CN107832568B - 深基坑开挖土层动态水平抗力系数的测定方法 - Google Patents
深基坑开挖土层动态水平抗力系数的测定方法 Download PDFInfo
- Publication number
- CN107832568B CN107832568B CN201711320925.4A CN201711320925A CN107832568B CN 107832568 B CN107832568 B CN 107832568B CN 201711320925 A CN201711320925 A CN 201711320925A CN 107832568 B CN107832568 B CN 107832568B
- Authority
- CN
- China
- Prior art keywords
- foundation pit
- value
- layer
- soil layer
- soil
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000009412 basement excavation Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 238000006073 displacement reaction Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 210000002569 neuron Anatomy 0.000 claims description 28
- 239000000523 sample Substances 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 6
- 238000003062 neural network model Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000010998 test method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Neurology (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明涉及一种深基坑开挖土层动态水平抗力系数的测定方法，属于深基坑开挖土层支护设计领域。本发明包括以下步骤：步骤一：深基坑位移监测点的布设及监测方法的确定；步骤二：深基坑土层初始m值的确定；步骤三：深基坑土层m值变形折减系数及折减m值的确定；步骤四：深基坑土层变形等效内摩擦角的确定；步骤五：深基坑土层动态m值BP神经网络预测模型结构的确定；步骤六：BP神经网络预测模型的学习训练和检验；步骤七：深基坑开挖土层动态m值的预测，本发明基于神经网络模型，有效地反应了土层m值随基坑开挖动态变化的过程，建立了深基坑开挖土层动态m值的预测模型，可有效预防由于基坑支护结构变形过大造成的基坑坍塌事故。
Description
技术领域
本发明涉及一种深基坑开挖土层动态水平抗力系数的测定方法，属于深基坑开挖土层支护设计领域。
背景技术
随着城市建设进入发展的快车道，高层、超高层建筑如雨后春笋般拔地而起。于此同时，由于城市用地空间日趋紧张，人们开始开发利用地下空间，致使建筑物基坑开挖深度越来越深，随之而来的即是深基坑支护问题，由此引起的基坑稳定性问题已然成为城市建筑发展的“瓶颈”。深基坑支护结构设计一直都是一个十分复杂的岩土工程问题，由于不合理的支护结构设计造成基坑坍塌事故也时有发生。
由于目前基坑设计主要采用弹性地基梁法中的m法，m法中核心参数即为土层m值，m值为土层的水平抗力系数，该参数可以综合反应各土层抵抗水平变形能力的大小。目前确定土层m值常用的方法有现场试验法和经验公式法两种。现场试验方法是旁压试验法，该法将圆柱形旁压器竖直放入土中，通过旁压器在竖直的孔内加压，使旁压膜膨胀，并由旁压膜将压力传给周围的土体，使土体产生变形直至破坏，通过量测施加的压力和土变形之间的关系，即可绘制出压力变形曲线，再根据土体临塑荷载、原位侧向压力及其相应位置处的径向位移求得土层不同深度处的土体水平基床系数k，将不同深度处k值连线的斜率即为土层m值。该法虽然是试验法中最有效的方法，但是通过该法确定的土层m值是静态值，不能反应土层 m值随着基坑变形的变化规律；经验公式法是目前工程实际中确定土层m值使用最多的方法，该法是根据勘察报告中给出的各土层粘聚力、内摩擦角值，依据《建筑基坑支护技术规程》 4.1.6节给出的经验公式来计算各土层能m值。该法虽然在计算上较为简便，但是其确定的土层m值仍然是一个静态值，不能反映土层变形对m值的影响。由于不同地区地质条件千差万别，所以在m值的取值上差别也很大。所以土层m值取值问题是事关基坑支护结构安全的重要原因之一，如果不能对该参数进行合理的取值，即使有再准确的计算模型也不会得到很好的评价结果。目前在支护结构设计中都将土层m值作为一个定值来考虑，然而在实际基坑开挖过程中，土层m值是不断减小的，即土层m值随着基坑开挖是一个动态变化的量，显然，将土层m值作为定值考虑是不符合实际的。
发明内容
本发明的目的在于克服现有技术中确定动态水平抗力系数的上述缺陷，基于神经网络模型，根据基坑开挖过程中各土层m值的变化规律，提出各土层m值折减系数αi，有效地反应了土层m值随基坑开挖动态变化的过程。
本发明是采用以下的技术方案实现的：
一种深基坑开挖土层动态水平抗力系数的测定方法，包括如下步骤：
步骤一：深基坑位移监测点的布设及监测方法的确定；
(1)深基坑位移监测点的布设
根据《建筑基坑工程监测技术规范》GB50497-2009第五章中的相关规定，基坑边坡的水平和竖向位移监测点应沿基坑周边布置，周边中部、阳角处应布置监测点。沿基坑竖向每隔 1米设置监测点。基坑变形监测基准点选在监测基坑开挖面以外3倍开挖深度的稳定无变形区域，变形监测基准点和变形监测点共同形成开挖面的变形监测控制网。
(2)监测方法
本申请基坑支护结构深度水平位移采用测斜仪监测。在围护结构内部预埋测斜管。测斜管管内由测斜探头滑轮沿测斜套管内壁导槽渐渐下放至管底，配以伺服加速度式测斜仪，自下而上每隔相应距离测定该点偏角值，然后将探头旋转180度，在同一导槽内再测量一次，合起来为一测回。每个测斜管每测点的初始值，为测斜管埋设两周后并在开挖前取2测回观测的平均值。施工过程中的日常监测值与初始值的差为其累计水平位移量，本次值与前次值的差值为本次位移量。
步骤二：深基坑土层初始m值的确定；
根据我国现行规范《建筑基坑支护技术规程》GB50007-2011，土层m值一般由经验公式计算得出。在基坑开挖前各土层均为未被扰动状态，根据现场地质勘察资料给出的各土层粘聚力及内摩擦角，根据《建筑基坑支护技术规程》GB50007-2011中4.1.6节土层m值的经验公式(1)确定各土层初始m值：
式中：mi0—第i土层开挖前土体的初始水平抗力系数，(MN/m4)；
ci0—第i层土层初始粘聚力，(kPa)。
步骤三：深基坑土层m值变形折减系数及折减m值的确定；
(1)土层m值变形折减系数的确定
由于基坑的开挖，各土层被扰动，相应的土层参数均会产生变化。土层水平抗力系数m 值是一个随基坑开挖动态变化的量，且其与基坑变形的大小呈负相关的关系，即随着基坑的开挖变形增加，各层土的m值均会减小，当基坑的开挖变形增加至支护结构最大水平位移允许值时，基坑土层水平抗力系数m值可降低为0，即支护结构失效。
为有效确定m值的动态变化过程与规律，根据基坑土层水平抗力系数m值变化规律，本申请特假设各土层m值随基坑变形呈线性变化，由此提出和定义基坑土层m值随着基坑开挖变形折减系数系数αi如下：
式中：αi—第i层土m值折减系数；
Xi—第i层土实测水平位移，(mm)；
[X]—支护结构最大水平位移允许值(mm)，根据现行《建筑基坑支护技术规程》中基坑安全等级确定；
(2)土层变形折减m值的确定
根据公式(3)可确定第i层土第j次折减后的土层m值：
mij＝mij-1×αi (3)
式中：mij—第i层土第j次折减后的土层m值。
步骤四：深基坑土层变形等效内摩擦角的确定；
随着基坑的开挖，各土层物理力学参数均在发生变化。且相关研究表明，土体内摩擦角
对基坑支护结构水平位移影响最大，对此，本申请提出和定义深基坑土层等效内摩擦角
为假设基坑土层粘聚力C相对不变条件下，由于支护结构水平位移影响而使内摩擦角降低后的土层内摩擦角
根据经验公式(1)及第i层土第j次折减后的土层m值，可确定第i层土第j次折减后的等效内摩擦角方程如下：
解方程(4)可确定等效内摩擦角
为(取正值)：
式中：
—第i层土第j次折减后的等效内摩擦角。
由于土体粘聚力C对支护结构水平位移影响很小，故此不对其进行折减。
步骤五：深基坑土层动态m值BP神经网络预测模型结构的确定；
(1)网络层数及输入输出单元的确定
本申请采用拥有一个隐含层即三层的网络结构。
本申请输入单元为三个，依次为土层粘聚力Ci0、土层内摩擦角
基坑支护结构实测位移Xij；输出单元为一个，即土体水平抗力系数mij+1。
(2)根据试算法确定隐含层神经元数目
隐层神经元数目与样本训练组数，输入、输出单元的数目都有直接的关系。由公式(6) ～公式(8)确定隐层神经元数目的选择范围。
n1≥log2n (8)
式中：A—样本的数目；
n—输入单元数；
n1—隐单元数目。如果z＞n1，则
m—输出单元数，a∈[1，10]之间的常数。
假设某网络结构根据公式(6)～(8)计算得出的隐含层神经元数目取值范围为[nm,nw]，利用Matlab中编制的试算法训练程序对隐含层神经元结点数进行试算，使网络结构输出误差最小值对应的隐含层神经元结点数即为本网络结构隐含层最佳神经元数目。
确定隐含层最佳神经元数目Matlab程序：
步骤六：BP神经网络预测模型的学习训练和检验；
以基坑第i层土前j次(j>0)开挖引起的基坑支护结构水平位移、第i层土前j次开挖基坑支护结构变形引起的折减等效内摩擦角
第i层土的初始粘聚力Ci0三项内容为网络输入参数；以第i层土前j+1次开挖基坑支护结构变形引起的折减土层m值 (mi1、mi2…mij+1)为网络输出参数，按表1建立神经网络样本数据。
表1网络训练检验样本
(1)对权值和阈值进行初始化，再对训练样本数据进行归一化处理，通过公式(9)传递给隐含层神经元：
数据归一化处理的方法：
式中：
—归一化后的数据；
x—原始数据；
xmax—x的最大值；
xmin—x的最小值。
(2)隐含层神经元根据公式(10)进行输出：
bk＝f(S(k))＝1/(1+e-S(k))(k＝1,2,…,p) (10)
式中：Pb—输入向量组；
b—输入向量组中元素的个数；
k—隐含层单元的个数。
(3)隐含层神经元输出值通过公式(11)传递给输出层神经元，输出层神经元根据公式 (12)进行输出：
(4)根据公式(13)计算网络误差e：
式中：t—输出向量组中元素的个数；
当网络误差e≥0.00001时，不满足精度要求，需要对网络的权值和阈值进行修正；当网络全局误差e＜0.00001时，满足精度要求，终止网络训练。
过程中还会根据期望输出TUKt和网络实际输出
利用公式(14)计算输出层神经元的校正误差dt：
根据公式(15)计算隐含层神经元的校正误差ek：
进一步地，所述的对网络的权值和阈值进行的修正包括如下步骤：
(1)根据公式(16)～(17)修正隐含层至输出层的连接权值vkt和输出层神经元的阈值γkt，其中α为学习速率，0＜α＜1。
vkt(N+1)＝vkt(N)+α·dt·bk(k＝1,2,…,p；t＝1,2,…,n) (16)
γkt(N+1)＝γkt(N)+α·dt(t＝1,2,…,n) (17)
(2)根据公式(18)～(19)修正输入层至隐含层的连接权值Wjk和隐含层神经元的阈值θjk，其中β为学习速率，0＜β＜1
wjk(N+1)＝wjk(N)+β·ek·Pj(j＝1,2,…,n；k＝1,2,…,p) (18)
θjk(N+1)＝θjk(N)+β·ek(k＝1,2,…,p) (19)
(3)随机选取下一个学习模式返回步骤六的第三步继续进行训练，直至网络误差e满足精度要求，终止网络训练，该神经网络的权值和阈值得到确定。
根据步骤四中确定的网络结构编制Matlab程序，并利用已建立的输入输出样本数据中的一部分作为训练样本对BP神经网络预测模型进行训练。剩余数据作为检验样本对网络进行检验。将训练样本数据表命名为“XL.xls”,将检验样本数据表命名为“JY.xls”，具体程序如下：
训练网络程序
p＝xlsread('XL.xls')'；
t＝xlsread('XL.xls')'；
net＝newff(minmax(p),[n,1],{'tansig','logsig'},'trainlm','learngd','mse')；
net.trainParam.epochs＝2000；
net.trainParam.goal＝0.00001；
net.trainParam.show＝100；
net.trainparam.time＝inf；
[net,tr]＝train(net,p,t)；
y＝sim(net,p)
检验网络程序
p＝xlsread('JY.xls')'；
t＝xlsread('JY.xls')'；
net＝newff(minmax(p),[n,1],{'tansig','logsig'},'trainlm','learngd','mse')；
net.trainParam.epochs＝2000；
net.trainParam.goal＝0.00001；
net.trainParam.show＝100；
net.trainparam.time＝inf；
[net,tr]＝train(net,p,t)；
y＝sim(net,p)
进一步地，步骤七所述的深基坑开挖土层动态m值的预测方法为：根据已训练好的网络结构，将第i土层第j次的粘聚力ci0、等效内摩擦角
支护结构水平位移监测数据Xij按照检验程序输入，经过网络仿真输出第j+1次基坑开挖的预测m值。由于数据在输入网络前进行了归一化处理，所以要对输出mij+1值进行反归一化处理。
反归一化计算公式
x＝x′×(xmax-xmin)+xmin (21)
式中：x’—网络输出数据；
x—数据反归一化后的数据。
本发明的有益效果是：
本发明基于神经网络模型，根据基坑开挖过程中各土层m值的变化规律，提出各土层m 值折减系数αi，有效地反应了土层m值随基坑开挖动态变化的过程。并在此基础上又提出各土层等效折减内摩擦角
基于土层粘聚力ci、土层等效折减内摩擦角
及支护结构水平位移实测数据，根据BP神经网络基本原理建立了深基坑开挖土层动态m值的预测模型，从而有效地预测了后续基坑开挖各工况的土层m值，并将预测m值应用到后续基坑变形计算中去，对基坑安全与否预先做出判断，可有效预防由于基坑支护结构变形过大造成的基坑坍塌事故。
附图说明
图1是本发明的流程图。
图2是本发明所述的BP神经网络的模型图。
具体实施方式
为了进一步说明本申请的实施过程，现以某深基坑工程为例进行详细说明。
取该深基坑工程(一级基坑)3区基坑开挖阶段为研究对象。该区域基坑挖深10.8m，采用钻孔灌注桩-内支撑围护体系，包含两道钢筋混凝土内支撑，第一道内支撑标高-2.10m，第二道内支撑标高-7.50m。土体物理力学参数见表2，基坑开挖工况信息表见表3。
表2土体物理力学参数
表3基坑开挖工况信息表
| 工况 | 工况信息 |
| 第一工况 | 开挖素填土 |
| 第二工况 | 开挖到第一道支撑处 |
| 第三工况 | 开挖到第一道支撑下3m左右位置 |
| 第四工况 | 开挖到第二道支撑处 |
| 第五工况 | 开挖到第二道支撑下3m左右位置 |
| 第六工况 | 开挖到坑底标高位置 |
第一步：深基坑位移监测点的布设及监测方法的确定
(1)深基坑位移监测点的布设
根据《建筑基坑工程监测技术规范》GB50497-2009第五章中的相关规定，基坑边坡的水平和竖向位移监测点应沿基坑周边布置，本工程在基坑侧壁中部位置处布设监测点。沿基坑竖向每隔1米设置监测点。基坑变形监测基准点选在监测基坑开挖面以外3倍开挖深度的稳定无变形区域，变形监测基准点和变形监测点共同形成开挖面的变形监测控制网。
(2)监测方法
在围护结构内部预埋测斜管。测斜管管内由测斜探头滑轮沿测斜套管内壁导槽渐渐下放至管底，配以伺服加速度式测斜仪，自下而上每隔相应距离测定该点偏角值，然后将探头旋转180度，在同一导槽内再测量一次，合起来为一测回，由此通过叠加推算各点的位置值。每个测斜管每测点的初始值，为测斜管埋设两周后并在开挖前取2测回观测的平均值。施工过程中的日常监测值与初始值的差为其累计水平位移量，本次值与前次值的差值为本次位移量。
第二步：深基坑土层初始m值的确定；
第三步：深基坑土层m值变形折减系数及折减m值的确定；
由于第一层土为杂填土，成分复杂、性质各异、厚薄不均、规律性差，所以此土层不作为研究土层。根据表2中第二层土物理力学参数，由公式(1)计算初始m值及m值折减系数。
根据《建筑基坑支护技术规程》该基坑支护结构允许最大水平位移为0.0025h，即：
第四步：深基坑土层等效内摩擦角的确定
由公式(5)计算第2层土第j次折减后的内摩擦角。
m21＝6.77×0.91＝6.16
m22＝6.16×0.91＝5.61
以此类推直至计算到第7次，详细数据见表4。
第五步：深基坑土层动态m值预测BP神经网络模型结构的确定
神经网络样本数据见表4。
表4神经网络样本数据表
按照训练样本7组考虑，由公式(7)～(9)计算确定隐含层神经元数目变化区间为[2,7]。
将前5组数据作为网络训练样本，后2组数据作为检验样本，按照原理给出隐含层神经元数目可变的程序输入到Matlab中，即：
输出网格误差见表5。
表5网格训练误差
| 神经元数目 | 2 | 3 | 4 | 5 | 6 | 7 |
| 网络误差 | 0.2832 | 0.1548 | 0.0438 | 0.0338 | 0.0211 | 0.0296 |
由此可确定该网络结构隐含层神经元数目取6时网络误差最小。所以该BP网络模型结构为：3个输入单元、1个输出单元、隐含层6个神经元数目的三层网络结构。
第六步：BP神经网络预测模型的学习训练和检验
根据表4给出的输入输出数据，将原理2中的程序输入到Matlab中完成网络的训练，即：
p＝xlsread('XL.xls')'；
t＝xlsread('XL.xls')'；
net＝newff(minmax(p),[6,1],{'tansig','logsig'},'trainlm','learngd','mse')；
net.trainParam.epochs＝2000；
net.trainParam.goal＝0.00001；
net.trainParam.show＝100；
net.trainparam.time＝inf；
[net,tr]＝train(net,p,t)；
y＝sim(net,p)
第七步：深基坑开挖土层动态m值的预测
将第8次折减的
第8次监测的位移值12.19mm及c＝21带入到预测网络模型中，得出第9次m＝2.85。根据m值折减系数计算的第9次折减后的m＝2.82，可见误差很小，说明该网络结构具有很好的预测效果。
当然，上述内容仅为本发明的较佳实施例，不能被认为用于限定对本发明的实施例范围。本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的均等变化与改进等，均应归属于本发明的专利涵盖范围内。
Claims (4)
1.一种深基坑开挖土层动态水平抗力系数的测定方法，其特征在于：包括如下步骤：
步骤一：深基坑位移监测点的布设及监测方法的确定；
步骤二：深基坑土层初始m值的确定；所述的深基坑土层初始m值的确定方法为：根据现场地质勘察资料给出的各土层粘聚力及内摩擦角，根据《建筑基坑支护技术规程》JGJ120-2012中土层m值的经验公式(1)确定各土层初始m值：
式中：mi0—第i土层开挖前土体的初始水平抗力系数，MN/m4；
ci0—第i层土层初始粘聚力，kPa；
步骤三：深基坑土层m值变形折减系数及折减m值的确定；所述的深基坑土层m值变形折减系数通过以下公式确定：
式中：αi—第i层土m值折减系数；
Xi—第i层土实测水平位移，mm；
[X]—支护结构最大水平位移允许值，mm，根据现行《建筑基坑支护技术规程》中基坑安全等级确定；
根据公式(3)可确定第i层土第j次折减后的土层m值：
mij＝mij-1×αi (3)
式中：mij—第i层土第j次折减后的土层m值；
步骤四：深基坑土层变形等效内摩擦角的确定；所述的深基坑土层变形等效内摩擦角通过以下公式确定：
式中：
—第i层土第j次折减后的等效内摩擦角；
步骤五：深基坑土层动态m值BP神经网络预测模型结构的确定；所述的m值BP神经网络预测模型结构的隐层神经元数目的选择范围由以下公式确定：
n1≥log2n (8)
式中：A—样本的数目；
n—输入单元数；
n1—隐单元数目，如果z>n1，则
m—输出单元数，a∈[1，10]之间的常数；
步骤六：BP神经网络预测模型的学习训练和检验；所述的BP神经网络预测模型的学习训练和检验包括如下步骤：
(1)对权值和阈值进行初始化，再对训练样本数据进行归一化处理，通过公式(9)传递给隐含层神经元：
(2)隐含层神经元根据公式(10)进行输出：
bk＝f(S(k))＝1/(1+e-S(k))，k＝1,2,…,p (10)
式中：Pb—输入向量组；
b—输入向量组中元素的个数；
k—隐含层单元的个数；
(3)隐含层神经元输出值通过公式(11)传递给输出层神经元，输出层神经元根据公式(12)进行输出：
(4)根据公式(13)计算网络误差e：
式中：t—输出向量组中元素的个数；
当网络误差e大于等于阈值时，不满足精度要求，需要对网络的权值和阈值进行修正；当网络误差e小于阈值时，满足精度要求，终止网络训练
步骤七：深基坑开挖土层动态m值的预测；其中，
步骤五所述的m值BP神经网络预测模型结构为：三层的网络结构，输入单元为三个，依次为第i层土层初始粘聚力Ci0、第i层土第j次折减后的等效内摩擦角
基坑支护结构实测位移Xij；输出单元为土体水平抗力系数mij+1。
2.根据权利要求1所述的深基坑开挖土层动态水平抗力系数的测定方法，其特征在于：步骤一所述的监测方法为：在围护结构内部预埋测斜管，测斜管管内由测斜探头滑轮沿测斜套管内壁导槽渐渐下放至管底，配以伺服加速度式测斜仪，自下而上每隔相应距离测定该点偏角值，然后将探头旋转180度，在同一导槽内再测量一次，合起来为一测回。
3.根据权利要求1所述的深基坑开挖土层动态水平抗力系数的测定方法，其特征在于：
所述的对网络的权值和阈值进行的修正包括如下步骤：
(1)根据公式(16)～(17)修正隐含层至输出层的连接权值vkt和输出层神经元的阈值γkt，其中α为学习速率，0<α<1；
vkt(N+1)＝vkt(N)+α·dt·bk，k＝1,2,…,p；t＝1,2,…,n(16)
γkt(N+1)＝γkt(N)+α·dt，t＝1,2,…,n (17)
(2)根据公式(18)～(19)修正输入层至隐含层的连接权值Wjk和隐含层神经元的阈值θjk，其中β为学习速率，0<β<1
wjk(N+1)＝wjk(N)+β·ek·Pj，j＝1,2,…,n；k＝1,2,…,p (18)
θjk(N+1)＝θjk(N)+β·ek，k＝1,2,…,p (19)
(3)随机选取下一个学习模式返回步骤六中的第(3)步继续进行训练，直至网络误差e满足精度要求，终止网络训练，该神经网络的权值和阈值得到确定。
4.根据权利要求1所述的深基坑开挖土层动态水平抗力系数的测定方法，其特征在于：步骤七所述的深基坑开挖土层动态m值的预测方法为：根据已训练好的网络结构，将第i层土层初始粘聚力Ci0、第i层土第j次折减后的等效内摩擦角
基坑支护结构实测位移Xij按照检验程序输入，经过网络仿真输出第ij+1次基坑开挖的预测m值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711320925.4A CN107832568B (zh) | 2017-12-12 | 2017-12-12 | 深基坑开挖土层动态水平抗力系数的测定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711320925.4A CN107832568B (zh) | 2017-12-12 | 2017-12-12 | 深基坑开挖土层动态水平抗力系数的测定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107832568A CN107832568A (zh) | 2018-03-23 |
| CN107832568B true CN107832568B (zh) | 2021-11-09 |
Family
ID=61642957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711320925.4A Active CN107832568B (zh) | 2017-12-12 | 2017-12-12 | 深基坑开挖土层动态水平抗力系数的测定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107832568B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108984924A (zh) * | 2018-07-24 | 2018-12-11 | 上海交通大学 | 一种应用于墙后有限宽度土体的基坑支护结构设计方法 |
| CN109403392B (zh) * | 2018-08-30 | 2021-04-20 | 宁波市水利水电规划设计研究院有限公司 | 一种用于测算土体水平反力系数的系统以及方法 |
| CN109214572A (zh) * | 2018-09-06 | 2019-01-15 | 南京工业职业技术学院 | 一种基于epso-bp对商业建筑灯饰能耗预测方法 |
| CN110374145B (zh) * | 2019-06-27 | 2021-03-23 | 广东省水利水电科学研究院 | 有限土体水平抗力系数的折减确定方法、系统及存储介质 |
| CN111680343B (zh) * | 2020-04-27 | 2022-12-13 | 中煤科工集团武汉设计研究院有限公司 | 一种基于深度学习的深基坑围护结构变形预测的方法 |
| CN111733794A (zh) * | 2020-06-11 | 2020-10-02 | 中铁一局集团第二工程有限公司 | 一种确定基坑岩溶区侧墙安全厚度的方法及注浆装置 |
| CN112836789A (zh) * | 2020-12-27 | 2021-05-25 | 苏州大学 | 一种基于复合神经网络算法的地连墙变形动态预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102087677A (zh) * | 2010-12-24 | 2011-06-08 | 东南大学 | 一种弹性地基梁的求解和m值反分析方法 |
| CN106021963A (zh) * | 2016-06-24 | 2016-10-12 | 河海大学 | 一种用于基坑设计的计算方法 |
| CN106485031A (zh) * | 2016-11-04 | 2017-03-08 | 青岛理工大学 | 一种风化岩体边坡预应力锚杆加固长度的优化设计方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8577830B2 (en) * | 2010-11-24 | 2013-11-05 | Technion Research And Development Foundation Ltd. | Method for detection of tunnel excavation by brillouin optical time domain reflectometry using multiple underground optical fibers |
-
2017
- 2017-12-12 CN CN201711320925.4A patent/CN107832568B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102087677A (zh) * | 2010-12-24 | 2011-06-08 | 东南大学 | 一种弹性地基梁的求解和m值反分析方法 |
| CN106021963A (zh) * | 2016-06-24 | 2016-10-12 | 河海大学 | 一种用于基坑设计的计算方法 |
| CN106485031A (zh) * | 2016-11-04 | 2017-03-08 | 青岛理工大学 | 一种风化岩体边坡预应力锚杆加固长度的优化设计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《反分析理论在基坑变形预测中的应用研究》;汪岚峰;《万方数据》;20110803;第I，13-14,19-22，24-29，35-40 页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107832568A (zh) | 2018-03-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107832568B (zh) | 深基坑开挖土层动态水平抗力系数的测定方法 | |
| Bird et al. | Modelling liquefaction-induced building damage in earthquake loss estimation | |
| CN107315862B (zh) | 一种建立明挖基坑工程勘察与模拟参数关系的方法 | |
| Wols et al. | Modelling the effect of climate change induced soil settling on drinking water distribution pipes. | |
| CN108256172B (zh) | 一种顶管下穿既有箱涵过程中险情预警预报方法 | |
| Kramer | Performance-based design methodologies for geotechnical earthquake engineering | |
| CN109785584A (zh) | 复合水动力库岸边坡稳定性预测方法 | |
| CN106198870B (zh) | 一种基于神经网络的锚杆杆体损伤位置识别方法 | |
| CN106650131B (zh) | 组合受荷桩承载力传递矩阵通解方法 | |
| Johari et al. | A genetic-based model to predict maximum lateral displacement of retaining wall in granular soil | |
| CN111859736B (zh) | 一种管道多病害复杂环境下服役性能评估方法 | |
| Zacchei et al. | Seismic hazard assessment of arch dams via dynamic modelling: An application to the Rules Dam in Granada, SE Spain | |
| CN114996983A (zh) | 一种软岩隧道可靠性评价方法 | |
| Kumar et al. | Soft computing techniques for predicting penetration and uplift resistances of dual pipelines in cohesive soils | |
| Johari et al. | Stochastic nonlinear ground response analysis: A case study site in Shiraz, Iran | |
| CN112765803B (zh) | 一种基坑坑底抗隆起稳定性失效概率的评估方法及系统 | |
| CN113111411B (zh) | 一种加固深层淤泥地基的系统及方法 | |
| CN114036831A (zh) | 一种待检测工程场地边坡的岩土力学参数的实时检测方法 | |
| CN107587493B (zh) | 一种基于神经网络的基坑开挖监测预警方法 | |
| Bernal et al. | Instability inducing potential of near fault ground motions | |
| CN108446413B (zh) | 一种注浆成型扩底桩桩径的优化测定方法 | |
| Suryanita | The Application of artificial neural networks in predicting structural response of multistory building in the region of Sumatra Island | |
| Obrzud et al. | A combined neural network/gradient‐based approach for the identification of constitutive model parameters using self‐boring pressuremeter tests | |
| CN114707225A (zh) | 考虑水位波动及支护时效的基坑支护性能评估方法及装置 | |
| Jelušič et al. | An adaptive network fuzzy inference system approach for site investigation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Guo Lu Inventor after: He Keqiang Inventor after: Meng Wei Inventor before: He Keqiang Inventor before: Meng Wei |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |