CN111209708B - 基于机器学习的桩-土相互作用预测分析方法 - Google Patents
基于机器学习的桩-土相互作用预测分析方法 Download PDFInfo
- Publication number
- CN111209708B CN111209708B CN202010319454.0A CN202010319454A CN111209708B CN 111209708 B CN111209708 B CN 111209708B CN 202010319454 A CN202010319454 A CN 202010319454A CN 111209708 B CN111209708 B CN 111209708B
- Authority
- CN
- China
- Prior art keywords
- pile
- soil
- variable
- variables
- neural network
- 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
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明公开了一种基于机器学习的桩‑土相互作用预测分析方法,属于地基基础工程技术领域。其包括以下步骤:采用拉丁超立方抽样方法建立桩‑土变量的参数样本,采用数值模拟方法对参数样本建模,得到参数样本对应桩体的受力变形值,通过Lasso方法对输入变量及需求变量进行敏感性分析,降低输入变量维度;将参数样本划分为数量均等的K份进行交叉验证,建立基于L‑M算法的BP神经网络模型,隐藏层神经元个数定义在一定范围内循环遍历运算,通过对比训练误差确定最佳隐藏层神经元个数,使用训练后的神经网络模型,预测桩体的受力变形。本发明具有分析流程清晰、可靠性强、效率高的优点,为桩基的设计和应用提供理论依据。
Description
技术领域
本发明涉及一种基于机器学习的桩-土相互作用预测分析方法,属于地基基础工程技术领域。
背景技术
桩基础在各种工程建设中有十分广泛的应用,是不良地基中最常用的处理方法。随着桩基技术的发展,一些新型桩基技术出现了,比如螺旋钢桩、复合土工材料封装散体桩等,这些桩的设计影响因素众多。了解其受力变形特性,对工程的安全性、稳定性和经济性有着重要的意义。桩基的承载力是桩与土共同作用的结果,传统的现场载荷试验是最常用的分析方法,通过分析单桩承载力,了解地基的力学性能,为工程前期设计和后期验收提供依据,但现场荷载试验的成本高昂,要消耗巨大的人力物力资源。上述这些新型的桩体,由于涉及多种材料或本身桩体结构呈现强烈的几何非线性,空间结构复杂,其在荷载下的桩土相互作用传力非常复杂,受力变形机理还不甚清楚,常采用半经验的理论计算,导致计算结果可靠性不高,常与现场试验结果产生较大的出入,对地基的变形与破坏情况的分析预估不准确,将导致工程存在安全隐患或工程造价大幅提高。目前,经过现场验证后的数值模拟方法计算精度优于现有的半经验理论计算,但采用三维的精细数值模拟仍需耗费大量的时间。
发明内容
本发明的目的在于克服现有技术的不足,提供一种快速、准确的基于机器学习的桩-土相互作用预测分析方法,探明上述影响因素复杂的桩体的受力变形特性,解决传统分析方法效率低且费用高昂的问题,为桩体的设计和应用提供理论依据。
本发明的目的是通过以下技术方案来实现的:基于机器学习的桩-土相互作用预测分析方法,包括以下步骤:
采用拉丁超立方抽样方法建立桩-土变量的参数样本,所述参数样本包括土体变量和桩体变量;将参数样本划分为数量均等的K份,所述K为大于等于2的正整数;采用数值模拟方法对参数样本建模,得到参数样本对应桩体的受力变形值,所述受力变形值包括沿桩体长度方向的弯矩分布、桩体沉降值、桩体极限承载力;通过Lasso方法对输入变量及需求变量进行敏感性分析,所述输入变量为土体变量和桩体变量,所述需求变量为受力变形值;随机取一份参数样本作为测试集,其余K-1份参数样本作为训练集进行交叉验证,降低输入变量维度;建立基于L-M算法的BP神经网络模型,所述神经网络模型包括输入层、隐藏层和输出层,所述输入层的个数为降低维度后输入变量的个数,所述输出层为所需求的受力变形值;对隐藏层神经元个数的范围进行定义,并对其进行循环遍历训练,通过对比训练误差确定最佳隐藏层神经元个数;使用训练后的神经网络模型,对新的变量参数进行分析,预测桩体的受力变形。
进一步的,所述土体变量包括重度、孔隙率、不均匀系数、粘聚力、渗透系数、压缩模量和比重等相关参数;所述桩体变量包括桩-土摩擦角、刚度、长径比、螺距、叶片钢盘厚度、土工材料刚度、桩体填料摩擦角和桩长等相关参数。
进一步的,所述对参数样本建模包括基于摩尔库伦本构模型或剑桥模型的桩周土体和基于弹塑性理论的桩体。
进一步的,所述Lasso方法通过交叉验证确定输入参数的最佳权重,其惩罚函数公式如下:
式中,n为样本个数,m为所有输入变量个数,yi表示第i个样本的需求变量值,xij为第i个样本中第j个输入变量的值,βj表示第j个输入变量的权重值,β0表示初始系数权重值,通常β0到βm的初始取值为0~1之间的随机数;λ为正则化参数,其值越大,降维能力越强,λ初始值取0.01。β值通过迭代进行更新,λ值在0.01附近调参,在找出最优解后,将对应β=0的输入变量剔除从而达到降维的目的。
进一步的,所述惩罚函数采用最小角回归法求解。
进一步的,所述降低输入变量维度,选择通过Lasso方法验证后权重不为0的输入变量。
进一步的,所述神经网络模型的权重更新采用L-M算法、激活函数采用Sigmoid。
进一步的,所述循环遍历训练包含不同隐藏层神经元个数的神经网络,通过评定神经网络预测误差确定最佳隐藏层神经元个数。
进一步的,所述神经网络预测误差采用均方误差评定。
本发明的有益效果是:
1)通过抽样建模,建立分析桩体受力变形特性的神经网络模型,分析方法流程清晰、可靠性强,有利于快速、准确地对桩-土相互作用情况进行分析,解决了传统分析方法效率低且成本高昂的问题。
2)本发明选择的训练样本具有代表性,使训练出的模型更具普适性。同时,通过降低输入变量维度,有利于加速桩-土神经网络训练速度,提高分析效率。
3)采用L-M算法更新权重,有利于避免桩-土神经网络模型陷入局部最小误差,进而有利于快速、准确预测桩体的受力变形特性,为桩基的设计和应用提供理论依据。
附图说明
图1为本发明基于机器学习的桩-土相互作用预测分析方法的流程示意图。
图2为本发明实施例预测分析方法流程示意图。
图3为本发明实施例预测分析方法的参数筛选和神经网络结构图。
具体实施方式
下面将结合实施例,对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。本发明中在包括下述说明在内的各部分中所提供的技术方案和技术特征,在不冲突的情况下,这些技术方案和技术特征可以相互组合。基于本发明中的实施例,本领域技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图2所示,本发明提供一种技术方案:基于机器学习的桩-土相互作用预测分析方法,包括以下步骤:
S1、采用拉丁超立方抽样方法建立桩-土变量的参数样本,使样本更具有代表性和随机性,这里的参数样本包括土体变量和桩体变量。本实施例的土体变量包括重度、孔隙率、不均匀系数、粘聚力和比重,桩体变量包括桩-土摩擦角、刚度、长径比和桩长。采用拉丁超立方抽样(LHS)时,将每个桩-土变量在其合理范围内分成互不重叠的n个区间,使得每个区间有相同的改良,在每一个变量中的每一个区间随机抽取一个点,再从每一维里随机抽取上一步中抽取的点,将其组成向量,共生成n个样本向量。将参数样本划分为数量均等的K份,这里的K值取10,即n个样本被划分为10份。
S2、采用数值模拟方法对参数样本建模,具体采用有限元分析软件对步骤S1中的n个样本进行有限元建模,本实施例的土体采用摩尔库伦模型,桩体采用弹性模型。计算需求变量,即参数样本对应桩体的受力变形值,受力变形值包括沿桩体长度方向的弯矩分布、桩体沉降值、桩体极限承载力,下面以需求变量为桩体沉降值为例进行说明。
S3、通过Lasso方法对输入变量及需求变量进行敏感性分析,这里的输入变量为参数样本中的土体变量和桩体变量,需求变量为桩体沉降值,随机从十份参数样本中取一份作为测试集,其余九份作为训练集进行K折交叉验证。将数据集导入Lasso回归模型进行参数筛选,其惩罚函数公式如下:
式中,n为样本个数,m为所有输入变量个数,yi表示第i个样本的需求变量值,xij为第i个样本中第j个输入变量的值,βj表示第j个输入变量的权重值,β0表示初始系数权重值,通常β0到βm的初始取值为0~1之间的随机数;λ为正则化参数,其值越大,降维能力越强,λ初始值取0.01。β值通过迭代进行更新,λ值在0.01附近调参,在找出最优解后,将对应β=0的输入变量剔除从而达到降维的目的。
惩罚函数采用最小角回归法求解,交叉验证确定输入参数的最佳权重,寻找最佳λ值以及该λ值下对应的权重,将训练后权重为0的输入变量删除,剩余的输入变量为对需求变量有影响的变量,以降低输入变量维度。如图3所示,需求变量为桩体沉降值时,筛选后剩余的输入变量为荷载、桩-土摩擦角、桩体抗弯刚度、长径比和桩长,即上述输入变量为筛选后的有效输入变量。
S4、建立基于L-M算法的BP神经网络模型,如图3所示,神经网络模型包括输入层、隐藏层和输出层。其中,输入层的个数为降低维度后输入变量的个数,即步骤S3中的有效输入变量个数,输出层神经元个数为1,即桩体沉降值。对隐藏层神经元个数的范围进行定义,将神经网络模型的初始权重设置为随机值,预设迭代次数、误差范围,激活函数采用Sigmoid。将步骤S3中的有效输入变量对应的训练集归一化后输入步骤S5建立的神经网络模型,每次输出的数值与归一化后真实桩体沉降值对比,采用均方误差(MSE)进行评价,采用L-M算法反向更新权重,直到迭代次数达到最大值或误差在预设误差范围内,模型训练完成。循环遍历训练包含不同隐藏层神经元个数的神经网络,选择均方误差最小的神经网络模型作为最终神经网络模型。
S5、使用训练后的神经网络模型,即S4中的最终神经网络模型,对新的变量参数进行分析,预测桩体的受力变形。
本发明基于机器学习的桩-土相互作用预测分析方法流程清晰,可靠性强,如图1所示,根据待预测分析的桩体不同,还可将渗透系数、压缩模量等参数作为土体变量的参数,将螺旋钢桩螺距、叶片钢盘厚度、土工材料刚度和桩体填料摩擦角等参数作为桩体变量的参数。本发明能够选择较有代表性的桩-土样本作为训练集,并通过敏感性分析降低桩-土输入变量维度,有利于加速模型训练,避免训练出的模型陷入最小局部误差,并具有较好的预测精度,为桩基的设计和应用提供理论依据。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (8)
1.基于机器学习的桩-土相互作用预测分析方法,其特征在于:包括以下步骤:
采用拉丁超立方抽样方法建立桩-土变量的参数样本,所述参数样本包括土体变量和桩体变量;将参数样本划分为数量均等的K份,所述K为大于等于2的正整数;
采用数值模拟方法对参数样本建模,得到参数样本对应桩体的受力变形值,所述受力变形值包括沿桩体长度方向的弯矩分布、桩体沉降值、桩体极限承载力;
通过Lasso方法对输入变量及需求变量进行敏感性分析,所述输入变量为土体变量和桩体变量,所述需求变量为受力变形值;所述Lasso方法通过交叉验证确定输入参数的最佳权重,其惩罚函数公式如下:
式中,n为样本个数,m为所有输入变量个数,yi表示第i个样本的需求变量值,xij为第i个样本中第j个输入变量的值,βj表示第j个输入变量的权重值,β0表示初始系数权重值,β0到βm的初始取值为0~1之间的随机数;λ为正则化参数,λ初始值取0.01;随机取一份参数样本作为测试集,其余K-1份参数样本作为训练集进行交叉验证,降低输入变量维度;
建立基于L-M算法的BP神经网络模型,所述神经网络模型包括输入层、隐藏层和输出层,所述输入层的个数为降低维度后输入变量的个数,所述输出层为所需求的受力变形值;对隐藏层神经元个数的范围进行定义,并对其进行循环遍历训练,通过对比训练误差确定最佳隐藏层神经元个数;
使用训练后的神经网络模型,对新的变量参数进行分析,预测桩体的受力变形。
2.根据权利要求1所述的基于机器学习的桩-土相互作用预测分析方法,其特征在于:所述土体变量包括重度、孔隙率、不均匀系数、粘聚力、渗透系数、压缩模量和比重;所述桩体变量包括桩-土摩擦角、刚度、长径比、螺距、叶片钢盘厚度、土工材料刚度、桩体填料摩擦角和桩长。
3.根据权利要求1所述的基于机器学习的桩-土相互作用预测分析方法,其特征在于:所述对参数样本建模包括基于摩尔库伦本构模型或剑桥模型的桩周土体和基于弹塑性理论的桩体。
4.根据权利要求1所述的基于机器学习的桩-土相互作用预测分析方法,其特征在于:所述惩罚函数采用最小角回归法求解。
5.根据权利要求1所述的基于机器学习的桩-土相互作用预测分析方法,其特征在于:所述降低输入变量维度,选择通过Lasso方法验证后权重不为0的输入变量。
6.根据权利要求1所述的基于机器学习的桩-土相互作用预测分析方法,其特征在于:所述神经网络模型的权重更新采用L-M算法、激活函数采用Sigmoid。
7.根据权利要求1所述的基于机器学习的桩-土相互作用预测分析方法,其特征在于:所述循环遍历训练包含不同隐藏层神经元个数的神经网络,通过评定神经网络预测误差确定最佳隐藏层神经元个数。
8.根据权利要求7所述的基于机器学习的桩-土相互作用预测分析方法,其特征在于:所述神经网络预测误差采用均方误差评定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319454.0A CN111209708B (zh) | 2020-04-22 | 2020-04-22 | 基于机器学习的桩-土相互作用预测分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319454.0A CN111209708B (zh) | 2020-04-22 | 2020-04-22 | 基于机器学习的桩-土相互作用预测分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111209708A CN111209708A (zh) | 2020-05-29 |
CN111209708B true CN111209708B (zh) | 2020-08-14 |
Family
ID=70787784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010319454.0A Active CN111209708B (zh) | 2020-04-22 | 2020-04-22 | 基于机器学习的桩-土相互作用预测分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111209708B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881507B (zh) * | 2020-08-11 | 2024-05-31 | 泰诺风保泰(苏州)隔热材料有限公司 | 基于神经网络的窗框断面评估方法、计算设备及存储介质 |
CN111985029A (zh) * | 2020-08-17 | 2020-11-24 | 武汉工程大学 | 一种螺纹桩单桩承载力的估算方法 |
CN112926117A (zh) * | 2021-03-01 | 2021-06-08 | 郑州大学 | 一种基于bas-bp的桩基水平承载力预测方法 |
CN113010833B (zh) * | 2021-03-09 | 2022-04-15 | 西南交通大学 | 考虑安装效应的螺旋钢桩沉降量计算方法 |
CN113642757B (zh) * | 2021-06-01 | 2024-02-27 | 北京慧辰资道资讯股份有限公司 | 一种基于人工智能的物联网充电桩建设规划的方法及系统 |
CN113569480B (zh) * | 2021-07-27 | 2024-02-27 | 同济大学 | 基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法 |
CN113821863B (zh) * | 2021-11-22 | 2022-03-01 | 中南大学 | 一种桩基竖向极限承载力预测方法 |
CN114169205B (zh) * | 2021-12-13 | 2022-08-02 | 西南交通大学 | 一种螺旋钢桩基础大容量风电场损伤预警方法及系统 |
CN114757365A (zh) * | 2022-06-13 | 2022-07-15 | 西南交通大学 | 一种基于深度学习的高速铁路路基沉降预测及预警方法 |
CN115359890B (zh) * | 2022-10-17 | 2023-02-03 | 中科厚立信息技术(成都)有限公司 | 基于迁移学习的单病种资源消耗分析方法、系统及终端 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6646511B2 (ja) * | 2016-04-14 | 2020-02-14 | 株式会社フジタ | 技能伝承システム及び方法 |
CN109932153A (zh) * | 2019-04-13 | 2019-06-25 | 福州大学 | 适用于桩土相互作用试验的可拆卸混凝土配重块的试验装置及其制造方法 |
CN110264336B (zh) * | 2019-05-28 | 2020-09-22 | 浙江邦盛科技有限公司 | 一种基于大数据的智能案防系统 |
CN110320112A (zh) * | 2019-06-24 | 2019-10-11 | 中国海洋大学 | 一种含气土桩土测试装置 |
CN110320892B (zh) * | 2019-07-15 | 2020-07-14 | 重庆邮电大学 | 基于Lasso回归的污水处理设备故障诊断系统及方法 |
CN110397094B (zh) * | 2019-08-01 | 2024-02-06 | 福州大学 | 满足整体式桥台桩土相互作用边界条件的构造及装配方法 |
-
2020
- 2020-04-22 CN CN202010319454.0A patent/CN111209708B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111209708A (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111209708B (zh) | 基于机器学习的桩-土相互作用预测分析方法 | |
Oreta et al. | Neural network modeling of confined compressive strength and strain of circular concrete columns | |
CN106777527A (zh) | 基于神经网络模型的起重机小车运行能耗分析方法 | |
CN111950180B (zh) | 一种缆索承重桥梁结构体系可靠度分析方法及系统 | |
CN115270635B (zh) | 贝叶斯-神经网络高层建筑地震需求与易损性预测方法 | |
CN110442980A (zh) | 基于相似贝叶斯方法的确定性损伤识别方法 | |
CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
CN114330067A (zh) | 一种软基水闸有限元模型修正方法 | |
Soleimanbeigi et al. | Prediction of settlement of shallow foundations on reinforced soils using neural networks | |
Huynh et al. | Base resistance of super-large and long piles in soft soil: performance of artificial neural network model and field implications | |
CN112163669A (zh) | 基于bp神经网络的路面沉陷预测方法 | |
Mohanty et al. | An adaptive neuro fuzzy inference system model for studying free in plane and out of plane vibration behavior of curved beams | |
CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
CN117594164A (zh) | 基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统 | |
CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、系统、设备及介质 | |
CN117150925A (zh) | 一种水电工程高陡边坡岩体力学参数反分析方法 | |
CN114528741A (zh) | 一种基于有限元分析法的大跨度钢结构指标变化预测方法 | |
Hung et al. | Predicting dynamic responses of frame structures subjected to stochastic wind loads using temporal surrogate model | |
Yang et al. | Layout optimization of box girder with RBF-NNM-APSO algorithm | |
Tinoco et al. | A data mining approach for jet grouting uniaxial compressive strength prediction | |
CN111861264A (zh) | 一种基于数据挖掘和智能算法预测混凝土耐久性方法 | |
Tinoco et al. | A data mining approach for predicting jet grouting geomechanical parameters | |
CN111062118A (zh) | 一种基于神经网络预测分层的多层软测量建模系统及方法 | |
Liu et al. | Seismic response of bridges employing knowledge-enhanced neural networks for the lumped plasticity modelling of RC piers | |
Nguyen et al. | Estimation of the shear strength of frp reinforced concrete beams without stirrups using machine learning algorithm |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |