CN113152541B - 单桩水平承载力的快速检测方法 - Google Patents
单桩水平承载力的快速检测方法 Download PDFInfo
- Publication number
- CN113152541B CN113152541B CN202110372200.XA CN202110372200A CN113152541B CN 113152541 B CN113152541 B CN 113152541B CN 202110372200 A CN202110372200 A CN 202110372200A CN 113152541 B CN113152541 B CN 113152541B
- Authority
- CN
- China
- Prior art keywords
- weight coefficient
- bearing capacity
- horizontal bearing
- coefficient vector
- pile
- 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
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
- E02D33/00—Testing foundations or foundation structures
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
- E02D27/00—Foundations as substructures
- E02D27/10—Deep foundations
- E02D27/12—Pile foundations
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种单桩水平承载力的快速检测方法,其通过采集待测单桩在各种工况下的特征数据,根据各组特征数据构建待测输入矩阵和输出向量,通过输入矩阵和输出向量训练出单桩水平承载力的快速检测模型,采集现场的特征数据,根据训练好的模型确定待测单桩的水平承载力。该方法具有计算原理简明、成本低、计算精度可控、实施难度低、能利用过往静载试验数据等优点,克服了传统桩基水平承载力计算方法原理复杂难懂,桩基静载试验成本高和操作难度大等问题,在保证计算精度的情况下可实现快速计算,为单桩的设计及施工提供了有效的技术手段。
Description
技术领域
本发明涉及桩基承载力技术领域,尤其涉及一种单桩水平承载力的快速检测方法。
背景技术
随着经济发展,大型桥梁和超高层建筑拔地而起,其上部结构时常受到诸如风荷载、波浪荷载、轮船车辆撞击荷载等水平作用。由于忽视桩基水平承载力的核算与复核,造成了不少工程事故,因此工程界越来越重视对桩基水平承载力的研究。
桩基的水平荷载承载力确定是一项十分复杂的研究,其需要考虑桩基与地基土的相互作用。目前,单桩水平承载力的确定主要有静载试验和计算分析两类方法。国内外对桩基水平承载力的测试主要是在工程现场打入多根试验桩,通过大量的反力装置及对试验桩施加水平荷载,观察试验桩的变形破坏情况。为了能给试验桩提供足够大的水平反力,在测试一根试验桩的同时需另外打入多根反力桩。静载试验方法简单直接,可靠度较高,但是缺点也很明显。例如需要提供较大的试验场地,测试成本高,容易出现断桩情况导致试验失败等。另一方面,计算分析也成为确定单桩水平承载力的重要手段。桩基水平承载力的计算分析方法大体可分为弹性理论法、数值法和地基反力法三类,各种方法均有一定的局限性。弹性理论法忽略了土体的非线性,对土体弹性体的弹性模量E的选取较敏感;数值法的结果精确程度与输入的土体参数有很大的关系,而土体参数大多是通过物理实验测定得到的,这很大程度上制约了数值计算结果的可靠性;地基反力法实际上采用Winker地基模型,但其将土离散成一个个独立的弹簧而忽略了土的连续性。
不管采用何种方法,桩基水平承载力的确定都较为繁琐。静力试验方法消耗时间和费用,传统的计算分析方法过程繁琐而且结果精度得不到保证。因此,对于提高桩基承载力检测效率,降低工程成本等方面,发明简便且精确的单桩水平承载力计算方法具有很重要的工程意义。
发明内容
针对以上问题,本发明提出一种单桩水平承载力的快速检测方法,可实现通过简单的数据采集,快速地获得单桩水平承载力。
为实现本发明的目的,提供一种单桩水平承载力的快速检测方法,包括如下步骤:
S10,采集待测单桩在各种工况下的特征数据,根据各组特征数据构建待测输入矩阵和输出向量;其中,所述特征数据包括地质条件、桩径、桩身材料和/或埋深;
S30,采集现场的特征数据,根据训练好的模型确定待测单桩的水平承载力。
在一个实施例中,快速检测模型的构建过程包括:
S21,采集样本输入数据和样本输出数据,根据样本输入数据和样本输出数据构建样本数据;其中,所述样本输入数据包括预先采集的多个单桩特征数据,所述样本输出数据包括样本输入数据对应的水平承载力;
S22,构建单桩特征数据与水平承载力之间的输入-输出关系;所述输入-输出关系包括:R=X A+ε(σ2),其中,A表示权重系数向量,X表示样本输入数据,R表示样本输出数据,ε(σ2)为水平承载力的拟合误差,ε(σ2)~N(0,σ2EN),EN为N维单位矩阵,σ2表示水平承载力模型误差的方差,N(0,σ2EN)表示以零为均值,协方差矩阵为σ2EN的N维正态分布,符号~表示服从某种分布形式;
S23,采用据贝叶斯定理针对输入-输出关系确定权重系数向量A的后验分布;
具体地,权重系数向量A的后验分布包括:
其中,p(A|σ2,D)表示权重系数向量A的后验分布,p(D|A,σ2)为预先采集的单桩特征数据的似然函数,表征权重系数向量A和σ2在线性方程模型下对系统单桩特征数据和该单桩特征数据对应的水平承载力之间的拟合程度,符号∝表示成正比,p(A)为A的先验分布,p(σ2)为σ2的先验分布,argmax p(A|σ2,D)表示求p(A|σ2,D)的最大值。
上述单桩水平承载力的快速检测方法,具有计算原理简明、成本低、计算精度可控、实施难度低、能利用过往静载试验数据等优点,克服了传统桩基水平承载力计算方法原理复杂难懂,桩基静载试验成本高和操作难度大等问题,在保证计算精度的情况下可实现快速计算,为单桩的设计及施工提供了有效的技术手段。
附图说明
图1是一个实施例的单桩水平承载力的快速检测方法流程图;
图2是另一个实施例的单桩水平承载力的快速检测方法流程图;
图3是一个实施例中均匀先验分布条件下单桩水平承载力估计值与真实值的对比图;
图4是一个实施例中非均匀先验分布条件下单桩水平承载力估计值与真实值的对比图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参考图1所示,图1为一个实施例的单桩水平承载力的快速检测方法流程图,包括如下步骤:S10,采集待测单桩在各种工况下的特征数据,根据各组特征数据构建待测输入矩阵和输出向量;其中,所述特征数据包括地质条件、桩径、桩身材料和/或埋深。
各种工况为互不相同的工况(如地质条件、桩径、桩身材料、埋深等影响因素中的至少一个因素不同),一个工况包括一组特征数据,上述各组特征数据包括待测单桩在各种工况下的地质条件、桩径、桩身材料、埋深等数据。
S30,采集现场的特征数据,根据训练好的快速检测模型确定待测单桩的水平承载力。
上述单桩水平承载力的快速检测方法,通过采集待测单桩在各种工况下的特征数据,根据各组特征数据构建待测输入矩阵和输出向量,通过输入矩阵和输出向量训练出单桩水平承载力的快速检测模型,采集现场的特征数据,根据训练好的模型确定待测单桩的水平承载力,有效简化了检测单桩水平承载力的过程,提高了单桩水平承载力检测的效率和准确性。
在一个实施例中,快速检测模型的构建过程包括:
S21,采集样本输入数据和样本输出数据,根据样本输入数据和样本输出数据构建样本数据;其中,所述样本输入数据包括预先采集的多个单桩特征数据,所述样本输出数据包括样本输入数据对应的水平承载力。
该步骤可以实现数据采集,具体通过有限元模拟和静载试验的方式,考虑的深度范围为地面以下2(d+1)内,采集单桩在地质条件、桩径(d)、桩身材料、埋深等不同影响因素下的N组数据。采集的数据包括输入数据(样本输入数据)和输出数据(样本输出数据)。输出数据为N种不同工况下单桩水平承载力向量第k组输入数据以向量的形式表达如下:
其中,为第i层土的静力触探比贯入阻力与土层平均深度的比值,通常2(d+1)深度范围内的土层不会超过三层,如果指定深度范围内土层不足三层,则多余的参数取零;b0为单桩桩身计算宽度;EI为单桩桩身抗弯刚度;h为桩的入土深度;χ为单桩桩顶允许水平位移;ρg为桩身配筋率;αc为桩顶约束条件系数,当桩顶与承台间的连接条件为自由连接时,取1.0;当连接条件为嵌固连接时,取1.2。
1为常数项。
S22,构建单桩特征数据与水平承载力之间的输入-输出关系;所述输入-输出关系包括:R=X A+ε(σ2),其中,A表示权重系数向量,X表示样本输入数据,R表示样本输出数据,ε(σ2)为水平承载力的拟合误差,ε(σ2)~N(0,σ2EN),EN为N维单位矩阵,σ2表示水平承载力模型误差的方差,N(0,σ2EN)表示以零为均值,协方差矩阵为σ2EN的N维正态分布,符号~表示服从某种分布形式。
S23,采用据贝叶斯定理针对输入-输出关系确定权重系数向量A的后验分布。
该步骤可以进行贝叶斯推理反算。
具体地,权重系数向量A的后验分布包括:
其中,p(A|σ2,D)表示权重系数向量A的后验分布,p(D|A,σ2)为预先采集的单桩特征数据的似然函数,表征权重系数向量A和σ2在线性方程模型下对系统单桩特征数据和该单桩特征数据对应的水平承载力之间的拟合程度,符号∝表示成正比,p(A)为A的先验分布,p(σ2)为σ2的先验分布,argmax p(A|σ2,D)表示求p(A|σ2,D)的最大值。具体地,不同的未知参数(A和σ2)先验分布,最优值对应不同的后验协方差矩阵
具体地,p(D|A,σ2)服从正态分布,表达式如下:
在一个实施例中,上述单桩水平承载力的快速检测方法通过有限元模拟和实测的对相关数据进行采集,构建单桩水平承载力R和各土层的静力触探比贯入阻力与土层平均深度的比值单桩桩身计算宽度b0、单桩桩身抗弯刚度EI、桩的入土深度h、单桩桩顶允许水平位移χ等影响桩基承载力的因素的关系表达式,具有原理简明、成本低、计算精度可控、实施难度低、能利用过往静载试验数据等优点。相应的流程图也可以参考图2所示,详细步骤如下:
(1)数据采集。通过有限元模拟和静载试验的方式,考虑的深度范围为地面以下2(d+1)内,采集单桩在地质条件、桩径、桩身材料、埋深等不同影响因素下的N组数据。采集的数据包括输入数据和输出数据。输出数据为N种不同工况下单桩水平承载力向量第k组输入数据以向量的形式表达如下:
其中,为第i层土的静力触探比贯入阻力与土层平均深度的比值,通常2(d+1)深度范围内的土层不会超过三层,如果指定深度范围内土层不足三层,则多余的参数取零;b0为单桩桩身计算宽度;EI为单桩桩身抗弯刚度;h为桩的入土深度;χ为单桩桩顶允许水平位移;ρg为桩身配筋率;αc为桩顶约束条件系数,当桩顶与承台间的连接条件为自由连接时,取1.0;当连接条件为嵌固连接时,取1.2,1为常数项。
(2)输入-输出关系的数学模型的建立。输入-输出数据的关系表达式为
R=X A+ε(σ2),
(3)贝叶斯推理反算。根据贝叶斯定理,权重系数向量A的后验分布为:
其中,p(D|A,σ2)为数据的似然函数,反映了待求参数A和σ2在线性方程模型下对系统输入-输出数据D的拟合程度。p(A)和p(σ2)(A和σ2)为未知参数的先验分布。
不同的未知参数先验分布,最优值对应不同的后验协方差矩阵,从而可以对其进行不确定性量化研究分析。参数的先验分布根据以往的经验确定,合理准确的先验分布对后验分布估计的准确性起到一定的辅助作用。然而,当数据量较大时,先验分布对后验分布的作用较小,即不同的先验分布下的后验分布变化不大。
(4)误差收敛判断。当小于预先设定的误差阈值时,代表输入-输出关系式(即快速检测模型)构建完成,否则应增大样本数据的数量N,并重复(1)~(4),直到符合误差阈值的要求。当假设参数A和σ2的先验分布均服从均匀分布时,桩基水平承载力的真实值和估计值见图3;当假设参数A和σ2的先验分布分别服从高斯分布和逆伽马分布时,桩基水平承载力的真实值和估计值见图4。由此可见,合理的先验分布可以使得桩基水平承载力更加准确,不确定性更小,估算精度更高。
需要说明的是,在本实施例中单桩水平承载力的估计值和实际值基本接近。当假设参数的先验分布服从均匀分布时,估计值和实际值的相关系数达到0.9469;当假设参数的先验分布服从非均匀分布时,相关系数达到0.9822。这进一步地说明了合理的先验分布可以提高单桩水平承载力的估计精度。
本实施例具有计算原理简明、成本低、计算精度可控、实施难度低、能利用过往静载试验数据等优点,克服了传统桩基水平承载力计算方法原理复杂难懂,桩基静载试验成本高和操作难度大等问题,在保证计算精度的情况下可实现快速计算,为单桩的设计及施工提供了有效的技术手段。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本申请实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种单桩水平承载力的快速检测方法,其特征在于,包括如下步骤:
S10,采集待测单桩在各种工况下的特征数据,根据各组特征数据构建待测输入矩阵和输出向量;其中,所述特征数据包括地质条件、桩径、桩身材料和/或埋深;
S30,采集现场的特征数据,根据训练好的快速检测模型确定待测单桩的水平承载力;
快速检测模型的构建过程包括:
S21,采集样本输入数据和样本输出数据,根据样本输入数据和样本输出数据构建样本数据;其中,所述样本输入数据包括预先采集的多个单桩特征数据,所述样本输出数据包括样本输入数据对应的水平承载力;
S22,构建单桩特征数据与水平承载力之间的输入-输出关系;所述输入-输出关系包括:R=X A+ε(σ2),其中,A表示权重系数向量,X表示样本输入数据,R表示样本输出数据,ε(σ2)为水平承载力的拟合误差,ε(σ2)~N(0,σ2EN),EN为N维单位矩阵,σ2表示水平承载力模型误差的方差,N(0,σ2EN)表示以零为均值,协方差矩阵为σ2EN的N维正态分布,符号~表示服从某种分布形式;
S23,采用据贝叶斯定理针对输入-输出关系确定权重系数向量A的后验分布;
权重系数向量A的后验分布包括:
其中,p(A|σ2,D)表示权重系数向量A的后验分布,p(D|A,σ2)为预先采集的单桩特征数据的似然函数,表征权重系数向量A和σ2在线性方程模型下对系统单桩特征数据和该单桩特征数据对应的水平承载力之间的拟合程度,符号∝表示成正比,p(A)为A的先验分布,p(σ2)为σ2的先验分布,argmax p(A|σ2,D)表示求p(A|σ2,D)的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110372200.XA CN113152541B (zh) | 2021-04-07 | 2021-04-07 | 单桩水平承载力的快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110372200.XA CN113152541B (zh) | 2021-04-07 | 2021-04-07 | 单桩水平承载力的快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113152541A CN113152541A (zh) | 2021-07-23 |
CN113152541B true CN113152541B (zh) | 2022-05-06 |
Family
ID=76888858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110372200.XA Active CN113152541B (zh) | 2021-04-07 | 2021-04-07 | 单桩水平承载力的快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113152541B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100560875C (zh) * | 2007-04-25 | 2009-11-18 | 广东省建筑科学研究院 | 单桩竖向抗拔静载试验的改进测试方法 |
CN103870692B (zh) * | 2014-03-17 | 2017-05-03 | 上海岩土工程勘察设计研究院有限公司 | 一种桩基水平承载力简化计算方法 |
CN110565704B (zh) * | 2019-08-12 | 2021-06-18 | 中国能源建设集团江苏省电力设计院有限公司 | 一种风机静载试验时单桩水平加载力的计算方法 |
-
2021
- 2021-04-07 CN CN202110372200.XA patent/CN113152541B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113152541A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Beven et al. | The future of distributed models: model calibration and uncertainty prediction | |
Jan et al. | Neural network forecast model in deep excavation | |
CN111609805B (zh) | 基于全分布应变测点断面曲率的隧道结构状态诊断方法 | |
Jeong et al. | Proposed nonlinear 3-D analytical method for piled raft foundations | |
Kaya | Predicting liquefaction-induced lateral spreading by using neural network and neuro-fuzzy techniques | |
Jiang et al. | Efficient system reliability analysis of rock slopes based on Subset simulation | |
Mayoraz et al. | Using neural networks to predict slope movements | |
CN112199894B (zh) | 一种非贯通节理边坡稳定性的可靠度计算方法 | |
Davarci et al. | Analyses of multi-edge footings rested on loose and dense sand | |
CN111460708A (zh) | 基于优化神经网络的大坝力学参数预测方法 | |
Mara et al. | A comparison of two Bayesian approaches for uncertainty quantification | |
Mamat et al. | Slope stability prediction of road embankment on soft ground treated with prefabricated vertical drains using artificial neural network | |
Shi et al. | Non-parametric prediction of the long-term fatigue damage for an instrumented top-tensioned riser | |
Zeng et al. | Probabilistic damage detection and identification of coupled structural parameters using Bayesian model updating with added mass | |
Harandizadeh | Developing a new hybrid soft computing technique in predicting ultimate pile bearing capacity using cone penetration test data | |
CN113152541B (zh) | 单桩水平承载力的快速检测方法 | |
Ahmad et al. | Evaluation of liquefaction-induced lateral displacement using Bayesian belief networks | |
CN117669394B (zh) | 一种山区峡谷桥梁长期性能综合评估方法及系统 | |
Zhang et al. | Indirect ice load monitoring and strength analysis of a steel gate considering uncertainties | |
Luck et al. | Development and evaluation of an automated spray patternator using digital liquid level sensors | |
Ebrahimian et al. | Evaluating ε50 for lateral load–displacement behavior of piles in clay | |
CN113111416A (zh) | 基于数据驱动的钢筋混凝土结构地震损伤量化评估方法 | |
Gottardi et al. | Structural stress prediction based on deformations using artificial neural networks trained with artificial noise | |
Sevieri | The seismic assessment of existing concrete gravity dams: FE model uncertainty quantification and reduction. | |
Wang et al. | Far-field identification of ice loads on ship structures by radial basis function neural network |
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 |