CN105735370B - 基于瑞雷波的基础沉降变形预测方法 - Google Patents
基于瑞雷波的基础沉降变形预测方法 Download PDFInfo
- Publication number
- CN105735370B CN105735370B CN201610118303.2A CN201610118303A CN105735370B CN 105735370 B CN105735370 B CN 105735370B CN 201610118303 A CN201610118303 A CN 201610118303A CN 105735370 B CN105735370 B CN 105735370B
- Authority
- CN
- China
- Prior art keywords
- rayleigh waves
- settlement
- foundation
- sample
- vector machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
- E02D33/00—Testing foundations or foundation structures
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Paleontology (AREA)
- Civil Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种基于瑞雷波的基础沉降变形预测方法,包括:S1、场地瑞雷波测试;S2、瑞雷波测试结果反演;S3、收集类似场地数据样本;S4、基于瑞雷波的最小二乘支持向量机基础沉降数据样本进行训练和测试;S5、建立基于瑞雷波的最小二乘支持向量机基础沉降计算模型;S6、基础沉降量预测。该预测方法简单易行、省时高效,预测效果良好,可以避免传统钻探取样对地基土体的扰动及测试结果不准的影响,也无需在现场长期进行沉降监测,可广泛应用于土木工程领域各类地基基础沉降变形的预测。
Description
技术领域
本发明涉及土木工程中基础沉降变形研究领域,特别是涉及基于瑞雷波的基础沉降变形预测方法。
背景技术
基础沉降变形预测是土木工程设计中的一项重要内容。现有的基础沉降预测方法主要有基于初期实测沉降资料预测沉降发展规律的经验模型法、以分层总和法为代表的工程实用计算法和考虑土体复杂本构模型的数值计算法。经验模型法需开展现场施工沉降动态观测,需在现场预压一定时间后才能开展后期沉降预测;工程实用计算法和数值计算法利用钻探取样室内土工试验来获取基础沉降影响范围内各地层土体物理力学指标并开展基础沉降计算,钻探取样室内土工试验获取土体物理力学指标的勘探成本高、测试周期长,且对样本扰动大,最终预测结果与实际观测结果往往存在较大差别。
发明内容
针对现有基础沉降预测技术所存在的问题,本发明提供一种简单易行、省时高效,预测效果良好的基于瑞雷波的基础沉降变形预测方法。
瑞雷波测试技术是近年来岩土工程领域工程地震探测的一种新方法,具有现场原位测试简单、测试速度快、费用低以及对原结构物无损坏等优点。瑞雷波频散曲线的变化与地下地质条件存在密切联系,通过频散曲线的特征识别,可得到探测方向上一定范围内的地质构造情况。瑞雷波在介质中的传播速度与介质的工程物理特性有关,现有研究表明,瑞雷波与土体压缩模量之间存在良好的关系,结合上部荷载条件,可利用其来估算基础沉降变形。
支持向量机(Support Vector Machine)是基于统计学习理论的一种新的通用机器学习方法,它是建立在一套较好的有限样本下机器学习的理论框架和通用方法,它既有严格的理论基础,又能较好地解决小样本、非线性、高维数和局部极小点等实际问题,其核心思想就是学习机器要与有限的训练样本相适应。支持向量机中的支持向量是通过解一个凸二次优化问题获得的,它能保证找到的解是全局最优解。
本发明的基于瑞雷波的基础沉降变形预测方法包括以下步骤:
S1、对基础场地开展瑞雷波测试:测得不同频率的瑞雷波沿地面传播的振动波形;
S2、瑞雷波测试结果反演:基于步骤S1测得的瑞雷波振动波形,计算各频率条件下瑞雷波的传播速度,绘制瑞雷波频散曲线图,反演基础沉降影响深度范围内的各地层厚度和瑞雷波传播速度;
S3、收集类似场地数据样本:收集整理类似场地基础深度影响范围内的数据样本,所述数据样本包括各地层的厚度及瑞雷波传播速度、场地附加应力及场地实测最终沉降量,将其中的场地附加应力、各地层的厚度和瑞雷波传播速度依次排列,构成输入样本数据;将场地实测最终沉降量作为输出样本数据,并将样本数据做归一化处理;
S4、基于瑞雷波的最小二乘支持向量机基础沉降数据样本进行训练和测试:将收集的所述数据样本随机分为两部分:数据样本的75%作为基于瑞雷波的最小二乘支持向量机基础沉降的训练样本,25%作为测试样本,通过粒子群算法对输入样本数据和输出样本数据之间的最小二乘支持向量机参数进行优化,获得最小二乘支持向量机最优参数;
S5、建立基于瑞雷波的最小二乘支持向量机基础沉降计算模型:将S4中所获得的最小二乘支持向量机最优参数作为基于瑞雷波的最小二乘支持向量机基础沉降计算模型的初始参数,利用训练样本,对优化参数的最小二乘支持向量机进行训练,得到基于瑞雷波的最小二乘支持向量机基础沉降计算模型;
S6、基础沉降量预测:将待预测场地的附加应力及步骤S2反演所得基础沉降影响深度范围内的各地层厚度和瑞雷波传播速度输入步骤S5得到的计算模型,预测出基础沉降量。
本发明的预测方法以现场瑞雷波测试反演结果为基础,结合地基土体上部附加荷载,采用统计学习理论,利用最小二乘支持向量机算法预测基础沉降变形。通过现场瑞雷波测试反演结果及最小二乘支持向量机良好的有限样本自学习能力,能科学快速地预测基础沉降变形。该预测方法简单易行、省时高效,预测效果良好,可以避免传统钻探取样对地基土体的扰动及测试结果不准的影响,也无需在现场长期进行沉降监测,可广泛应用于土木工程领域各类地基基础沉降变形的预测。
附图说明
图1是本发明的基于瑞雷波的基础沉降变形预测方法的流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
图1所示为本发明的基于瑞雷波的基础沉降变形预测方法的流程图。如图所示,该预测方法包括如下步骤:S1、场地瑞雷波测试;S2、瑞雷波测试结果反演;S3、收集类似场地数据样本;S4、基于瑞雷波的最小二乘支持向量机基础沉降数据样本进行训练和测试;S5、建立基于瑞雷波的最小二乘支持向量机基础沉降计算模型;S6、基础沉降量预测。具体为:
S1、场地瑞雷波测试:对基础场地开展瑞雷波测试,可采用稳态瑞雷波在一个测点多次激发、接收或采用瞬态瑞雷波一次激发和接收,测得不同频率的瑞雷波沿地面传播的振动波形;
S2、瑞雷波测试结果反演:基于步骤S1测得的瑞雷波振动波形,计算各频率条件下瑞雷波的传播速度,绘制瑞雷波频散曲线图,反演基础沉降影响深度范围内的各地层厚度和瑞雷波传播速度。
S3、收集类似场地数据样本:收集整理与预测场地地质条件类似的场地基础深度影响范围内的数据样本,所述数据样本包括各地层的厚度及瑞雷波传播速度、场地附加应力及场地实测最终沉降量,将其中的场地附加应力、各地层的厚度和瑞雷波传播速度依次排列,构成输入样本数据;将场地实测最终沉降量作为输出样本数据,并将样本数据做归一化处理;
S4、基于瑞雷波的最小二乘支持向量机基础沉降数据样本训练和测试:将收集的所述数据样本的75%作为基于瑞雷波的最小二乘支持向量机基础沉降的训练样本,构成训练样本集;将所述数据样本的25%作为测试样本,用于测试模型的精度,构成测试样本集;通过粒子群算法对输入样本数据和输出样本数据之间的最小二乘支持向量机参数进行优化,获得最小二乘支持向量机最优参数。
利用训练样本集建立最小二乘支持向量机数学模型,其具体步骤如下:
给定一个有n个训练样本的集合{xk,yk},其中:k=1,2,…,n,训练样本的n维向量xk∈Rn,yk∈R,R为实数集,Rn为n维向量空间。
利用非线性映射把原空间样本从Rn映射到特征空间i=1,2,…,n,即把低维空间的非线性逼近问题转化为高维空间的线性化逼近问题,在高维特征空间中构造最优决策函数:
式(1)中,ω为权矢量;b为偏差量。
依据结构风险最小化原则,寻找ω,b就是最小化其中,||ω||2控制模型的复杂度;γ是正规化参数,控制对超出误差样本的惩罚程度;Remp为误差控制函数,即不敏感损失函数。常用损失函数包括线性损失函数、二次损失函数和Huber损失函数,当选取不同的损失函数时,可构成不同形式的支持向量机。最小二乘支持向量机采用的损失函数为误差函数ξ的二次项。根据统计学理论,函数拟合问题就变为求解如下最优化问题:
使得
式(2)中,ξi为松弛因子,T代表向量的转置。
用拉格朗日法求解这个优化问题:
式(3)中:ai为拉格朗日乘子;
根据最优化理论中的Karush-Kuhn-Tucker条件可得:
其中定义核函数是满足Mercer条件的对称函数,上述优化问题转化为求解线性方程:
利用最小二乘法求解a与b,得到非线性预测模型:
利用粒子群算法对所建立的最小二乘支持向量机参数进行优化,具体步骤如下:
初始化粒子群,即随机产生一组初始化值,包括微粒的速度和位置;设定粒子群参数,在空间Rn中随机产生n个粒子x1,x2,…,xn,组成初始化种群X(t);随机产生各粒子的初始速度v1,v2,…,vn,组成速度矩阵V(t);每个粒子的个体最优值Pi的初始值为xi的初始值,所述Pi=(Pi1,Pi2);
按公式计算粒子群中所有粒子的适应度,其中yj为训练样本集中的第j个样本的最终沉降量预测值,为训练样本集中的第j个样本的最终沉降量实测值,m为训练样本集中样本的个数。
对于每个粒子,将当前各微粒的适应度值f(xi)与自身的最优值适应度值f(Pi)进行比较,若f(xi)<f(Pi),则用适应度值f(xi)更新f(Pi);
对于每个粒子,将每个粒子的最优适应度值f(Pi)与所有粒子的最优适应度值f(Pg)进行比较,若f(Pi)<f(Pg),则用适应度值f(Pi)更新f(Pg),同时保存粒子的当前位置和速度;
更新粒子位置、速度,产生新种群X(t+1)。其中,速度调整方式为当vi>vmax时,视为vi=vmax;当vi≤-vmax时,视为vi=-vmax。更新粒子速度和位置的公式如下:
vij(t+1)=ηvij(t)+c1r1[Pij-xij(t)]+c2r2[Pgj-xij(t)] (5)
xij(t+1)=xij(t)+vij(t+1) (6)
式(5)、(6)中,η为惯性权因子,c1和c2为正的加速常数,r1和r2为在0到1之间均匀分布的随机数,t代表时间。通过设置微粒的速度区间[-vmax,vmax]和位置范围[-xmax,xmax],可对微粒的移动进行限制。对总群中每一个粒子i而言,它的位置表示为xi=(xi1,xi2,…,xid),它的飞行速度表示为vi=(vi1,vi2,…,vid),粒子自身经历过的最优位置记为Pi=(Pi1,Pi2,…,Pid),种群中所有粒子目前为止所经历过的最优位置记为Pg=(Pg1,Pg2,…,Pgd)。i=1,2,…,n,n为粒子种群规模,即随机产生的粒子数,本实施例中n=30;d为解空间的维数,本实施例中d=2。惯性权因子Tmax为最大迭代次数,η∈(ηmin,ηmax)。如果达到最大迭代次数则停止迭代,否则重新计算粒子群中所有粒子的适应度,继续计算,直至获得最小二乘支持向量机最优参数。
S5、建立基于瑞雷波的最小二乘支持向量机基础沉降计算模型:将S4中所获得的最小二乘支持向量机最优参数作为基于瑞雷波的最小二乘支持向量机基础沉降计算模型的初始参数,利用训练样本集对优化参数的最小二乘支持向量机进行训练,得到最优化的最小二乘支持向量机模型,即基于瑞雷波的最小二乘支持向量机基础沉降计算模型;
S6、基础沉降量预测:将待预测场地的附加应力及步骤S2反演所得基础沉降影响深度范围内的各地层厚度和瑞雷波传播速度输入步骤S5得到的计算模型,预测出基础沉降量。
Claims (1)
1.一种基于瑞雷波的基础沉降变形预测方法,其特征在于,包括以下步骤:
S1、对基础场地开展瑞雷波测试:测得不同频率的瑞雷波沿地面传播的振动波形;
S2、瑞雷波测试结果反演:基于步骤S1测得的瑞雷波振动波形,计算各频率条件下瑞雷波的传播速度,绘制瑞雷波频散曲线图,反演基础沉降影响深度范围内的各地层厚度和瑞雷波传播速度;
S3、收集类似场地数据样本:收集整理类似场地基础深度影响范围内的数据样本,所述数据样本包括各地层的厚度及瑞雷波传播速度、场地附加应力及场地实测最终沉降量,将其中的场地附加应力、各地层的厚度和瑞雷波传播速度依次排列,构成输入样本数据;将场地实测最终沉降量作为输出样本数据,并将样本数据做归一化处理;
S4、基于瑞雷波的最小二乘支持向量机基础沉降数据样本进行训练和测试:将收集的所述数据样本随机分为两部分:数据样本的75%作为基于瑞雷波的最小二乘支持向量机基础沉降的训练样本,25%作为测试样本,通过粒子群算法对输入样本数据和输出样本数据之间的最小二乘支持向量机参数进行优化,获得最小二乘支持向量机最优参数;
S5、建立基于瑞雷波的最小二乘支持向量机基础沉降计算模型:将S4中所获得的最小二乘支持向量机最优参数作为基于瑞雷波的最小二乘支持向量机基础沉降计算模型的初始参数,利用训练样本,对优化参数的最小二乘支持向量机进行训练,得到基于瑞雷波的最小二乘支持向量机基础沉降计算模型;
S6、基础沉降量预测:将待预测场地的附加应力及步骤S2反演所得基础沉降影响深度范围内的各地层厚度和瑞雷波传播速度输入步骤S5得到的计算模型,预测出基础沉降量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610118303.2A CN105735370B (zh) | 2016-03-02 | 2016-03-02 | 基于瑞雷波的基础沉降变形预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610118303.2A CN105735370B (zh) | 2016-03-02 | 2016-03-02 | 基于瑞雷波的基础沉降变形预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105735370A CN105735370A (zh) | 2016-07-06 |
CN105735370B true CN105735370B (zh) | 2017-11-14 |
Family
ID=56249728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610118303.2A Active CN105735370B (zh) | 2016-03-02 | 2016-03-02 | 基于瑞雷波的基础沉降变形预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105735370B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106197252A (zh) * | 2016-07-13 | 2016-12-07 | 中国计量大学 | 基于平行螺旋传输线的岩土变形位置分布测量模型的建立方法 |
CN106372310B (zh) * | 2016-08-31 | 2019-05-10 | 中国铁路设计集团有限公司 | 预制桩静力压桩中沉桩阻力的计算方法 |
CN107153843B (zh) * | 2017-05-03 | 2020-07-10 | 西安电子科技大学 | 基于支持向量机的地面沉降预测系统和方法 |
CN111139877A (zh) * | 2020-01-07 | 2020-05-12 | 北京国泰佳业科技发展有限公司 | 一种基坑实时承载力极限监测方法及系统 |
CN111722281B (zh) * | 2020-06-10 | 2022-07-12 | 中国铁路设计集团有限公司 | 基于面波勘探技术的基础沉降计算方法 |
CN112230282B (zh) * | 2020-09-30 | 2022-06-17 | 浙大城市学院 | 一种用于量测围海造陆地基沉降的地震波装置及量测方法 |
CN113128106B (zh) * | 2021-04-06 | 2023-03-21 | 汕头大学 | 一种岩溶地层盾构施工引起地表沉降的确定方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101016733A (zh) * | 2007-01-08 | 2007-08-15 | 中铁西北科学研究院有限公司 | 多点沉降观测方法及装置 |
EP2012106A1 (en) * | 2006-04-21 | 2009-01-07 | The Yokohama Rubber Co., Ltd. | Deflection calculating method at tire wheeling time, data storing method at tire wheeling time, and grounding length calculating method at tire wheeling time |
CN101787716A (zh) * | 2010-03-10 | 2010-07-28 | 王军 | 一种研究高速铁路动力响应和长期沉降规律的模型试验装置 |
CN102146648A (zh) * | 2011-03-14 | 2011-08-10 | 西南交通大学 | 一种高速铁路结构物沉降监测装置及监测方法 |
CN104598996A (zh) * | 2015-02-02 | 2015-05-06 | 北京交通大学 | 基于最小二乘支持向量机的施工引起地表变形的预测方法 |
-
2016
- 2016-03-02 CN CN201610118303.2A patent/CN105735370B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2012106A1 (en) * | 2006-04-21 | 2009-01-07 | The Yokohama Rubber Co., Ltd. | Deflection calculating method at tire wheeling time, data storing method at tire wheeling time, and grounding length calculating method at tire wheeling time |
CN101016733A (zh) * | 2007-01-08 | 2007-08-15 | 中铁西北科学研究院有限公司 | 多点沉降观测方法及装置 |
CN101787716A (zh) * | 2010-03-10 | 2010-07-28 | 王军 | 一种研究高速铁路动力响应和长期沉降规律的模型试验装置 |
CN102146648A (zh) * | 2011-03-14 | 2011-08-10 | 西南交通大学 | 一种高速铁路结构物沉降监测装置及监测方法 |
CN104598996A (zh) * | 2015-02-02 | 2015-05-06 | 北京交通大学 | 基于最小二乘支持向量机的施工引起地表变形的预测方法 |
Non-Patent Citations (1)
Title |
---|
强夯地基的变形及沉降计算方法研究;王建华;《工程科技II辑》;20040430;68-70 * |
Also Published As
Publication number | Publication date |
---|---|
CN105735370A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105735370B (zh) | 基于瑞雷波的基础沉降变形预测方法 | |
Martin et al. | Distinct thresholds for the initiation and cessation of aeolian saltation from field measurements | |
Huang et al. | Turbulence and vertical fluxes in the stable atmospheric boundary layer. Part I: A large-eddy simulation study | |
Zhao et al. | Geomechanical parameters identification by particle swarm optimization and support vector machine | |
Samadi et al. | Estimation of scour depth below free overfall spillways using multivariate adaptive regression splines and artificial neural networks | |
CN101847171A (zh) | 基于安全监控的边坡位移反分析方法 | |
Samui | Prediction of pile bearing capacity using support vector machine | |
Plaza Guingla et al. | Improving particle filters in rainfall‐runoff models: Application of the resample‐move step and the ensemble Gaussian particle filter | |
Feng et al. | Physics‐Informed Neural Networks of the Saint‐Venant Equations for Downscaling a Large‐Scale River Model | |
Li et al. | Fast seismic response estimation of tall pier bridges based on deep learning techniques | |
Jafariavval et al. | New formulae for capacity energy-based assessment of liquefaction triggering | |
Fang et al. | An efficient goal‐based reduced order model approach for targeted adaptive observations | |
Amini et al. | Efficiency of artificial neural networks in determining scour depth at composite bridge piers | |
Zhang et al. | Time series prediction of chimney foundation settlement by neural networks | |
Zhang et al. | An application of soft computing for the earth stress analysis in hydropower engineering | |
NO20200978A1 (en) | Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter | |
Li et al. | Seepage–stress coupling response of cofferdam under storm surge attack in Yangtze estuary | |
Chen et al. | Evaluation of soil liquefaction potential based on the nonlinear energy dissipation principles | |
Xu et al. | Integrating Monte Carlo and hydrodynamic models for estimating extreme water levels by storm surge in Colombo, Sri Lanka | |
Jun et al. | A nonlinear optimization technique of tunnel construction based on DE and LSSVM | |
Mitrović et al. | Three-dimensional finite element formulation for nonlinear dynamic analysis of seismic site and structure response | |
Liu et al. | A Multi Record Based Artificial Near Fault Ground Motion Generation Method | |
Feng et al. | Using genetic algorithms to estimate the scour depth around the bridge pier | |
Onur et al. | An approach to determine the initial shear modulus of clean sandy soils | |
Baltaji et al. | Non-linear time domain site response and soil structure interaction analyses for nuclear facilities using moose |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 300300, Tianjin free trade zone (Airport Economic Zone) west two Avenue 82, Laguna building, 201 Applicant after: China Railway Design Group Limited Address before: 300300 Tianjin Airport Economic Zone Binhai West Road No. 82 two Laguna building 201 Applicant before: China Railway Third Survey and Design Institute Group Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |