CN117150880A - 一种基坑支护结构的变形预测以及逆向设计方法及系统 - Google Patents
一种基坑支护结构的变形预测以及逆向设计方法及系统 Download PDFInfo
- Publication number
- CN117150880A CN117150880A CN202310882865.4A CN202310882865A CN117150880A CN 117150880 A CN117150880 A CN 117150880A CN 202310882865 A CN202310882865 A CN 202310882865A CN 117150880 A CN117150880 A CN 117150880A
- Authority
- CN
- China
- Prior art keywords
- parameter
- foundation pit
- class
- supporting structure
- deformation
- 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.)
- Pending
Links
- 238000013461 design Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims description 47
- 238000013507 mapping Methods 0.000 claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 23
- 238000010276 construction Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 20
- 239000002689 soil Substances 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000010998 test method Methods 0.000 abstract description 2
- 238000009412 basement excavation Methods 0.000 description 9
- 230000008485 antagonism Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000009933 burial Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000003673 groundwater Substances 0.000 description 4
- 230000003042 antagnostic effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基坑支护结构的变形预测以及逆向设计系统及测试方法,系统包括生成模块和判别模块,生成模块用于生成足够精确的基坑形变预测模型,使用A类参数作为输入,输出B类参数,计算得到B类参数后与实际获取到的B类参数进行对比,通过误差计算方法计算误差,并将计算的误差通过反向传播的方式修正生成模块中的内部映射,以达到在已知基坑工程参数的情况下预测基坑支护结构的受力和变形能力,在判别模块中,用实际获取的B类参数作为输入,输出计算得到的A类参数,并将输出的A类参数与实际获得的A类参数进行对比,最终实现在已知受力和变形的情况下,实现基坑支护结构设计参数的反演,实现基坑支护结构的逆向设计能力。
Description
技术领域
本发明涉及土木工程基坑技术领域,具体涉及一种基坑支护结构的变形预测以及逆向设计方法及系统。
背景技术
人工智能技术在土木建设领域有着广泛的应用,可以帮助提高建筑设计、施工计划、质量控制、劳动力管理、物流管理等方面的效率和准确性。其中,基坑工程是土木建设过程中一个重要的环节,需要结合现代科技手段进行形变计算,以确保基坑工程的安全性和可靠性。
在引入人工智能技术之前,基坑工程建设存在一些问题和缺点。传统的基坑形变计算方法主要依靠经验公式、试验数据和数学模型等手段进行计算,这种方法存在着准确度不高、无法预测基坑支护桩的柔性变形且受实际受力情况和边界条件约束较大等缺点。此外,基坑工程中还需要考虑土壤的复杂性、地下水位的影响等多种因素,传统的计算方法难以全面考虑这些因素对基坑形变的影响。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出了一种基坑支护结构的变形预测以及逆向设计方法及系统。
根据本发明第一方面实施例的一种基坑支护结构的变形预测以及逆向设计系统,所述系统包括:
一种基坑支护结构的变形预测以及逆向设计系统,其特征在于,包括:
生成模块,用于生成基坑形变预测模型,使用实际获取的A类参数作为输入,输出计算得到的B类参数,A类参数包括在基坑建设现场勘测得到的土壤力学参数、基坑边界约束条件、外部环境因素、基坑支护结构设计参数,所述B类参数包括现场监测获得的支护桩水平位移控制值、支护桩内力控制值、地表沉降控制值作为生成模块的输出参数和判别模块的输入参数,计算得到B类参数后与实际获取到的B类参数进行对比,通过误差计算方法计算误差,并将计算的误差通过反向传播的方式修正生成模块中的内部映射,以达到在已知基坑工程参数的情况下预测基坑支护结构的受力和变形能力;
判别模块,使用实际获取的B类参数作为输入,输出计算得到的A类参数,并将输出的A类参数与实际获得的A类参数进行对比,输出的A类参数还需与生成模块中输入的A参数进行对比,通过误差计算方法计算误差,并将计算的误差通过反向传播的方式修正判别模块中的内部映射,不断修正内部映射,在已知受力和变形的情况下,完成基坑支护结构设计参数的反演,实现基坑支护结构的逆向设计能力。
在整个训练过程中,算法不断地更新生成模块网络和判别模块网络的参数,以最大程度地提高对抗型深度神经网络(对抗生成)模型对基坑形变的预测和基于形变趋势反演设计参数的能力。该模型在实际应用中基于训练好的判别模块,通过输入目标基坑形变趋势,反演出建造时的设计参数,将基坑支护结构的受力和变形作为设计需要重点考虑的一部分,实现基于目标基坑形变的逆向设计。
根据本发明的一些实施例,所述映射包括函数、统计概率模型、神经网络模型、启发式算法、有限元软件或程序计映射。
生成模块的目标是生成足够精确的基坑形变预测模型,其本身为一种映射关系,这种映射关系可以为函数映射,可以为统计学概率模型映射,可以为神经网络或启发式算法映射,可以为有限元软件或程序计映射。该映射使用A类参数作为输入,输出B类参数。在生成模块中,计算得到B类参数后与实际获取到的B类参数进行对比,通过误差计算方法计算误差,并将计算的误差通过反向传播的方式修正生成模块中的内部映射,以达到在已知基坑工程参数的情况下预测基坑支护结构的受力和变形能力。判别模块的目标是验证真实的观测数据与生成模块网络输出的预测结果的一致性,其本身为一种映射关系,这种映射关系可以为函数映射,可以为统计学概率模型映射,可以为神经网络或启发式算法映射。该映射使用B类参数作为输入,输出A类参数,并将输出的A类参数与实际获得的A类参数进行对比。在判别模块中,输出的A类参数还需与生成模块中的输入的参数进行对比,通过误差计算方法计算误差,并将计算的误差通过反向传播的方式修正判别模块中的内部映射,不断修正内部映射。最终实现在已知受力和变形的情况下,实现基坑支护结构设计参数的反演,实现基坑支护结构的逆向设计能力。若生成模块和判别模块中所采用的映射有一项为神经网络映射,则本发明所提出的模型为对抗神经网络模型,否则为对抗型深度神经网络模型。
根据本发明的一些实施例,所述映射为3层神经网络模型,每层有[4,5,6]个神经元。
根据本发明的一些实施例,所述神经元的激活函数选取为sigma函数或LeRU线性整流函数。
根据本发明的一些实施例,假设神经网络的输入参数为x,输出参数为y’,第i层隐藏层的全连接权重为Wi,mn,选用的激活函数为LeRU线性整流函数,则输入数据在神经网络中的前向传播如公式(1)所示:
(1)
误差计算函数可以选为MSE函数,其误差计算表达式如公式(2)所示:
(2)
令第i层第j个参数的原参数值为,更新后的参数值为/>,神经网络的学习率为/>,则神经网络的误差反向传播对网络参数进行修正的计算方法如公式所示:
(3)
训练过程中不断更新误差和网络参数,最终达到指定的迭代步数或误差小于某个范围时训练过程结束。
根据本发明第二方面实施例的一种基坑支护结构的变形预测以及逆向设计方法,所述测试方法包括:
用于生成基坑形变预测模型,使用实际获取的A类参数作为输入,输出计算得到的B类参数,A类参数包括在基坑建设现场勘测得到的土壤力学参数、基坑边界约束条件、外部环境因素、基坑支护结构设计参数,所述B类参数包括现场监测获得的支护桩水平位移控制值、支护桩内力控制值、地表沉降控制值作为生成模块的输出参数和判别模块的输入参数,计算得到B类参数后与实际获取到的B类参数进行对比,通过误差计算方法计算误差,并将计算的误差通过反向传播的方式修正生成模块中的内部映射,以达到在已知基坑工程参数的情况下预测基坑支护结构的受力和变形能力;
使用实际获取的B类参数作为输入,输出计算得到的A类参数,并将输出的A类参数与实际获得的A类参数进行对比,输出的A类参数还需与生成模块中输入的A参数进行对比,通过误差计算方法计算误差,并将计算的误差通过反向传播的方式修正判别模块中的内部映射,不断修正内部映射,在已知受力和变形的情况下,完成基坑支护结构设计参数的反演,实现基坑支护结构的逆向设计能力。
以对抗型深度神经网络模型为例,利用对抗型深度神经网络技术,结合实际工程的相关参数训练模型。工程参数包括:在基坑建设现场勘测得到的土壤力学参数、基坑边界约束条件、外部环境因素、基坑支护结构设计参数、现场监测获得的支护桩水平位移、支护桩水平轴力、地表沉降和地下水位。并基于基坑的工程参数构建基坑及其支护结构的力学计算模型,将不同的参数分类为输入参数和验证参数,构造针对基坑变形预测的对抗生成模型数据集,用数据集训练对抗型深度神经网络模型(对抗生成)。模型训练好后将其迁移至其他类似的工程中,对有较大差异的参数进行进一步训练提高预测精度,后将训练好的模型应用到实际工程中,实现基坑支护结构的受力变形的预测,和支护结构设计参数的逆向设计。
对抗型深度神经网络逆向设计方法包括参数解码器和对抗型深度神经网络模型,在一个优选的实施方式中,所述的参数解码器是一种能够将基坑设计参数自动带入生成模块网络的自动化预测装置,能够将设计参数解码成基坑形变数据,具体可以表现为方程模型映射或机器学习模型映射,其准确反映基坑形变与设计参数的关系,更加准确地预测不同参数对支护结构的影响,进而优化基坑结构的设计;所述对抗型深度神经网络模型在较高精度的参数解码器监督下,可以较精确地通过目标基坑变形趋势逆算基坑建设的设计参数。通过以上两点可以实现基坑建设中各参数的精准逆向设计,减少建设成本和时间,最终实现更加可持续和高效的土木工程建设。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
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,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1是根据本发明实施例的训练数据流程图;
图2是根据本发明实施例的深度神经网络结构拓扑模型图;
图3是根据本发明实施例的一种基坑支护结构图。
具体实施方式
下面详细描述本发明的实施例,参考附图描述的实施例是示例性的,应当理解,此处所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。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例1
参阅图1,对抗型深度神经网络模型的训练过程如下:
1)构建生成式模型和整理数据集。根据采集的不同的工程项目的上述所有参数,选取合适的生成模块和判别模块映射模型。对于生成模块模型,将所有实际获取的A类参数均作为生成模块的输入参数,生成模块的输出参数为所有的B类参数,同时输出所有的B类参数。后将生成模块中所有的B类参数和对应的A类参数中的土壤力学参数、基坑边界约束条件、外部环境因素和地下水位作为判别模块的输入参数,将A类参数中的基坑支护结构设计参数作为判别模块的输出参数。
2)将数据导入构建的模型中进行训练,每次训练时存在两个误差传递机制:
a)判别模块的输出参数与生成模块的输入参数的误差,判别模块输出的基坑支护结构设计参数应与生成模块输入的基坑支护结构的输入对应的参数相同。误差计算方法可以采用MSE(残差平方和)、L1、Softmax等,具体的实施方法可以基于实际得到的数据类型进行具体分析。误差通过链式求导法则沿着判别模块和生成模块的映射逐渐向前扩散,并修正其中的映射参数。
b)生成模块的输出参数与实际工程采集到的参数误差,在前面的误差反馈修正结束之后进行第二次误差修正。首先需要计算生成模块输出参数的结果与实际获得的参数的误差,误差计算方法可以采用MSE(残差平方和)、L1、Softmax等。具体实施方式应结合实际参数的数据类型进行具体分析。误差通过链式求导法则沿着生成模块的映射向前扩散,并修正其中的映射参数。
3)模型训练完成后生成模块能够准确地预测基坑支护结构的受力和变形,判别模块能够根据指定的工程环境和假定的支护桩受力和变形情况反演出建造完成后满足工程实际变形要求的基坑支护结构设计参数。判别模块生成的基坑支护结构设计参数可以作为生成模块的输入实现基坑支护结构逆向设计的二次验证。
4)训练好模型后,若需要应用的实际工程的详情与训练所用的基坑工程模型的工况差距较大则需通过资料收集或数值计算的方式创建与当前工程类似的参数数据库,对现有的模型进行进一步的适应性训练。若所应用的工程与用于训练模型的工况相近,则无需进一步迁移训练。
5)进行逆向设计时,首先收集好生成模块和判别模块所需的输入输出参数。后将参数结合工程实际要求的基坑支护结构的受力变形要求输入至判别模块中,得到基坑支护结构的设计参数。后将判别模块输出的小数根据实际工程取整等进行一定的调整,得到实际工程可行的基坑支护结构的设计参数导入至生成模块中,得到基坑支护结构的受力变形规律。根据相关规范和工程要求,判断生成模块计算得到的受力变形规律是否满足要求,若是则完成逆向设计,否则提高受力变形控制标准输入至判别模块中重新生成。
在整个训练过程中,算法不断地更新生成模块网络和判别模块网络的参数,以最大程度地提高对抗型深度神经网络(对抗生成)对基坑形变的预测和基于形变趋势反演设计参数的能力。用于基坑支护结构的变形预测和逆向设计的对抗型深度神经网络模型的网络拓扑图如图1所示。该模型在实际应用中基于训练好的判别模块,通过输入目标基坑形变趋势,反演出建造时的设计参数,将基坑支护结构的受力和变形作为设计需要重点考虑的一部分,实现基于目标基坑形变的逆向设计。
实施例2
首先收集大量的基坑工程数据,按照A类数据和B类数据进行分类。数据的收集可以来源于当前公开发表的文献、实际参与的基坑工程实况、有限元数值模拟等。本简要案例基于某城市跨湖公轨共建明挖隧道,主要使用数值模拟的方法,结合当前的基坑工程的环境,建立了800条参数数据库进行对抗型深度神经网络模型的训练。具体实施方法为:
获得工程当地现场勘测得到的土壤力学参数、基坑边界约束条件(土体状态、土层是否有稳定的岩层、基坑顶部处理方式)、外部环境(天气、气温、基坑内外的施工机械的超载等效分布)、基坑支护结构的设计参数(基坑支护桩所用的材料、支护桩的厚度、支护桩的设计长度、水平支撑的道数、水平支撑的几何尺寸、水平支撑的架设深度)、地下水位状态(水的渗流情况、地下水的承压情况、地下水的埋深。
使用工程数值模拟软件基于结合以上参数应用控制变量法对以上参数进行微调,将微调之后得到的参数进行建模,并计算在当前条件下的基坑支护结构的受力和变形特点及基坑周边的土体沉降情况,共获得800条关系型数据。
选用深度神经网络模型作为生成模块和判别模块的映射模型,深度神经网络架构选用绝技神经网络,引入transform机制基于自研特定的基坑工程环境参数编码器和解码器对复杂的基坑环境参数进行编码和相应的结果进行解码,实现支护结构受力变形的解析计算。深度神经网络结构拓扑模型如图2所示。
将计算获得的基坑支护结构受力变形数据库导入至建立好的对抗型深度神经网络模型中进行训练,考虑到数据样本的有限性,采用Style对抗生成v3框架对编码后基坑工程环境样本进行扩充。采用MSE作为误差计算算法,通过误差前馈扩散的方式训练模型。直到模型收敛至最大变形平均误差小于3mm,模型则训练完成。
将训练好的模型应用至实际工程的计算中,如图3所示的一种基坑支护结构,本实施例中基坑支护结构具体为对撑式基坑支护结构,设计参数包括基坑尺寸、混凝土支撑的道数、截面面积、支撑架设的深度、两侧支护桩的设计长度、两侧基坑支护桩的设计厚度。
基坑两侧的开挖宽度30m、基坑两侧的开挖深度12.5m和6.5m、第i道支撑架设的深度Hi,两侧基坑支护桩的设计长度LD(开挖深侧)、LS(开挖浅侧)作为基坑设计的尺寸参数。直接结合相关规范和工程要求,定义基坑支护结构最大变形为20 mm,支护桩受到的最大正应力应小于C30,混凝土的抗压强度14.3MPa。由于本工程为湖中明挖隧道基坑,因此无周边地表沉降,最大地表沉降按照规范取值为30 mm。令水平支撑为混凝土支撑,设计截面积为0.8 m2。根据以上前置条件,基坑支护桩的设计长度和厚度、支护桩的等效厚度和弹性模量、水平支撑的数量、第i道水平支撑的刚度和埋深作为生成模块的输入参数,如表1所示。
表1生成模块输入参数表
基于数值模拟计算结果得到了几组基坑支护结构计算参数示例,如表1所示。将足够数量的基坑支护结构环境参数、设计参数和变形参数导入至搭建好的机器学习模型中进行训练,使得生成模块能够根据环境参数和设计参数生成基坑支护结构的受力变形规律。
将当前基坑的环境参数和部分确定的设计参数导入至判别模块中,在训练好的判别模块中输出基坑支护桩的设计长度和厚度、支护桩的等效厚度和弹性模量、水平支撑的数量、第i道水平支撑的刚度和埋深。其中土层参数表格如表2所示。
表2土层参数表
基坑支护桩底端嵌入微风化岩层中,将边界条件近似看作底端嵌固。天气状况按照近10年当地最大的降雨量和风力强度考虑。基坑两侧超载按规范中规定的超载强度考虑,不考虑坑底施工的超载情况。基坑开挖过程中需要将地下水位降至开挖面以下,基于实际的基坑开挖降水控制,基坑开挖范围内的地下水位在开挖面8.65m深处。
将以上参数导入至判别模块中,判别模块输出基坑支护桩的设计长度和厚度、支护桩的等效厚度和弹性模量、水平支撑的数量、第i道水平支撑的刚度和埋深,输出的模型参数为小数。在本案例中判别模块的输入输出参数如表3所示,将桩顶变形与最大桩身变形以及水平支撑的强度设计值作为控制值传入模判别器中。左侧和右侧基坑支护桩的设计长度均为15m、厚度为1m,将模型参数向前取整为15m、厚度为1m达到工程中实际应用的精度要求,基坑支护结构随即完成逆向设计。将两侧支护桩的参数导入至生成模块模型中,得到支护结构最大变形为18mm,满足材料的强度条件,如表3所示。
表3判别模块输出参数表
实施例3
对生成模块和判别模块的构成和应用进行详细分析,首先以生成模块为例。
生成模块一个典型示例可以选择为神经网络模型。首先构造一个多层神经网络模型,选取合适的网络结构如3层网络模型,每层有[4, 5, 6]个神经元。神经元的激活函数选取为sigma函数或LeRU线性整流函数。在某个实际工程中,考虑到实际数据的获取难度,考虑有7项输入参数,根据工程实际的设计需要,共有6项输出参数需要输出。由此神经网络模型的输入参数的维度为7维,神经网络模型的输出参数维度为6维。在训练过程中的误差通过反向传播实现神经网络模型中的各个参数的更新,模模块中的误差计算方式也存在多种,如MSE(残差平方和),L1,Softmax等。假设神经网络的输入参数为x,输出参数为y’,第i层隐藏层的全连接权重为Wi,mn,选用的激活函数为LeRU线性整流函数,则输入数据在神经网络中的前向传播如公式(1)所示:
(1)
误差计算函数可以选为MSE函数,其误差计算表达式如公式(2)所示。
(2 )
令第i层第j个参数的原参数值为,更新后的参数值为/>,神经网络的学习率为/>,则神经网络的误差反向传播对网络参数进行修正的计算方法如公式所示。
(3)
训练过程中不断更新误差和网络参数,最终达到指定的迭代步数或误差小于某个范围时训练过程结束。若判别模块也使用普通神经网络模型作为参数映射,则也可使用以上的训练过程和方法。
本申请的说明书和权利要求书及所述附图中术语“第一”、“第二”、“第三”等是区别于不同的对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如,包含了一系列步骤或单元,或者可选地,还包括没有列出的步骤或单元,或者可选地还包括这些过程、方法、产品或设备固有的其它步骤或单元。
附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前,应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对发明的限制。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。
显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或者特性可以包含在本实施例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相同的实施例,也不是与其它实施例互斥的独立的或是备选的实施例。本领域技术人员可以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。基于本申请中的实施例,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,都属于本申请保护的范围。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种基坑支护结构的变形预测以及逆向设计系统,其特征在于,包括:
生成模块,用于生成基坑形变预测模型,使用实际获取的A类参数作为输入,输出计算得到的B类参数,A类参数包括在基坑建设现场勘测得到的土壤力学参数、基坑边界约束条件、外部环境因素、基坑支护结构设计参数,所述B类参数包括现场监测获得的支护桩水平位移控制值、支护桩内力控制值、地表沉降控制值作为生成模块的输出参数和判别模块的输入参数,计算得到B类参数后与实际获取到的B类参数进行对比,通过误差计算方法计算误差,并将计算的误差通过反向传播的方式修正生成模块中的内部映射,以达到在已知基坑工程参数的情况下预测基坑支护结构的受力和变形能力;
判别模块,使用实际获取的B类参数作为输入,输出计算得到的A类参数,并将输出的A类参数与实际获得的A类参数进行对比,输出的A类参数还需与生成模块中输入的A参数进行对比,通过误差计算方法计算误差,并将计算的误差通过反向传播的方式修正判别模块中的内部映射,不断修正内部映射,在已知受力和变形的情况下,完成基坑支护结构设计参数的反演,实现基坑支护结构的逆向设计能力。
2.根据权利要求1所述的一种基坑支护结构的变形预测以及逆向设计系统,其特征在于,所述映射包括函数、统计概率模型、神经网络模型、启发式算法、有限元软件或程序计映射。
3.根据权利要求2所述的一种基坑支护结构的变形预测以及逆向设计系统,其特征在于,所述映射为3层神经网络模型,每层有[4,5,6]个神经元。
4.根据权利要求3所述的一种基坑支护结构的变形预测以及逆向设计系统,其特征在于,所述神经元的激活函数选取为sigma函数或LeRU线性整流函数。
5.根据权利要求4所述的一种基坑支护结构的变形预测以及逆向设计系统,其特征在于,假设神经网络的输入参数为x,输出参数为y’,第i层隐藏层的全连接权重为Wi,mn,选用的激活函数为LeRU线性整流函数,则输入数据在神经网络中的前向传播如公式(1)所示:
(1)
误差计算函数可以选为MSE函数,其误差计算表达式如公式(2)所示:
(2 )
令第i层第j个参数的原参数值为,更新后的参数值为/>,神经网络的学习率为/>,则神经网络的误差反向传播对网络参数进行修正的计算方法如公式所示:
(3)
训练过程中不断更新误差和网络参数,最终达到指定的迭代步数或误差小于某个范围时训练过程结束。
6.一种基坑支护结构的变形预测以及逆向设计方法,其特征在于,所述方法包括:
生成基坑形变预测模型,使用实际获取的A类参数作为输入,输出计算得到的B类参数,A类参数包括在基坑建设现场勘测得到的土壤力学参数、基坑边界约束条件、外部环境因素、基坑支护结构设计参数,所述B类参数包括现场监测获得的支护桩水平位移控制值、支护桩内力控制值、地表沉降控制值作为生成模块的输出参数和判别模块的输入参数,计算得到B类参数后与实际获取到的B类参数进行对比,通过误差计算方法计算误差,并将计算的误差通过反向传播的方式修正生成模块中的内部映射,以达到在已知基坑工程参数的情况下预测基坑支护结构的受力和变形能力;
使用实际获取的B类参数作为输入,输出计算得到的A类参数,并将输出的A类参数与实际获得的A类参数进行对比,输出的A类参数还需与生成模块中输入的A参数进行对比,通过误差计算方法计算误差,并将计算的误差通过反向传播的方式修正判别模块中的内部映射,不断修正内部映射,在已知受力和变形的情况下,完成基坑支护结构设计参数的反演,实现基坑支护结构的逆向设计能力。
7.根据权利要求6所述的一种基坑支护结构的变形预测以及逆向设计方法,其特征在于,所述映射包括函数、统计概率模型、神经网络模型、启发式算法、有限元软件或程序计映射。
8.根据权利要求7所述的一种基坑支护结构的变形预测以及逆向设计方法,其特征在于,所述映射为3层神经网络模型,每层有[4,5,6]个神经元,所述神经元的激活函数选取为sigma函数或LeRU线性整流函数。
9.根据权利要求8所述的一种基坑支护结构的变形预测以及逆向设计方法,其特征在于,假设神经网络的输入参数为x,输出参数为y’,第i层隐藏层的全连接权重为Wi,mn,选用的激活函数为LeRU线性整流函数,则输入数据在神经网络中的前向传播如公式(1)所示:
(1)
误差计算函数可以选为MSE函数,其误差计算表达式如公式(2)所示:
(2)
令第i层第j个参数的原参数值为,更新后的参数值为/>,神经网络的学习率为/>,则神经网络的误差反向传播对网络参数进行修正的计算方法如公式所示:
(3)
训练过程中不断更新误差和网络参数,最终达到指定的迭代步数或误差小于某个范围时训练过程结束。
10.根据权利要求9所述的一种基坑支护结构的变形预测以及逆向设计方法,其特
征在于,还包括参数解码器,用于将基坑设计参数自动带入生成模块网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882865.4A CN117150880A (zh) | 2023-07-19 | 2023-07-19 | 一种基坑支护结构的变形预测以及逆向设计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882865.4A CN117150880A (zh) | 2023-07-19 | 2023-07-19 | 一种基坑支护结构的变形预测以及逆向设计方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117150880A true CN117150880A (zh) | 2023-12-01 |
Family
ID=88910859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310882865.4A Pending CN117150880A (zh) | 2023-07-19 | 2023-07-19 | 一种基坑支护结构的变形预测以及逆向设计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117150880A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592172A (zh) * | 2024-01-18 | 2024-02-23 | 华东交通大学 | 一种基坑围护结构变形控制逆向设计方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101776A (zh) * | 2018-10-08 | 2018-12-28 | 重庆大学产业技术研究院 | 基于挡墙侧移监测数据的基坑反分析方法 |
US20210049515A1 (en) * | 2019-08-16 | 2021-02-18 | China Institute Of Water Resources And Hydropower Research | Prediction method and system of high slope deformation |
CN113221434A (zh) * | 2021-01-06 | 2021-08-06 | 河北建筑工程学院 | 一种基坑变形预测方法 |
WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
CN114547741A (zh) * | 2022-02-21 | 2022-05-27 | 上海同岩土木工程科技股份有限公司 | 一种基坑三维正向设计计算一体化方法 |
CN114969932A (zh) * | 2022-05-30 | 2022-08-30 | 浙江工业大学 | 一种基于tsne-bp神经网络的基坑水平位移预测方法 |
CN115130386A (zh) * | 2022-07-06 | 2022-09-30 | 南京大学 | 基于嵌套多层感知机的数字超表面一对多快速设计方法 |
CN115659749A (zh) * | 2022-11-01 | 2023-01-31 | 河海大学 | 基坑变形预测方法及系统、电子设备和存储介质 |
CN116383949A (zh) * | 2023-04-18 | 2023-07-04 | 华东交通大学 | 基坑支护桩的设计方法及系统 |
-
2023
- 2023-07-19 CN CN202310882865.4A patent/CN117150880A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101776A (zh) * | 2018-10-08 | 2018-12-28 | 重庆大学产业技术研究院 | 基于挡墙侧移监测数据的基坑反分析方法 |
US20210049515A1 (en) * | 2019-08-16 | 2021-02-18 | China Institute Of Water Resources And Hydropower Research | Prediction method and system of high slope deformation |
WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
CN113221434A (zh) * | 2021-01-06 | 2021-08-06 | 河北建筑工程学院 | 一种基坑变形预测方法 |
CN114547741A (zh) * | 2022-02-21 | 2022-05-27 | 上海同岩土木工程科技股份有限公司 | 一种基坑三维正向设计计算一体化方法 |
CN114969932A (zh) * | 2022-05-30 | 2022-08-30 | 浙江工业大学 | 一种基于tsne-bp神经网络的基坑水平位移预测方法 |
CN115130386A (zh) * | 2022-07-06 | 2022-09-30 | 南京大学 | 基于嵌套多层感知机的数字超表面一对多快速设计方法 |
CN115659749A (zh) * | 2022-11-01 | 2023-01-31 | 河海大学 | 基坑变形预测方法及系统、电子设备和存储介质 |
CN116383949A (zh) * | 2023-04-18 | 2023-07-04 | 华东交通大学 | 基坑支护桩的设计方法及系统 |
Non-Patent Citations (3)
Title |
---|
刘超;邹玉强;赵志达;李维娜;: "深基坑设计参数反演分析与变形预测系统应用", 施工技术, no. 13, 10 July 2020 (2020-07-10) * |
张世豪;朱德华;: "基于BP神经网络的深基坑变形预测", 南京工程学院学报(自然科学版), no. 03, 15 September 2016 (2016-09-15) * |
熊孝波;桂国庆;郑明新;许建聪;王宝军;: "基于皮尔-遗传神经网络的深基坑施工变形预测", 岩土工程学报, no. 1, 15 October 2008 (2008-10-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592172A (zh) * | 2024-01-18 | 2024-02-23 | 华东交通大学 | 一种基坑围护结构变形控制逆向设计方法及系统 |
CN117592172B (zh) * | 2024-01-18 | 2024-04-16 | 华东交通大学 | 一种基坑围护结构变形控制逆向设计方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543237B (zh) | 基于ga-bp神经网络的基坑位移预测方法 | |
CN107315862B (zh) | 一种建立明挖基坑工程勘察与模拟参数关系的方法 | |
Behnia et al. | Predicting crest settlement in concrete face rockfill dams using adaptive neuro-fuzzy inference system and gene expression programming intelligent methods | |
CN117150880A (zh) | 一种基坑支护结构的变形预测以及逆向设计方法及系统 | |
Yoo et al. | Overview of harmony search algorithm and its applications in civil engineering | |
CN112307542B (zh) | 一种地质环境变形监测的盾构施工参数调整方法及系统 | |
CN111967079A (zh) | 一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法 | |
CN112100927A (zh) | 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法 | |
CN109766661A (zh) | 一种异形薄壁建筑结构加固方法 | |
CN113221434A (zh) | 一种基坑变形预测方法 | |
Li et al. | Research and application of deformation prediction model for deep foundation pit based on LSTM | |
CN114510870B (zh) | 一种城市轨道交通地下结构的剩余寿命预测方法及装置 | |
CN113190945B (zh) | 基于在线代理模型辅助进化算法的城市排水管网优化方法 | |
CN117390381A (zh) | 基于深度学习的地下连续墙接头缝渗漏预测方法及装置 | |
Cui et al. | An optimized neural network with a hybrid GA-ResNN training algorithm: applications in foundation pit | |
CN113836812B (zh) | 一种利用智能算法识别硬岩厚度的盾构施工位姿调整方法 | |
Javadi | Estimation of air losses in compressed air tunneling using neural network | |
CN116163314A (zh) | 一种避免地下连续墙成槽坍塌的施工方法 | |
CN112257154B (zh) | 一种城市隧道透明施工监测方法及系统 | |
CN108446760A (zh) | 一种综合管廊内部湿度lstm预测方法及系统 | |
Zheng | Applying Probabilistic Approaches for Reliable Sequential Excavation Method Tunnel Design and Construction | |
CN115659772A (zh) | 一种富水区拱盖法车站流固耦合参数的实时反演方法 | |
CN114139270B (zh) | 一种基于数字孪生的近接工程建设荷载试验方法及系统 | |
Park et al. | A Bayesian framework to predict deformations during supported excavations based on a semi-empirical method | |
Xu et al. | Fusing simulation and monitoring data for real-time settlement prediction during tunnel construction: A multi-fidelity deep operator network (DeepONet) |
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 |