CN111428297A - 基于bp神经网络的桩基p～s曲线确定方法 - Google Patents

基于bp神经网络的桩基p～s曲线确定方法 Download PDF

Info

Publication number
CN111428297A
CN111428297A CN202010209430.XA CN202010209430A CN111428297A CN 111428297 A CN111428297 A CN 111428297A CN 202010209430 A CN202010209430 A CN 202010209430A CN 111428297 A CN111428297 A CN 111428297A
Authority
CN
China
Prior art keywords
pile
soil
pile foundation
neural network
foundation
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.)
Granted
Application number
CN202010209430.XA
Other languages
English (en)
Other versions
CN111428297B (zh
Inventor
宋春霞
张学峰
尼颖升
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Research Institute of Highway Ministry of Transport
Original Assignee
Research Institute of Highway Ministry of Transport
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Research Institute of Highway Ministry of Transport filed Critical Research Institute of Highway Ministry of Transport
Priority to CN202010209430.XA priority Critical patent/CN111428297B/zh
Publication of CN111428297A publication Critical patent/CN111428297A/zh
Application granted granted Critical
Publication of CN111428297B publication Critical patent/CN111428297B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/08—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

基于BP神经网络的桩基P～S曲线确定方法，构建桩基与土体的桩土计算模型，桩土计算模型采用双曲线函数表达桩体、桩侧土与桩端土的力学关系；采集桩基数据建立桩基荷载试验数据库；根据桩基荷载试验数据库确定桩侧土摩阻力模型和桩端土摩阻力模型的参数取值，桩侧土摩阻力模型包括拟合后桩侧土初始刚度变化斜率，桩端土摩阻力模型包括拟合后桩端土摩阻力沿深度变化率；通过误差训练得到以值为目标的BP神经网络模型；将待侧桩基数据引入BP神经网络模型得到值，再根据桩土计算模型获得待侧桩基的P～S曲线以确定待测桩基极限承载力。本发明可实现在轻型加载下桩基承载能力的确定，解决服役桥梁有加载限制条件的既有桩基荷载试验问题。

Description

基于BP神经网络的桩基P～S曲线确定方法
技术领域
本发明涉及桥梁工程技术领域，具体涉及一种基于BP神经网络的桩基P～S曲线确定方法。
背景技术
周知的，BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络，BP神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。
周知的，大数据是一种从各种类型的数据中快速获取有效且有价值的信息的技术。在大数据领域，当今已经出现了大量新的且易于操作的技术。大数据分析和人工智能方法为确定解决上述问题提供了可能。我国基础设施建设已高速发展了数十年，积累了大量桩基荷载试验数据。基于技术的发展对这些数据进行处理以获得数据的价值具有重要的实践意义。
目前，在桥梁日常养护、桩基冲刷严重以及道路升级改造中，桩基和上部结构再利用时需要确定桩基承载能力是否满足要求。通过桥面加载进行服役桥梁桩基荷载试验时，在保证桥梁整体安全的前提下，桩基无法加载至承载力极限值。桩基荷载P～S曲线，是判定桩基承载特性和桩基承载能力的最主要的参考依据，由于加载等级不够或者受加载条件限制，无法加载至极限。实践中，通过荷载试验数据分析，承载能力极限值与加载值的比值多在3～6倍，试验获得的P～S曲线多处于直线段。参见图1，为服役桥梁荷载试验P～S曲线，如何利用这一小段试验曲线，得到完整的P～S曲线，实现在加载数据线性、短程条件下确定桩基承载能力是亟需解决的技术难题。
发明内容
为此，本发明提供一种基于BP神经网络的桩基P～S曲线确定方法，可实现在轻型加载下桩基承载能力的确定，解决服役桥梁有加载限制条件的既有桩基荷载试验问题。
为了实现上述目的，本发明提供如下技术方案：基于BP神经网络的桩基P～S曲线确定方法，包括以下步骤：
构建桩基与土体的桩土计算模型，所述桩土计算模型采用第一双曲线函数表达桩体与桩侧土的力学关系，桩土计算模型采用第二双曲线函数表达桩体与桩端土的力学关系，根据Gibson地基理论确定桩侧土摩阻力模型和桩端土摩阻力模型；
采集桩基数据建立桩基荷载试验数据库，所述桩基荷载试验数据库包括桩基荷载试验P～S曲线、桩长、桩径、混凝土强度等级、混凝土弹性模量和桩基类型信息；
根据所述桩基荷载试验数据库确定所述桩侧土摩阻力模型和桩端土摩阻力模型的参数取值，所述桩侧土摩阻力模型包括拟合后桩侧土初始刚度变化斜率p，所述桩端土摩阻力模型包括拟合后桩端土摩阻力沿深度变化率q；
在桩基荷载试验数据库选择与待确定桩基地质条件近似的若干根桩基作为样本集，若干根桩基作为训练集，通过误差训练得到以q值为目标的BP神经网络模型；
所述BP神经网络模型训练完成并满足预设误差后，将待侧桩基数据引入所述BP神经网络模型得到q值，再根据所述桩土计算模型获得待侧桩基的P～S曲线以确定待测桩基极限承载力。
作为基于BP神经网络的桩基P～S曲线确定方法的优选方案，所述桩土计算模型中，将桩身分为n段，各段桩身长度为1～2m，第一双曲线函数表达为：
Figure BDA0002422313970000031
Figure BDA0002422313970000032
Figure BDA0002422313970000033
Ti＝uτi (4)
Fi＝Fi-1+Ti (5)
式中：τi为第i桩段的单位面积桩侧摩阻力；Si为桩身与桩侧土的相对位移；ki为第i段桩桩土初始剪切刚度；τmi为第i段桩桩侧极限摩阻力；Ti为第i段桩桩侧摩阻力；Fi为第i段桩桩身轴力；ai为第i段桩桩土侧刚度到倒数值；bi为第i段桩桩土侧摩阻力极限值倒数值；u为桩身周长。
作为基于BP神经网络的桩基P～S曲线确定方法的优选方案，所述第二双曲线函数表达为：
Figure BDA0002422313970000034
Figure BDA0002422313970000035
Figure BDA0002422313970000036
F0＝Aσ0 (9)
式中：σ0为单位面积上桩端土的承载力；k0为桩端土的弹性抗压刚度系数；S0为桩端土的压缩沉降量；F0为桩端土的承载力；A为桩身截面面积；a0为桩端土刚度倒数值；b0为桩端土端阻力极限值倒数值；σm0为单位面积上桩端土的极限承载力。
作为基于BP神经网络的桩基P～S曲线确定方法的优选方案，所述桩侧土摩阻力模型根据Gibson地基理论近似按照直线模拟为：
ki＝pzi (10)
式中：ki为第i段桩桩土初始剪切刚度；p为拟合后桩侧土初始刚度变化斜率；zi为桩侧计算深度。
作为基于BP神经网络的桩基P～S曲线确定方法的优选方案，所述桩端土摩阻力模型根据Gibson地基理论近似按照直线模拟为：
τmi＝qzi (11)
式中：τmi为第i段桩桩侧极限摩阻力；q为拟合后桩端土摩阻力沿深度变化率；zi为桩侧计算深度。
作为基于BP神经网络的桩基P～S曲线确定方法的优选方案，根据桩基荷载试验数据库，按照桩侧土摩阻力模型和桩端土摩阻力模型确定p、q值；p确定时，忽略桩土位移将首级荷载桩侧土刚度近似为定值，即；
τi＝kiSi (12)
将公式(10)代入(12)得：
τi＝zipSi (13)
作为基于BP神经网络的桩基P～S曲线确定方法的优选方案，桩端土初始刚度k0＝mk1，m取3～5，即：
σ0＝mk1S0 (14)
桩基的首级荷载P1为：
Figure BDA0002422313970000041
S1、S2…Si…Sn通过首级荷载位移S1值减去各段桩身压缩量逐段获得；l为桩段长度；m为桩端土初始刚度与侧刚度的转化系数。
作为基于BP神经网络的桩基P～S曲线确定方法的优选方案，对公式(15)进行试算拟合，确定p值以使得等式(15)成立；
p值确定后，再利用桩土计算模型通过数据拟合确定q值，以获得确定待测桩基极限承载力的P～S曲线。
作为基于BP神经网络的桩基P～S曲线确定方法的优选方案，在桩基荷载试验加载量不足时p值根据首级荷载确定，q值根据桩基荷载试验数据库的样本采用BP神经网络法确定。
作为基于BP神经网络的桩基P～S曲线确定方法的优选方案，在桩基荷载试验数据库中选择与待确定桩基地质条件近似的10根以上的桩作为样本集，5根以上的桩作为训练集，通过误差训练得到以q值为目标的BP神经网络模型；模型训练完成并满足预设误差后，将待侧桩基数据引入BP神经网络模型得到q值，再利用桩土计算模型确定完整的P～S曲线，从而确定桩基极限承载力。
本发明以已有试桩形成的大数据样本为基础，并利用人工智能神经网络法建立了试桩测试参数与桩土计算模型关键参数之间的关系模型，实现线性、短程荷载试验数据条件下，完整P～S曲线的获得；可实现在轻型加载下桩基承载能力的确定，不仅解决了有加载限制条件的既有桩基荷载试验问题，也可有效降低新建桩基荷载试验成本和提高检测效率，在成本和效率兼顾的条件下增加桩基荷载试验数量，扩大承载力检测范围，从而提高桩基承载能力的可靠性；大大提高了确定桩基承载能力的准确性，既保证了桥梁运营安全，也避免承载力确定过低造成不必要的浪费。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例中提供的服役桥梁荷载试验P～S曲线；
图2为本发明实施例中提供的桩土计算模型构建示意图；
图3为本发明实施例中提供的基于BP神经网络的桩基P～S曲线确定方法技术思路示意图；
图4为本发明实施例中提供的验证基于BP神经网络的桩基P～S曲线确定方法的建设河桥桥梁总体示意图；
图5为采用本发明实施中的基于BP神经网络的桩基P～S曲线确定方法确定的P～S曲线示例。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
本领域技术人员知悉的，均质土体假定是经典土力学理论和方法研究中的重要前提之一。然而，实际工程中的地基土体一般是非均匀的，其土性参数(如压缩性和渗透性等)沿着埋深增加会发生变化，这使得基于均质土体假设的经典理论不可避免地存在一些局限性。Schiffman等提出土体的渗透性和压缩性以埋深的某种函数形式变化，Gibson在研究中又进一步假定，地基的剪切模量或杨氏模量随埋深线性增加，符合这一假定的地基通常被称为Gibson地基。
辅助图1，参阅图2和图3，提供一种基于BP神经网络的桩基P～S曲线确定方法，包括以下步骤：
构建桩基与土体的桩土计算模型，所述桩土计算模型采用第一双曲线函数表达桩体与桩侧土的力学关系，桩土计算模型采用第二双曲线函数表达桩体与桩端土的力学关系，根据Gibson地基理论确定桩侧土摩阻力模型和桩端土摩阻力模型；
采集桩基数据建立桩基荷载试验数据库，所述桩基荷载试验数据库包括桩基荷载试验P～S曲线、桩长、桩径、混凝土强度等级、混凝土弹性模量和桩基类型信息；
根据所述桩基荷载试验数据库确定所述桩侧土摩阻力模型和桩端土摩阻力模型的参数取值，所述桩侧土摩阻力模型包括拟合后桩侧土初始刚度变化斜率p，所述桩端土摩阻力模型包括拟合后桩端土摩阻力沿深度变化率q；
在桩基荷载试验数据库选择与待确定桩基地质条件近似的若干根桩基作为样本集，若干根桩基作为训练集，通过误差训练得到以q值为目标的BP神经网络模型；
所述BP神经网络模型训练完成并满足预设误差后，将待侧桩基数据引入所述BP神经网络模型得到q值，再根据所述桩土计算模型获得待侧桩基的P～S曲线以确定待测桩基极限承载力。
再次参见图2，具体的，所述桩土计算模型中，将桩身分为n段，各段桩身长度为1～2m，第一双曲线函数表达为：
Figure BDA0002422313970000071
Figure BDA0002422313970000072
Figure BDA0002422313970000073
Ti＝uτi (4)
Fi＝Fi-1+Ti (5)
式中：τi为第i桩段的单位面积桩侧摩阻力；Si为桩身与桩侧土的相对位移；ki为第i段桩桩土初始剪切刚度；τmi为第i段桩桩侧极限摩阻力；Ti为第i段桩桩侧摩阻力；Fi为第i段桩桩身轴力；ai为第i段桩桩土侧刚度到倒数值；bi为第i段桩桩土侧摩阻力极限值倒数值；u为桩身周长。
具体的，所述第二双曲线函数表达为：
Figure BDA0002422313970000074
Figure BDA0002422313970000075
Figure BDA0002422313970000076
F0＝Aσ0 (9)
式中：σ0为单位面积上桩端土的承载力；k0为桩端土的弹性抗压刚度系数；S0为桩端土的压缩沉降量；F0为桩端土的承载力；A为桩身截面面积；a0为桩端土刚度倒数值；b0为桩端土端阻力极限值倒数值；σm0为单位面积上桩端土的极限承载力。
具体的，所述桩侧土摩阻力模型根据Gibson地基理论近似按照直线模拟为：
ki＝pzi (10)
式中：ki为第i段桩桩土初始剪切刚度；p为拟合后桩侧土初始刚度变化斜率；zi为桩侧计算深度。
具体的，所述桩端土摩阻力模型根据Gibson地基理论近似按照直线模拟为：
τmi＝qzi (11)
式中：τmi为第i段桩桩侧极限摩阻力；q为拟合后桩端土摩阻力沿深度变化率；zi为桩侧计算深度。
具体的，根据桩基荷载试验数据库，按照桩侧土摩阻力模型和桩端土摩阻力模型确定p、q值；p确定时，忽略桩土位移将首级荷载桩侧土刚度近似为定值，即；
τi＝kiSi (12)
将公式(10)代入(12)得：
τi＝zipSi (13)
式中，τi为第i桩段的单位面积桩侧摩阻力，zi为桩侧计算深度，ki为第i段桩桩土初始剪切刚度；p为拟合后桩侧土初始刚度变化斜率；Si为桩身与桩侧土的相对位移。
具体的，桩端土初始刚度k0＝mk1，m取3～5，即：
σ0＝mk1S0 (14)
桩基的首级荷载P1为：
Figure BDA0002422313970000081
S1、S2…Si…Sn通过首级荷载位移S1值减去各段桩身压缩量逐段获得；l为桩段长度；m为桩端土初始刚度与侧刚度的转化系数。
具体的，对公式(15)进行试算拟合，确定p值以使得等式(15)成立。p值确定后，再利用桩土计算模型通过数据拟合确定q值，以获得确定待测桩基极限承载力的P～S曲线。
具体的，在桩基荷载试验加载量不足时p值根据首级荷载确定，q值根据桩基荷载试验数据库的样本采用BP神经网络法确定。在桩基荷载试验数据库中选择与待确定桩基地质条件近似的10根以上的桩作为样本集，5根以上的桩作为训练集，通过误差训练得到以q值为目标的BP神经网络模型；模型训练完成并满足预设误差后，将待侧桩基数据引入BP神经网络模型得到q值，再利用桩土计算模型确定完整的P～S曲线，从而确定桩基极限承载力。
桩基荷载P～S曲线，是判定桩基承载特性和桩基承载能力的最主要的参考依据，由于加载等级不够或者受加载条件限制，无法加载至极限。本发明以已有试桩形成的大数据样本为基础，并利用人工智能神经网络法建立了试桩测试参数与桩土计算模型关键参数之间的关系模型，实现线性、短程荷载试验数据条件下，完整P～S曲线的获得；可实现在轻型加载下桩基承载能力的确定，不仅解决了有加载限制条件的既有桩基荷载试验问题，也可有效降低新建桩基荷载试验成本和提高检测效率，在成本和效率兼顾的条件下增加桩基荷载试验数量，扩大承载力检测范围，从而提高桩基承载能力的可靠性。合理准确的P～S曲线的建立可以大大提高确定桩基承载能力的准确性，既保证了桥梁运营安全，也避免承载力确定过低造成不必要的浪费。
辅助参见图4和图5，为本发明技术方案的实践验证和运用。
(1)实践对象的工程概况：
建设河桥位于杭州风情大道与萧山机场公路交汇处的西兴互通。因萧山机场公路改扩建，需要将其拆除重建。根据已搜集到的竣工图、地质勘查资料和现场勘查，建设河桥上部结构为桥面连续的简支空心板，跨径组合为10m+16m+10m，桥面布置为0.5m(防撞护栏)+19.0m(行车道)+0.5m(防撞护栏)。该桥桥台与桥墩均为桩柱式、钻孔桩基础，桩与柱结合部无系梁，柱顶有盖梁。钻孔桩、墩柱和盖梁均采用25号混凝土。桥梁设计荷载等级为汽车超-20级、挂车-120，于1996年底建成通车。
建设河桥右幅桥拆除前，在右幅桥采用重车进行加载，仅得到两级荷载，单桩加载最大吨位为1059kN，受加载条件限制，加载等级不够，无法加载至极限。
借助本发明技术方案，选取24根桩作为训练集，9根桩作为测试集作为BP神经网络模型建模数据，1根桩为待拟合桩。具体数据如表1所示。
表1桩基BP神经网络模型建模数据
Figure BDA0002422313970000101
Figure BDA0002422313970000111
参见图5，为根据神经网络计算模型得到的q值结合其他已知条件得到的桩顶受力P～S曲线，由表1可知测试集q值误差在-13％～10％之间，满足工程需要。通过获得的P～S曲线可知桩基极限承载力为4200kN，与设计极限值接近。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.基于BP神经网络的桩基P～S曲线确定方法，其特征在于，包括以下步骤：
构建桩基与土体的桩土计算模型，所述桩土计算模型采用第一双曲线函数表达桩体与桩侧土的力学关系，桩土计算模型采用第二双曲线函数表达桩体与桩端土的力学关系，根据Gibson地基理论确定桩侧土摩阻力模型和桩端土摩阻力模型；
采集桩基数据建立桩基荷载试验数据库，所述桩基荷载试验数据库包括桩基荷载试验P～S曲线、桩长、桩径、混凝土强度等级、混凝土弹性模量和桩基类型信息；
根据所述桩基荷载试验数据库确定所述桩侧土摩阻力模型和桩端土摩阻力模型的参数取值，所述桩侧土摩阻力模型包括拟合后桩侧土初始刚度变化斜率p，所述桩端土摩阻力模型包括拟合后桩端土摩阻力沿深度变化率q；
在桩基荷载试验数据库选择与待确定桩基地质条件近似的若干根桩基作为样本集，若干根桩基作为训练集，通过误差训练得到以q值为目标的BP神经网络模型；
所述BP神经网络模型训练完成并满足预设误差后，将待侧桩基数据引入所述BP神经网络模型得到q值，再根据所述桩土计算模型获得待侧桩基的P～S曲线以确定待测桩基极限承载力。
2.根据权利要求1所述的基于BP神经网络的桩基P～S曲线确定方法，其特征在于，所述桩土计算模型中，将桩身分为n段，各段桩身长度为1～2m，第一双曲线函数表达为：
Figure FDA0002422313960000011
Figure FDA0002422313960000012
Figure FDA0002422313960000013
Ti＝uτi (4)
Fi＝Fi-1+Ti (5)
式中：τi为第i桩段的单位面积桩侧摩阻力；Si为桩身与桩侧土的相对位移；ki为第i段桩桩土初始剪切刚度；τmi为第i段桩桩侧极限摩阻力；Ti为第i段桩桩侧摩阻力；Fi为第i段桩桩身轴力；ai为第i段桩桩土侧刚度到倒数值；bi为第i段桩桩土侧摩阻力极限值倒数值；u为桩身周长。
3.根据权利要求2所述的基于BP神经网络的桩基P～S曲线确定方法，其特征在于，所述第二双曲线函数表达为：
Figure FDA0002422313960000021
Figure FDA0002422313960000022
Figure FDA0002422313960000023
F0＝Aσ0 (9)
式中：σ0为单位面积上桩端土的承载力；k0为桩端土的弹性抗压刚度系数；S0为桩端土的压缩沉降量；F0为桩端土的承载力；A为桩身截面面积；a0为桩端土刚度倒数值；b0为桩端土端阻力极限值倒数值；σm0为单位面积上桩端土的极限承载力。
4.根据权利要求3所述的基于BP神经网络的桩基P～S曲线确定方法，其特征在于，所述桩侧土摩阻力模型根据Gibson地基理论近似按照直线模拟为：
ki＝pzi (10)
式中：ki为第i段桩桩土初始剪切刚度；p为拟合后桩侧土初始刚度变化斜率；zi为桩侧计算深度。
5.根据权利要求4所述的基于BP神经网络的桩基P～S曲线确定方法，其特征在于，所述桩端土摩阻力模型根据Gibson地基理论近似按照直线模拟为：
τmi＝qzi (11)
式中：τmi为第i段桩桩侧极限摩阻力；q为拟合后桩端土摩阻力沿深度变化率；zi为桩侧计算深度。
6.根据权利要求5所述的基于BP神经网络的桩基P～S曲线确定方法，其特征在于，根据桩基荷载试验数据库，按照桩侧土摩阻力模型和桩端土摩阻力模型确定p、q值；p确定时，忽略桩土位移将首级荷载桩侧土刚度近似为定值，即；
τi＝kiSi (12)
将公式(10)代入(12)得：
τi＝zipSi (13)
式中，τi为第i桩段的单位面积桩侧摩阻力，zi为桩侧计算深度，ki为第i段桩桩土初始剪切刚度；p为拟合后桩侧土初始刚度变化斜率；Si为桩身与桩侧土的相对位移。
7.根据权利要求6所述的基于BP神经网络的桩基P～S曲线确定方法，其特征在于，桩端土初始刚度k0＝mk1，m取3～5，即：
σ0＝mk1S0 (14)
桩基的首级荷载P1为：
Figure FDA0002422313960000031
S1、S2…Si…Sn通过首级荷载位移S1值减去各段桩身压缩量逐段获得；l为桩段长度；m为桩端土初始刚度与侧刚度的转化系数。
8.根据权利要求7所述的基于BP神经网络的桩基P～S曲线确定方法，其特征在于，对公式(15)进行试算拟合，确定p值以使得等式(15)成立；
p值确定后，再利用桩土计算模型通过数据拟合确定q值，以获得确定待测桩基极限承载力的P～S曲线。
9.根据权利要求8所述的基于BP神经网络的桩基P～S曲线确定方法，其特征在于，在桩基荷载试验加载量不足时p值根据首级荷载确定，q值根据桩基荷载试验数据库的样本采用BP神经网络法确定。
10.根据权利要求9所述的基于BP神经网络的桩基P～S曲线确定方法，其特征在于，在桩基荷载试验数据库中选择与待确定桩基地质条件近似的10根以上的桩作为样本集，5根以上的桩作为训练集，通过误差训练得到以q值为目标的BP神经网络模型；模型训练完成并满足预设误差后，将待侧桩基数据引入BP神经网络模型得到q值，再利用桩土计算模型确定完整的P～S曲线，从而确定桩基极限承载力。
CN202010209430.XA 2020-03-23 2020-03-23 基于bp神经网络的桩基p～s曲线确定方法 Active CN111428297B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010209430.XA CN111428297B (zh) 2020-03-23 2020-03-23 基于bp神经网络的桩基p～s曲线确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010209430.XA CN111428297B (zh) 2020-03-23 2020-03-23 基于bp神经网络的桩基p～s曲线确定方法

Publications (2)

Publication Number Publication Date
CN111428297A true CN111428297A (zh) 2020-07-17
CN111428297B CN111428297B (zh) 2023-04-28

Family

ID=71549384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010209430.XA Active CN111428297B (zh) 2020-03-23 2020-03-23 基于bp神经网络的桩基p～s曲线确定方法

Country Status (1)

Country Link
CN (1) CN111428297B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329287A (zh) * 2020-10-21 2021-02-05 武汉大学 一种基于试桩监测数据的p-y曲线贝叶斯学习方法
CN113175006A (zh) * 2021-04-01 2021-07-27 华侨大学 一种新型桩基竖向荷载沉降曲线预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004125713A (ja) * 2002-10-04 2004-04-22 Wedge Corp 杭の載荷試験の解析方法
CN103266634A (zh) * 2013-01-09 2013-08-28 交通运输部公路科学研究所 一种超长钻孔灌注桩承载力确定方法
CN105926687A (zh) * 2016-05-03 2016-09-07 交通运输部公路科学研究所 采用小位移加载确定桩基竖向承载力的方法
CN108304674A (zh) * 2018-02-09 2018-07-20 陕西铁路工程职业技术学院 一种基于bp神经网络的铁路软土路基沉降预测方法
CN108446413A (zh) * 2017-12-06 2018-08-24 青岛理工大学 一种注浆成型扩底桩桩径的优化测定方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004125713A (ja) * 2002-10-04 2004-04-22 Wedge Corp 杭の載荷試験の解析方法
CN103266634A (zh) * 2013-01-09 2013-08-28 交通运输部公路科学研究所 一种超长钻孔灌注桩承载力确定方法
CN105926687A (zh) * 2016-05-03 2016-09-07 交通运输部公路科学研究所 采用小位移加载确定桩基竖向承载力的方法
CN108446413A (zh) * 2017-12-06 2018-08-24 青岛理工大学 一种注浆成型扩底桩桩径的优化测定方法
CN108304674A (zh) * 2018-02-09 2018-07-20 陕西铁路工程职业技术学院 一种基于bp神经网络的铁路软土路基沉降预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王祥秋等: "桩基极限承载力与沉降量的神经网络预测", 《地下空间》 *
陈铁冰: "基于神经网络的混凝土预制桩单桩竖向极限承载力参数分析", 《公路交通科技》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329287A (zh) * 2020-10-21 2021-02-05 武汉大学 一种基于试桩监测数据的p-y曲线贝叶斯学习方法
CN112329287B (zh) * 2020-10-21 2022-04-15 武汉大学 一种基于试桩监测数据的p-y曲线贝叶斯学习方法
CN113175006A (zh) * 2021-04-01 2021-07-27 华侨大学 一种新型桩基竖向荷载沉降曲线预测方法

Also Published As

Publication number Publication date
CN111428297B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN105953996B (zh) 一种基于冲击振动的桥梁检测评估方法与设备
US8290718B2 (en) Bridge monitoring and safety evaluation method using a vibration technique
CN106197910A (zh) 一种基于车桥耦合振动分析的桥梁检测方法与检测系统
CN111428297B (zh) 基于bp神经网络的桩基p～s曲线确定方法
CN107016194A (zh) 基于多尺度有限元建模的桥梁缆索体系劣化性能分析方法
CN114329709A (zh) 盾构隧道服役性能快速诊断和发展趋势预测方法
CN111365051A (zh) 基于反馈算法传递函数的炭质岩隧道锚杆应力估算方法
CN114841532A (zh) 一种盾构开挖过程中地表沉降的安全性评价方法和系统
Kim et al. Reliability-based evaluation of load carrying capacity for a composite box girder bridge
Yang et al. Moving load identification of small and medium-sized bridges based on distributed optical fiber sensing
Xiong et al. Seismic vulnerability analysis of simply supported continuous bridge during construction
CN115146345B (zh) 一种静动力相结合的桥梁船撞抗力及设防船型确定方法
Haque Field instrumentation and testing to study set-up phenomenon of driven piles and its implementation in LRFD design methodology
CN115577619A (zh) 基于机器学习预测液化土残余抗剪强度的方法
Moyo et al. Bridge live loading assessment and load carrying capacity estimation using health monitoring system and dynamic testing
Liang et al. Applying fuzzy mathematics to evaluating the membership of existing reinforced concrete bridges in Taipei
CN110082206B (zh) 一种考虑销孔间隙影响的钢桁架人行天桥静载试验评价方法
Yan et al. Research on engineering geomechanics characteristics and CFRP reinforcement technology based on machine learning algorithms
Pucinotti et al. Multi-Span Steel–Concrete Bridges With Anti-seismic Devices: A Case Study
Leto PRELIMINARY DESIGN OF THE MESSINA STRAIT BRIDGE.
Wang et al. Seismic vulnerability analysis of cable-stayed bridge during rotation construction
Liu et al. Seismic Damage Rapid Assessment of Road Networks considering Individual Road Damage State and Reliability of Road Networks in Emergency Conditions
Franetović et al. Seismic Assessment of existing bridges in Croatia
Shenton et al. Load rating of bridges without plans
Ma et al. Application of Soil Parameter Inversion Method Based on BP Neural Network in Foundation Pit Deformation Prediction

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