CN116090079B - 蠕变岩体的抗滑桩设计方法、装置、设备及可读存储介质 - Google Patents
蠕变岩体的抗滑桩设计方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116090079B CN116090079B CN202310364468.8A CN202310364468A CN116090079B CN 116090079 B CN116090079 B CN 116090079B CN 202310364468 A CN202310364468 A CN 202310364468A CN 116090079 B CN116090079 B CN 116090079B
- Authority
- CN
- China
- Prior art keywords
- creep
- slide
- rock mass
- creep rock
- rock
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/23—Dune restoration or creation; Cliff stabilisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明提供了一种蠕变岩体的抗滑桩设计方法、装置、设备及可读存储介质,涉及抗滑桩设计技术领域,包括获取若干个蠕变岩体的工程地质数据,并利用随机谐波函数确定每个蠕变岩体的蠕变岩体特性;从抗滑桩基础设计数据库中获取与每个蠕变岩体对应的抗滑桩设计数据;利用每个蠕变岩体对应的工程地质数据、蠕变岩体特性和抗滑桩设计数据构建训练集和测试集;搭建神经网络模型,利用所述训练集和测试集对神经网络模型进行训练和测试得到抗滑桩设计模型;将目标蠕变岩体的工程地质数据和蠕变岩体特性输入所述抗滑桩设计模型,得到多个预选抗滑桩设计方案。本发明用于解决现有技术中的蠕变岩体抗滑桩的设计方法存在成本高和资源浪费的技术问题。
Description
技术领域
本发明涉及抗滑桩设计技术领域,具体而言,涉及蠕变岩体的抗滑桩设计方法、装置、设备及可读存储介质。
背景技术
由于桩基础位于斜坡上,受到边坡土压力(滑坡下滑力),对斜坡起到一定的抗滑作用。由于抗滑桩的设计仍处于人工操控的阶段,对于复杂的边坡下(如蠕变岩体)的抗滑桩设计,由于需要考虑设计参数的数量和多种参数的相互耦合使得人工操作大大增加了错误率,而为了减小这种错误率,设计上往往过于保守,对于材料以及经济成本产生了极大的浪费。因此,本发明提供了一种蠕变岩体的抗滑桩设计方法,不仅可以减少人力成本,还能降低复杂设计中的错误率。
发明内容
本发明的目的在于提供一种蠕变岩体的抗滑桩设计方法、装置、设备及可读存储介质,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了蠕变岩体的抗滑桩设计方法,包括:
获取若干个蠕变岩体的工程地质数据,并利用随机谐波函数确定每个蠕变岩体的蠕变岩体特性;
基于工程地质数据和蠕变岩体特性,从抗滑桩基础设计数据库中获取与每个蠕变岩体对应的抗滑桩设计数据;
利用每个蠕变岩体对应的工程地质数据、蠕变岩体特性和抗滑桩设计数据构建训练集和测试集;
搭建神经网络模型,利用所述训练集和测试集对神经网络模型进行训练和测试得到抗滑桩设计模型;
将目标蠕变岩体的工程地质数据和蠕变岩体特性输入所述抗滑桩设计模型,得到多个预选抗滑桩设计方案。
第二方面,本申请还提供了一种蠕变岩体的抗滑桩设计装置,包括:
第一获取模块:获取若干个蠕变岩体的工程地质数据,并利用随机谐波函数确定每个蠕变岩体的蠕变岩体特性;
第二获取模块:基于工程地质数据和蠕变岩体特性,从抗滑桩基础设计数据库中获取与每个蠕变岩体对应的抗滑桩设计数据;
样本集构成模块:利用每个蠕变岩体对应的工程地质数据、蠕变岩体特性和抗滑桩设计数据构建训练集和测试集;
模型训练模块:搭建神经网络模型,利用所述训练集和测试集对神经网络模型进行训练和测试得到抗滑桩设计模型;
设计模块:将目标蠕变岩体的工程地质数据和蠕变岩体特性输入所述抗滑桩设计模型,得到多个预选抗滑桩设计方案。
第三方面,本申请还提供了一种蠕变岩体的抗滑桩设计设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述蠕变岩体的抗滑桩设计方法的步骤。
第四方面,本申请还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于蠕变岩体的抗滑桩设计方法的步骤。
本发明的有益效果为:
本发明通过随机谐波函数确定岩体空间分布的不均匀性,得到岩体的蠕变本构模型和对应的岩体蠕变参数,利用蠕变本构模型和对应的岩体蠕变参数在蠕变岩体数据库中查询到对应的抗滑桩设计方案,从而构建出大量的样本数据库。再利用所述样本数据库训练神经网络模型,从而得到抗滑桩设计模型。利用所述抗滑桩设计模型判断和选取抗滑桩设计方案可大大减少时间成本和人力成本。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的蠕变岩体的抗滑桩设计方法流程示意图;
图2为本发明实施例中所述的蠕变岩体的抗滑桩设计装置结构示意图;
图3为本发明实施例中所述的蠕变岩体的抗滑桩设计装置结构示意图;
图4为本发明实施例中所述的蠕变岩体的抗滑桩设计设备结构示意图。
图中标记:
01、第一获取模块;011、强度确定单元;012、随机生成单元;013、第一划分单元;014、函数构建单元;0141、第一确定单元;0142、第一计算单元;0143、第二计算单元;0144、第一构建单元;015、第二确定单元;0151、第三计算单元;0152、第四计算单元;0153、第五计算单元;016、属性参数构成单元;017、第一获取单元;02、第二获取模块;03、样本集构成模块;031、第二构建单元;032、第三构建单元;033、第四构建单元;034、第二划分单元;04、模型训练模块;05、设计模块;06、筛选模块;061、第二获取单元;062、遍历单元;063、判断单元;064、第三确定单元;
800、蠕变岩体的抗滑桩设计设备;801、处理器;802、存储器;803、多媒体组件;804、I/O接口;805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
岩石的蠕变特性不仅存在于软岩中,在破碎岩体和裂隙岩体等材料中也广泛存在。由于岩石类型的不同、岩体材料不均匀,导致岩体特性的空间变异性,使岩体内部不同位置的蠕变规律存在差别。而岩体中的蠕变本构模型和蠕变本构模型参数的识别是长期以来研究的内容,为获取精确的蠕变本构参数需要开展大量的室内和现场蠕变试验,时间长、成本高。而蠕变本构模型不同,抗滑桩的的设计方案也不同。因此,在确定抗滑桩的基础设计方案之前,需要准确判断出蠕变岩体的蠕变本构模型和蠕变本构模型参数。
为了改善上述技术问题,本发明实施例中提供的技术方案。下面将结合具体例子及附图,对本发明实施例中提供的实施例进行详细描述。
实施例1:
本实施例提供了一种蠕变岩体的抗滑桩设计方法。
参见图1,图中示出了本方法包括:
S1.获取若干个蠕变岩体的工程地质数据,并利用随机谐波函数确定每个蠕变岩体的蠕变岩体特性;
具体的,所述工程地质数据包括:包括地层信息、水文地质信息、区域震级、附加荷载等。
所述步骤S1包括:
S14.利用所述波数和矩形区域的子波数域构建矩形区域的功率谱密度函数;
具体的,所述步骤S14包括:
S144.由第一计算参数、第二计算参数和波数构建当前矩形区域的功率谱密度函数:
S15.根据蠕变岩体的均值强度、波数、相位角、矩形区域的功率谱密度函数和子波数域,利用随机谐波函数确定每个矩形区域的随机变量;
具体的,所述步骤S15包括:
S151.根据当前矩形区域的功率谱密度函数和子波数域计算得到振幅;
S152.根据波数和当前矩形区域的振幅、相位角,利用随机谐波函数计算得到随机项;
S153.根据当前矩形区域的随机项和蠕变岩体的均值强度确定当前矩形区域的随机变量;
式中,H(x)表示矩形区域的随机变量。
S16.由蠕变岩体的均值强度、波数和相位角构成蠕变岩体的属性参数,由矩形区域的功率谱密度函数、子波数域和随机变量构成矩形区域的属性参数;
S17.将蠕变岩体的属性参数和若干个矩形区域的属性参数输入蠕变岩体数据库中,得到蠕变岩体的蠕变岩体特性,所述蠕变岩体特性包括岩体蠕变本构模型和岩体蠕变参数。
具体的,所述蠕变岩体数据库中包含有全国各类岩体基本信息:如:岩体类型、岩体空间上的均匀程度、岩体材料各组分面积、岩体的蠕变本构模型及其蠕变参数、岩体抗拉强度、抗压强度、抗弯强度抗剪强度。利用蠕变岩体中的所有的矩形区域的属性参数可查找到该蠕变岩体对应的蠕变岩体特性。
基于以上实施例,本方法还包括:
S2.基于工程地质数据和蠕变岩体特性,从抗滑桩基础设计数据库中获取与每个蠕变岩体对应的抗滑桩设计数据;
具体的,所述抗滑桩基础设计数据库中包含工程地质数据(包括地层信息、水文地质信息、区域震级、附加荷载等)和蠕变岩体特性,以及与工程地质数据和蠕变岩体特性对应的抗滑桩桩基础设计的所有参数(包括桩长、桩径、桩间距、桩型、嵌固深度等)。
本实施例中,根据当前的蠕变岩体所处的工程地质数据和对应的蠕变岩体特性在抗滑桩基础设计数据库中查找对应的抗滑桩设计方案。
基于以上实施例,本方法还包括:
S3.利用每个蠕变岩体对应的工程地质数据、蠕变岩体特性和抗滑桩设计数据构建训练集和测试集;
具体的,所述步骤S3包括:
S31.将工程地质数据和蠕变岩体特性作为输入参数,具体的,所述输入参数至少包括:地质区域x1、坡体岩土材料类型x2、岩土体密度x3、岩土体内摩擦角x4、黏聚力x5、边坡坡角x6、桩身加固层岩土层类型x7、蠕变岩体的本构模型x8、岩体蠕变参数x9、蠕变岩体空间分布特征x10、边坡剖面形状x11、设计边坡的范围x12、附加荷载类型x13和附加荷载大小x14;
需要说明的是,本方法所包括的输入参数不限于上述所列举的参数;
具体的,地质区域x1包括:地震带、暴雨多发区等;
S32.将抗滑桩设计数据作为输出参数,具体的,所述输出参数至少包括:桩身横截面形状和尺寸y1、桩身纵截面形状y2、桩长y3、桩身结构形式和间距y4、浇筑混凝土类型y5、桩身钢筋型号y6以及加固后边坡的稳定系数y7、桩身受力特征y8、桩身变形形式y9、桩头约束y10、施工工艺y11、成孔工艺y12、施工造价y13、施工时间y14....。
具体的,桩身横截面形状及尺寸y1包括:圆桩、方桩、H型桩、箱桩等;
桩身纵截面形状y2包括:柱状桩、板状等;
结构形式及间距y4包括:单排、多排、承压桩、排架桩等;
桩身受力特征y8包括:悬臂式、埋入式等;
桩身变形形式y9包括:弹性、刚性;
桩头约束y10包括:锚拉、普通等;
施工工艺y11包括:预制、灌注等;
成孔工艺y12包括:打入、钻孔、挖孔等;
由一组输出参数构成一个设计方案。
S33.由若干组输入参数和输出参数构建为数据样本库;
S34.将所述数据样本库按照预设比例划分为训练集和测试集;
优选的,按照8:2的比例将数据样本库划分为训练集和测试集。
基于以上实施例,本方法还包括:
S4.搭建神经网络模型,利用所述训练集和测试集对神经网络模型进行训练和测试得到抗滑桩设计模型;
具体的,本实施构建的神经网络模型包括输入层、隐含层及输出层的人工神经网络,每一层都由预设数量的神经元构成,同时每个神经元都具有一个激活函数,当其接收到的信号达到激活函数的阈值时,其将被激活,并向下层连接的神经元输出信号,最终各层的神经元逐一连接在一起构成一个网状结构。
利用大量的数据样本训练得到的抗滑桩设计模型能够极大的减少人力成本,降低复杂设计中的错误率。
基于以上实施例,本方法还包括:
S5.将目标蠕变岩体的工程地质数据和蠕变岩体特性输入所述抗滑桩设计模型,得到多个预选抗滑桩设计方案;
具体的,由于一组输入参数可对应多组输出参数,即对应多个预选抗滑桩设计方案,再对所述多个预选抗滑桩设计方案进行筛序,得到符合预设条件的方案。
基于以上实施例,本方法还包括:
S6.利用预设条件对多个所述预选抗滑桩设计方案进行筛选,得到目标蠕变岩体的备选抗滑桩设计方案。
具体的,所述步骤S6包括:
S61.获取关于抗滑桩设计方案的一个或多个预设条件,具体的,令预设条件P1为:y1=“圆桩”、令预设条件P2为:y9=“钻孔”;
S62.依次遍历每个预选抗滑桩设计方案;
S63.若所述预选抗滑桩设计方案同时满足所述一个或多个预设条件,则保存;否则,删除所述预选抗滑桩设计方案;
S64.将保存下来的预选抗滑桩设计方案作为目标蠕变岩体的备选终抗滑桩设计方案,所述备选抗滑桩设计方案为一个或多个。
实施例2:
如图2、图3所示,本实施例提供了一种蠕变岩体的抗滑桩设计装置,所述装置包括:
第一获取模块01:获取若干个蠕变岩体的工程地质数据,并利用随机谐波函数确定每个蠕变岩体的蠕变岩体特性;
第二获取模块02:基于工程地质数据和蠕变岩体特性,从抗滑桩基础设计数据库中获取与每个蠕变岩体对应的抗滑桩设计数据;
样本集构成模块03:利用每个蠕变岩体对应的工程地质数据、蠕变岩体特性和抗滑桩设计数据构建训练集和测试集;
模型训练模块04:搭建神经网络模型,利用所述训练集和测试集对神经网络模型进行训练和测试得到抗滑桩设计模型;
设计模块05:将目标蠕变岩体的工程地质数据和蠕变岩体特性输入所述抗滑桩设计模型,得到多个预选抗滑桩设计方案。
基于以上实施例,所述第一获取模块01包括:
强度确定单元011:根据工程地质数据确定蠕变岩体的均值强度和波数域;
随机生成单元012:在预设范围内随机生成蠕变岩体的相位角,在波数域内随机生成蠕变岩体的波数;
第一划分单元013:将蠕变岩体划分为若干个矩形区域,并获取每个矩形区域的子波数域;
函数构建单元014:利用所述波数和矩形区域的子波数域构建矩形区域的功率谱密度函数;
第二确定单元015:根据蠕变岩体的均值强度、波数、相位角、矩形区域的功率谱密度函数和子波数域,利用随机谐波函数确定每个矩形区域的随机变量;
属性参数构成单元016:由蠕变岩体的均值强度、波数和相位角构成蠕变岩体的属性参数,由矩形区域的功率谱密度函数、子波数域和随机变量构成矩形区域的属性参数;
第一获取单元017:将蠕变岩体的属性参数和若干个矩形区域的属性参数输入蠕变岩体数据库中,得到蠕变岩体的蠕变岩体特性,所述蠕变岩体特性包括岩体蠕变本构模型和岩体蠕变参数。
基于以上实施例,所述函数构建单元014包括:
第一确定单元0141:根据矩形区域的子波数确定当前矩形区域的横向长度和纵向长度;
第一计算单元0142:根据横向长度计算得到第一计算参数;
第二计算单元0143:根据纵向长度计算得到第二计算参数;
第一构建单元0144:由第一计算参数、第二计算参数和波数构建当前矩形区域的功率谱密度函数。
基于以上实施例,所述第二确定单元015包括:
第三计算单元0151:根据当前矩形区域的功率谱密度函数和子波数域计算得到振幅;
第四计算单元0152:根据波数和当前矩形区域的振幅、相位角,利用随机谐波函数计算得到随机项;
第五计算单元0153:根据当前矩形区域的随机项和蠕变岩体的均值强度确定当前矩形区域的随机变量。
基于以上实施例,所述样本集构成模块03包括:
第二构建单元031:将工程地质数据和蠕变岩体特性作为输入参数;
第三构建单元032:将抗滑桩设计数据作为输出参数;
第四构建单元033:由若干组输入参数和输出参数构建为数据样本库;
第二划分单元034:将所述数据样本库按照预设比例划分为训练集和测试集。
基于以上实施例,所述设计模块05之后,还包括:
筛选模块06:利用预设条件对多个所述预选抗滑桩设计方案进行筛选,得到目标蠕变岩体的备选抗滑桩设计方案:
第二获取单元061:获取关于抗滑桩设计方案的一个或多个预设条件;
遍历单元062:依次遍历每个预选抗滑桩设计方案;
判断单元063:若所述预选抗滑桩设计方案同时满足所述一个或多个预设条件,则保存;否则,删除所述预选抗滑桩设计方案;
第三确定单元064:将保存下来的预选抗滑桩设计方案作为目标蠕变岩体的备选终抗滑桩设计方案,所述备选抗滑桩设计方案为一个或多个。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
相于上面的方法实施例,本实施例中还提供了一种蠕变岩体的抗滑桩设计设备,下文描述的一种蠕变岩体的抗滑桩设计设备与上文描述的一种蠕变岩体的抗滑桩设计方法可相互对应参照。
图4是根据示例性实施例示出的一种蠕变岩体的抗滑桩设计设备800的框图。如图4所示,该蠕变岩体的抗滑桩设计设备800可以包括:处理器801,存储器802。该蠕变岩体的抗滑桩设计设备800还可以包括多媒体组件803, I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该蠕变岩体的抗滑桩设计设备800的整体操作,以完成上述的蠕变岩体的抗滑桩设计方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该蠕变岩体的抗滑桩设计设备800的操作,这些数据例如可以包括用于在该蠕变岩体的抗滑桩设计设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(StaticRandom Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该蠕变岩体的抗滑桩设计设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,蠕变岩体的抗滑桩设计设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的蠕变岩体的抗滑桩设计方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的蠕变岩体的抗滑桩设计方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由蠕变岩体的抗滑桩设计设备800的处理器801执行以完成上述的蠕变岩体的抗滑桩设计方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种蠕变岩体的抗滑桩设计方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的蠕变岩体的抗滑桩设计方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种蠕变岩体的抗滑桩设计方法,其特征在于,包括:
获取若干个蠕变岩体的工程地质数据,并利用随机谐波函数确定每个蠕变岩体的蠕变岩体特性,包括:
在预设范围内随机生成蠕变岩体的相位角,在波数域内随机生成蠕变岩体的波数;
将蠕变岩体划分为若干个矩形区域,并获取每个矩形区域的子波数域;
利用所述波数和矩形区域的子波数域构建矩形区域的功率谱密度函数;
根据蠕变岩体的均值强度、波数、相位角、矩形区域的功率谱密度函数和子波数域,利用随机谐波函数确定每个矩形区域的随机变量;
由蠕变岩体的均值强度、波数和相位角构成蠕变岩体的属性参数,由矩形区域的功率谱密度函数、子波数域和随机变量构成矩形区域的属性参数;
将蠕变岩体的属性参数和若干个矩形区域的属性参数输入蠕变岩体数据库中,得到蠕变岩体的蠕变岩体特性,所述蠕变岩体特性包括岩体蠕变本构模型和岩体蠕变参数;
基于工程地质数据和蠕变岩体特性,从抗滑桩基础设计数据库中获取与每个蠕变岩体对应的抗滑桩设计数据;
利用每个蠕变岩体对应的工程地质数据、蠕变岩体特性和抗滑桩设计数据构建训练集和测试集;
搭建神经网络模型,利用所述训练集和测试集对神经网络模型进行训练和测试得到抗滑桩设计模型;
将目标蠕变岩体的工程地质数据和蠕变岩体特性输入所述抗滑桩设计模型,得到多个预选抗滑桩设计方案。
2.根据权利要求1所述的蠕变岩体的抗滑桩设计方法,其特征在于,所述根据蠕变岩体的均值强度、波数、相位角、矩形区域的功率谱密度函数和子波数域,利用随机谐波函数确定每个矩形区域的随机变量,包括:
根据当前矩形区域的功率谱密度函数和子波数域计算得到振幅;
根据波数和当前矩形区域的振幅、相位角,利用随机谐波函数计算得到随机项;
根据当前矩形区域的随机项和蠕变岩体的均值强度确定当前矩形区域的随机变量。
3.根据权利要求1所述的蠕变岩体的抗滑桩设计方法,其特征在于,所述得到多个预选抗滑桩设计方案之后,还包括:
获取关于抗滑桩设计方案的一个或多个预设条件;
依次遍历每个预选抗滑桩设计方案;
若所述预选抗滑桩设计方案同时满足所述一个或多个预设条件,则保存;否则,删除所述预选抗滑桩设计方案;
将保存下来的预选抗滑桩设计方案作为目标蠕变岩体的备选抗滑桩设计方案,所述备选抗滑桩设计方案为一个或多个。
4.一种蠕变岩体的抗滑桩设计装置,其特征在于,包括:
第一获取模块:获取若干个蠕变岩体的工程地质数据,并利用随机谐波函数确定每个蠕变岩体的蠕变岩体特性,包括:
随机生成单元:在预设范围内随机生成蠕变岩体的相位角,在波数域内随机生成蠕变岩体的波数;
第一划分单元:将蠕变岩体划分为若干个矩形区域,并获取每个矩形区域的子波数域;
函数构建单元:利用所述波数和矩形区域的子波数域构建矩形区域的功率谱密度函数;
第二确定单元:根据蠕变岩体的均值强度、波数、相位角、矩形区域的功率谱密度函数和子波数域,利用随机谐波函数确定每个矩形区域的随机变量;
属性参数构成单元:由蠕变岩体的均值强度、波数和相位角构成蠕变岩体的属性参数,由矩形区域的功率谱密度函数、子波数域和随机变量构成矩形区域的属性参数;
第一获取单元:将蠕变岩体的属性参数和若干个矩形区域的属性参数输入蠕变岩体数据库中,得到蠕变岩体的蠕变岩体特性,所述蠕变岩体特性包括岩体蠕变本构模型和岩体蠕变参数;
第二获取模块:基于工程地质数据和蠕变岩体特性,从抗滑桩基础设计数据库中获取与每个蠕变岩体对应的抗滑桩设计数据;
样本集构成模块:利用每个蠕变岩体对应的工程地质数据、蠕变岩体特性和抗滑桩设计数据构建训练集和测试集;
模型训练模块:搭建神经网络模型,利用所述训练集和测试集对神经网络模型进行训练和测试得到抗滑桩设计模型;
设计模块:将目标蠕变岩体的工程地质数据和蠕变岩体特性输入所述抗滑桩设计模型,得到多个预选抗滑桩设计方案。
5.根据权利要求4所述的蠕变岩体的抗滑桩设计装置,其特征在于,所述第二确定单元包括:
第三计算单元:根据当前矩形区域的功率谱密度函数和子波数域计算得到振幅;
第四计算单元:根据波数和当前矩形区域的振幅、相位角,利用随机谐波函数计算得到随机项;
第五计算单元:根据当前矩形区域的随机项和蠕变岩体的均值强度确定当前矩形区域的随机变量。
6.根据权利要求4所述的蠕变岩体的抗滑桩设计装置,其特征在于,所述设计模块之后,还包括:
第二获取单元:获取关于抗滑桩设计方案的一个或多个预设条件;
遍历单元:依次遍历每个预选抗滑桩设计方案;
判断单元:若所述预选抗滑桩设计方案同时满足所述一个或多个预设条件,则保存;否则,删除所述预选抗滑桩设计方案;
第二确定单元:将保存下来的预选抗滑桩设计方案作为目标蠕变岩体的备选抗滑桩设计方案,所述备选抗滑桩设计方案为一个或多个。
7.一种蠕变岩体的抗滑桩设计设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至3任一项所述蠕变岩体的抗滑桩设计方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述蠕变岩体的抗滑桩设计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310364468.8A CN116090079B (zh) | 2023-04-07 | 2023-04-07 | 蠕变岩体的抗滑桩设计方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310364468.8A CN116090079B (zh) | 2023-04-07 | 2023-04-07 | 蠕变岩体的抗滑桩设计方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116090079A CN116090079A (zh) | 2023-05-09 |
CN116090079B true CN116090079B (zh) | 2023-07-14 |
Family
ID=86204852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310364468.8A Active CN116090079B (zh) | 2023-04-07 | 2023-04-07 | 蠕变岩体的抗滑桩设计方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116090079B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472313A (zh) * | 2019-07-29 | 2019-11-19 | 西南石油大学 | 一种抗滑桩桩前均质岩体阻滑宽度的计算方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117593B (zh) * | 2018-09-18 | 2022-11-18 | 中国石油大学(华东) | 锚索预应力损失与岩体蠕变耦合分析方法 |
CN114861265A (zh) * | 2022-04-21 | 2022-08-05 | 中国电建集团华东勘测设计研究院有限公司 | 基于遗传算法的矩形抗滑桩智能配筋方法 |
CN114692514B (zh) * | 2022-05-27 | 2022-08-09 | 西南交通大学 | 一种抗滑桩的设计方法、装置、设备及可读存储介质 |
CN115859836B (zh) * | 2023-02-22 | 2023-05-02 | 西南交通大学 | 一种岩体蠕变本构模型参数识别方法、装置、设备及介质 |
-
2023
- 2023-04-07 CN CN202310364468.8A patent/CN116090079B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472313A (zh) * | 2019-07-29 | 2019-11-19 | 西南石油大学 | 一种抗滑桩桩前均质岩体阻滑宽度的计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116090079A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shahin | State-of-the-art review of some artificial intelligence applications in pile foundations | |
Nguyen et al. | Influence of data splitting on performance of machine learning models in prediction of shear strength of soil | |
Murlidhar et al. | The effects of particle swarm optimisation and genetic algorithm on ANN results in predicting pile bearing capacity | |
Khandelwal et al. | Function development for appraising brittleness of intact rocks using genetic programming and non-linear multiple regression models | |
Kayadelen | Soil liquefaction modeling by genetic expression programming and neuro-fuzzy | |
Ardalan et al. | Piles shaft capacity from CPT and CPTu data by polynomial neural networks and genetic algorithms | |
Shahin | Use of evolutionary computing for modelling some complex problems in geotechnical engineering | |
Ornek et al. | Prediction of bearing capacity of circular footings on soft clay stabilized with granular soil | |
Kashani et al. | Particle swarm optimization variants for solving geotechnical problems: review and comparative analysis | |
Alkroosh et al. | Predicting pile dynamic capacity via application of an evolutionary algorithm | |
Baziar et al. | Prediction of pile settlement based on cone penetration test results: an ANN approach | |
Onyelowe et al. | Selected AI optimization techniques and applications in geotechnical engineering | |
Jahed Armaghani et al. | Load carrying capacity assessment of thin-walled foundations: an ANFIS–PNN model optimized by genetic algorithm | |
Huynh et al. | Base resistance of super-large and long piles in soft soil: performance of artificial neural network model and field implications | |
Tarawneh | Gene expression programming model to predict driven pipe piles set-up | |
Hossein Alavi et al. | Formulation of secant and reloading soil deformation moduli using multi expression programming | |
Du et al. | Design of ram-compacted bearing base piling foundations by simple numerical modelling approach and artificial intelligence technique | |
Barari et al. | Determination of the ultimate limit states of shallow foundations using gene expression programming (GEP) approach | |
Ghanizadeh et al. | Predicting resilient modulus of clayey subgrade soils by means of cone penetration test results and back-propagation artificial neural network | |
Bajaj et al. | Behavior of vertical and batter piles under lateral, uplift and combined loads in non-cohesive soil | |
CN117521205A (zh) | 软土地基沉降的预测方法、装置、设备及可读存储介质 | |
CN116090079B (zh) | 蠕变岩体的抗滑桩设计方法、装置、设备及可读存储介质 | |
Hanandeh | Evaluation circular failure of soil slopes using classification and predictive gene expression programming schemes | |
Alkroosh et al. | Soft computing for modeling punching shear of reinforced concrete flat slabs | |
Tafreshi et al. | The use of neural network to predict the behavior of small plastic pipes embedded in reinforced sand and surface settlement under repeated load |
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 |