的,保證樁不發(fā)生過大沉降的最大支承力。

單樁的極限承載能力與多種因素有關(guān),通常認(rèn)為比較重要的有樁長、樁徑、樁周土的物理力學(xué)指標(biāo)等。但是,在許多工程實際中還發(fā)現(xiàn)樁的幾何形狀、類型以及成樁工藝、加荷速率等因素對樁的承載力也常有不可忽視的影響。目前,尚無能較全面考慮這些因素的理論公式、數(shù)值計算等確定性方法。將神經(jīng)網(wǎng)絡(luò)技術(shù)引入樁基礎(chǔ)的承載力預(yù)測中,不但能夠考慮各種傳統(tǒng)分析方法所考慮的因素,還能考慮那些不確定的非數(shù)值型的因素,因而可以獲得較為精確可靠的預(yù)測結(jié)果[2]。

基于以往靜載試驗數(shù)據(jù)的人工智能單樁承載力預(yù)測方法在目前得到了較為廣泛的研究和應(yīng)用,這些方法都能較好的預(yù)測單樁的承載力,但這些技術(shù)存在著識別精度不高或適用條件不匹配等缺陷。迅速發(fā)展的數(shù)據(jù)融合技術(shù)具有充分利用各個數(shù)據(jù)源包含的冗余和互補信息的優(yōu)點,可以提高系統(tǒng)決策的準(zhǔn)確性和魯棒性?；谛〔ǜ怕噬窠?jīng)網(wǎng)絡(luò)(Wavelet Probabilistic Neural Network-WPNN)和數(shù)據(jù)融合的預(yù)測方法將兩者有機結(jié)合,揚長避短,在單樁承載力預(yù)測中顯示出獨有的優(yōu)越性。為了充分發(fā)揮數(shù)據(jù)融合與WPNN的優(yōu)點,提出了基于WPNN與數(shù)據(jù)融合的單樁承載力預(yù)測模型[3-4],見圖1。首先將來自以往單樁靜載試驗的數(shù)據(jù)和影響單樁承載力的因素進行數(shù)據(jù)預(yù)處理、并進行特征提取,采用小波理論,獲得具有單樁承載力影響因素1的小波能量特征向量;依次類推,獲得單樁承載力其他影響因素的小波能量特征向量;然后將這些小波能量特征向量放入WPNN中,進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練及融合計算;最后根據(jù)最大的概率密度函數(shù)值得到融合的單樁承載力預(yù)測結(jié)果。

圖1 基于WPNN的單樁承載力預(yù)測方法模型

可見,基于WPNN與數(shù)據(jù)融合技術(shù)的單樁承載力預(yù)測方法是根據(jù)以往的樁基靜載試驗數(shù)據(jù)分析中,提取影響單樁承載力的影響因素特征向量,經(jīng)過數(shù)據(jù)融合分析計算與處理,進行單樁承載力預(yù)測的過程。

2 小波概率神經(jīng)網(wǎng)絡(luò)預(yù)測模型算法

數(shù)據(jù)融合的算法是實現(xiàn)數(shù)據(jù)融合系統(tǒng)功能的核心理論部分。目前數(shù)據(jù)融合算法很多,不同的文獻也有不同的分類標(biāo)準(zhǔn)。根據(jù)不同的應(yīng)用環(huán)境,多因素信數(shù)據(jù)融合的實現(xiàn)算法主要有加權(quán)平均法、Kalman濾波、Bayes推理、聚類分析、產(chǎn)生式規(guī)則、模糊邏輯、粗糙集理論、證據(jù)理論、神經(jīng)網(wǎng)絡(luò)方法等。本文單樁承載力數(shù)據(jù)融合預(yù)測方法的算法采用小波神經(jīng)網(wǎng)絡(luò)算法[5]。

小波函數(shù)作為神經(jīng)網(wǎng)絡(luò)的激勵函數(shù)與普通神經(jīng)網(wǎng)絡(luò)的激勵函數(shù)在本質(zhì)上是一致的,并且驗證了小波網(wǎng)絡(luò)在函數(shù)逼近方面的效果優(yōu)于普通神經(jīng)網(wǎng)絡(luò)。但同時也指出如果尺度、位移以及權(quán)重的初始值選得不對,小波網(wǎng)絡(luò)可能不收斂。

對于函數(shù)空間L2(R),設(shè) ψ為具有良好性的母小波,則一個信號f(t)在局部的小波變換:

根據(jù)小波分析理論,隨著參數(shù)a、b兩因子的調(diào)節(jié)變化,上述的小波變換可以實現(xiàn)從局部、非穩(wěn)態(tài)的信號中提取各種不同頻率的頻率分量。但因為只有其中某些特定頻率段的分量對樁基承載力的預(yù)測較敏感,所以不必對所有頻率段的分量進行計算,這樣不僅可以突出最能反映樁基承載力影響因素的特征分量,實現(xiàn)具有較高準(zhǔn)確性的預(yù)測結(jié)果,還可以減少網(wǎng)絡(luò)模型的復(fù)雜性。為此將小波變換中反映頻率分量的樁基承載力影響因素的參數(shù)作為小波神經(jīng)網(wǎng)絡(luò)整個權(quán)空間的一部分,根據(jù)目標(biāo)問題參與調(diào)節(jié),由此實現(xiàn)了以暫態(tài)信號求特定目標(biāo)的自適應(yīng)小波變換。據(jù)此建立適合于單樁豎向承載力預(yù)測的小波神經(jīng)網(wǎng)絡(luò)模型,見圖2。

圖2 基于小波神經(jīng)網(wǎng)絡(luò)的預(yù)測模型

在圖2中,小波神經(jīng)網(wǎng)絡(luò)模型共分為4層:輸入層、小波變換層、隱含層、輸出層。輸入層按照單樁豎向承載力影響因素的個數(shù)分為對應(yīng)的幾組。輸出層包含單一神經(jīng)元,表征單樁豎向承載力的預(yù)測值。

3 算 例

根據(jù)近年來對某地區(qū)高層建筑鉆孔灌注樁單樁承載力的靜載試驗研究[6-7],得出表1,表1統(tǒng)計了影響樁基承載力的因素(包括樁長、樁徑、側(cè)摩阻值加權(quán)平均值、樁端承載力等)和靜載試驗實測值的對應(yīng)關(guān)系,從表1中可以看出,影響單樁承載力的因素和單樁的承載力之間的關(guān)系是比較復(fù)雜的,而且各個因素之間存在著耦合關(guān)系,應(yīng)用單純的線性回歸難以得出正確的關(guān)系式。

本文利用MATLAB通用程序,先通過數(shù)據(jù)融合技術(shù)對樁基的承載力影響因素進行預(yù)處理,然后得出小波神經(jīng)網(wǎng)絡(luò)的輸入向量,再經(jīng)過數(shù)據(jù)融合技術(shù)得出單樁的承載力預(yù)測值的模型,然后在表1中隨機抽取樣本對預(yù)測模型的可靠性進行驗證,分析誤差。

表1 單樁承載力靜載試驗數(shù)據(jù)

經(jīng)過對樁長、樁徑、側(cè)摩阻值加權(quán)平均值、樁端 承載力進行分析,確定小波概率神經(jīng)網(wǎng)絡(luò)的輸入層,輸入前對數(shù)據(jù)進行預(yù)處理,該算例在確定輸入時,采用了歸一化的處理方法,經(jīng)過歸一化的小波概率特征向量的學(xué)習(xí)和訓(xùn)練,建立了該算例單樁承載力預(yù)測的模型,為了驗證該模型的有效性,在30個單樁承載力樣板中隨機的抽取了10個,樁號分別為2、3、4、5 、6、10、13 、15、16、24,其預(yù)測值和實測值之間的關(guān)系如圖3所示。

圖3 樁基承載力預(yù)測值與實測值比較

從圖3可以看出:對于單樁豎向承載力的預(yù)測,文中提出的數(shù)據(jù)融合模型具有較好的可靠性,在任意取出的10個樣本中,其承載力的預(yù)測值均比較接近,能夠滿足工程應(yīng)用的要求。

4 結(jié) 論

通過本文對小波概率神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)融合技術(shù)的研究以及在單樁承載力預(yù)測中的應(yīng)用,得出了以下幾個重要的結(jié)論:

(1)小波概率神經(jīng)網(wǎng)絡(luò)算法具有較好的泛化、聯(lián)想功能,與數(shù)據(jù)融合有效結(jié)合能夠較準(zhǔn)確的建立單樁豎向承載力的模型,通過算例的驗證,證實了所建立的單樁承載力預(yù)測模型的可靠性,說明了該模型具備了初步的工程應(yīng)用價值。

(2)單樁承載力影響的因素往往較多,文中以重要的幾個因素為預(yù)測模型的輸入向量,能夠滿足預(yù)測模型的需要,若考慮的因素增多使小波概率神經(jīng)網(wǎng)絡(luò)的運算受到影響,如何更精確更有效提高預(yù)測模型的精度是一個值得繼續(xù)深入研究的問題。

[1]王建華.神經(jīng)網(wǎng)絡(luò)法預(yù)估水泥攪拌樁單樁沉降[J].土木工程學(xué)報,1996,29(1):55-61.

[2]袁旭東.基于不完備信息土木工程結(jié)構(gòu)損傷識別方法研究[D].大連:大連理工大學(xué),2005.

[3]翁光遠,王社良.懸壁板損傷數(shù)值模擬試驗與WPNN識別方法[J].西安工業(yè)大學(xué)學(xué)報,2009,29(3):290-292.

[4]翁光遠,王社良.基于BP神經(jīng)網(wǎng)絡(luò)的損傷識別方法研究[J].華中科技大學(xué)學(xué)報(城市科學(xué)版),2009,26(2):16-18.

[5]汪 玲,劉正茂,楊旭日,等.小中甸水利樞紐工程建設(shè)對碩多崗河水文與生態(tài)過程的影響效應(yīng)預(yù)測[J].水利與建筑工程學(xué)報,2011,9(1):20-22.

[6]翁光遠.鋼筋混凝土預(yù)制樁單樁豎向承載力分析[J].建筑技術(shù),2009,40(7):636-638.

[7]姚仰平,高永貴,韓 昌.西安地區(qū)樁基靜載荷試驗資料匯編[M].西安:陜西科學(xué)技術(shù)出版社,1999.

Prediction Model for Bearing Capacity of Pile Foundation Based on Neural Network Technique and Its Application

SUN Li-xin1,2
(1.College of Mechanicsand Civil Architecture,Northwestern PolytechnicalUniversity,Xi'an,Shaanxi710072,China;2.Department of Highway Engineering,Shaanxi Vocational and Technical College of Communications,Xi'an,Shaanxi710018,China)

According to the long-term actual engineering data,the prediction model is set up based on the wavelet probability neural network(WPNN)and data-interfusion technique through analyzing their application principle in the prediction of vertical single-pile bearing capacity.Then,the model is predicted by using dead-load experiment data,and the error analysis is made for the prediction results.The analysis results show that the prediction results tally better with the dead-load experiment data,which would prove that the WPNN prediction method has the satisfied reliability and engineering application value.

bearing capacity of pile foundation;wavelet probability neural network(WPNN);data-interfusion technique;prediction of bearing capacity

TU473.1+1

A

1672—1144(2012)05—0120—04

2012-03-11

2012-04-20

孫立新(1968—),男(漢族),河北玉田人,博士研究生,副教授,主要從事結(jié)構(gòu)振動控制理論研究。