首页 > 建筑论文 > 基于BP神经网络的AM工法桩质量预测模型研究建筑论文

基于BP神经网络的AM工法桩质量预测模型研究

发布时间:2016-12-18      文章来源:未知

摘要

        AM工法旋挖扩底灌注桩(简称AM工法桩)常用作地下水丰富地区及软土地基桩基工程中,目前在工程中如何确定AM工法桩质量是急需解决的首要问题之一。因此,本文基于对AM工法桩质量以及神经网络机理的认识,提出了质量预测的神经网络模型,采用此方法来解决AM工法桩在质量预测方面的难题。
        本论文首先通过对影响AM工法桩质量的各因素进行了细致的、全面的分析,主要包括土层、桩体、施工机械、时间及空间效应等方面,建立影响质量因素的指标体系。其次阐述了神经网络方法在AM工法桩质量预测这一问题上的可行性及优越性。在此基础上建立了以桩体、土层、施工等方面共7个因素作为输入层神经元,单桩竖向承载力、桩身完整性作为输出层神经元的三层BP神经网络质量预测模型。最后,在天津地区收集的AM工法桩试桩数据应用到BP神经网络模型中进行训练,并且对AM工法桩的质量进行了预测分析。
        通过对现场的实测值与预测结果的对比,验证了预测值的准确性和可靠性,为AM工法桩质量提供了一种精度较高的预测方法。
 
关键词:AM工法桩;BP神经网络;质量预测;单桩竖向承载力;桩身完整性

 Abstract
   The AM construction method belled pile often used as a groundwater-rich areas and pile of soft foundation construction, whole process of rotary drilling  reaming. Currently how to determine the AM pile construction method is on of the issues need to be resolved in the works. Therefore, this paper based understanding the quality of AM pile construction method and mechanism of neural networks, proposed neural network model for quality prediction. Using this method to solve AM pile construction method aspects of the problem in the quality prediction. 
    Firstly, this thesis analysis all factors with regard to quality of the single pile from five respects that bearing stratum, pile body, construction machinery, time and spatial effect, meanwhile, meanwhile, the influence factor of quality index system is built. Then, Elaborated the relevant characteristics of BP net work, and the thesis focuses on the feasibility and superiority of the neural network model in solving the problem. on the basis of previous work, it establishes the 3-level BP network with 7 factors involving pile, field operation and soil perform as neuron of input level and vertical bearing capacity along with pile integrity as neuron of output level. Finally, the thesis applies the neural network model to the AM pile construction method in Tianjin.
Compares the predictive result with the results of measured value, verifying the accuracy and reliability. this thesis provides a new prediction method for quality of the AM pile construction method.
Keywords: the AM construction method belled pile; BP neural networks;
          quality prediction; bearing capacity of the single pile; pile integrity
 
目  录
摘要
Abstract
1    
1.1研究背景和意义 
1.2 AM工法桩概述及国内外研究现状 
  1.2.1 AM工法桩概述
      1.2.2单桩竖向承载力预测研究现状 
      1.2.3桩身完整性预测研究现状 
1.3本文主要研究内容 
2  AM工法桩质量影响因素分析 
2.1 AM工法桩质量预测指标 
      2.1.1单桩竖向承载力 
      2.1.2桩身完整性 
2.2 单桩竖向承载力影响因素分析 
      2.2.1桩周土层因素分析
      2.2.2桩体影响因素
      2.2.3施工因素分析
      2.2.4时间和空间效应影响因素分析
2.3 桩身完整性影响因素分析 
    2.4 本章小结 
3 基于BP神经网络的AM工法桩质量预测模型的建立 
3.1 人工神经网络基本理论 
3.2神经网络求解桩基工程质量预测的可行性 
3.3 AM工法桩质量预测指标体系的确定 
3.4 AM工法桩质量预测模型的建立 
      3.4.1资料的收集
      3.4.2样本信息的预处理
      3.4.3初始值的选取
      3.4.4  BP神经网络模型的建立
      3.4.5网络的学习和检验
3.5 本章小结 
 4  AM工法桩质量预测模型实例分析 
4.1 样本采集 
4.2 数据处理 
4.3  AM工法桩质量预测模型实现 
      4.3.1 BP神经网络结构及参数的选取
      4.3.2神经网络的训练
      4.3.3神经网络模型预测结果
4.4 结果对比分析 
4.5线性回归分析 
      4.5.1单桩竖向承载力线性回归分析
      4.5.2桩身完整性线性回归分析
4.6 本章小结 
结论 
参考文献 
 

第1章  绪 论

1.1研究背景和意义 

        基础工程是建筑工程的重要组成部分,桩基础又是一种常用的基础形式,近年来伴随建筑物高度的增加,结构尺寸、层数差异的复杂以及城市地下空间开发利用,桩基础的应用十分广泛,已成为建筑物首选或必选重要基础形式之一[1]
        在工程建设费用中,桩基础所占的比重非常大,目前,在很多高层建筑中桩基础的费用大约占整个工程总造价的25%左右[2],对于使用桩基础的工程而言,单桩质量的好坏直接决定着将来基础中桩的使用量,所以也直接的影响着工程的总造价[3]。我国每年的用桩数量越来越大,如何保证质量,一直备受建设、施工、设计、勘察、监理各方以及建设银行行政等主管部门的关注。同时也由于我国地质条件复杂,桩基工程除了因受岩土工程条件、基础与结构设计、桩土体系相互作用、施工以及专业技术水平和经验等关联因素的影响而具有复杂性外,桩的施工还具有高度的隐蔽性,从而使得桩基不仅在工程设计上缺乏理论指导,更是在保证质量方面令工程管理人员感到非常棘手。大量事实表明:工业与民用建筑中的质量问题和重大事故大多与基础工程的质量有关,其中有不少是由于桩基工程的质量问题引起的,并直接危及主体结构的正常使用与安全[1]。工程桩的单桩竖向承载力和桩身完整性检测是桩质量验收的两个重要指标。在现阶段对这两个指标的检测方法可分为三类:间接法、半直接法、直接法。间接法例如应用一些经验公式,通常受地域或工程性质的改变而使其应用受到限制;半直接法例如低应变法,即在现场检测的基础上,加之检测者的经验或一些理论基础得出检测结果的方法;直接法例如静载荷试验,即通过现场试验得到具体检测结果,较为直观,可靠性非常强,应用也比较广泛,但费时、费力、费钱。此外,桩身完整性的判断多采用低应变检测法,该方法虽然得到大家一致认可,可是仍然是依靠检测者个人的经验对应力反射波进行判断,从而确定桩身完整性类别的。检测者个人的经验是否丰富,将对检测结果产生比较大的影响。如何科学合理、全面的预测桩基的质量,并以此为依据在施工过程中对重要因素采取控制措施,以确保成桩质量,对工程管理工作具有重要的现实意义。
        目前国内很少采用扩底桩设计及应用,只有在少数无地下水及地下水位低的地方采用人工挖孔扩底,对于地下水丰富的地区,以前根本无法进行既准确、安全、又可靠地满足设计要求的扩底桩。AM施工技术采用全液压电脑管理映像追踪快换魔力铲斗可控可视工艺,旋挖成孔后,进行液压扩底。整个过程完全采用电脑管理映像追踪监控系统进行控制。此施工工艺在很大程度上解决了桩基在地下水丰富、地质条件复杂的地区,设计与施工困难的情况。
        人工神经网络(简称 ANN)是基于对人脑组织结构、活动机制的初步认识提出的一种信息处理系统。它是通过模仿脑神经系统的组织结构以及某些活动机理而建立发展起来的。因此,人工神经网络具有非常强的适应环境和自学习的能力,且具有很强的非线性映射的能力。只要给予人工神经网络足够多的学习样本,它便能通过学习和记忆总结样本的内在规律和知识,从而给出输入参数与输出参数之间正确的映射关系。所以,人工神经网络对解决无法用精确公式或规则进行表达的问题具有极大的优势[5]
        由于神经网络的诸多优点,使得其比较适合解决AM工法桩在质量预测方面所面临的问题。与传统公式法相比,应用神经网络对AM工法桩各质量指标进行预测,可以不需要过多的人为假设或先验知识,只要有足够多的、合理的数据,网络便可找出各影响因素与单桩承载力、桩身完整性之间的非线性映射关系。这就使AM工法桩的质量预测模型的建立成为可能。本文即是利用人工神经网络所具备的预测能力,针对特定的桩型——AM工法桩进行质量方面的预测研究。

1.2 AM工法桩概述及国内外研究现状

1.2.1 AM工法桩概述

        目前,国内外机械扩底桩施工方法一般都是用旋挖钻机施工等径桩部分,等径桩部分成桩后更换扩底钻头进行扩底作业,扩底钻头扩底作业有两种方式,第一种靠机械外力使钻头压开积压土体,第二种靠液压打开扩大翼切削土体扩大作业。
        第一种钻头压开土体要依靠桩底土体反力作用,只适用于桩底一次扩底桩,对于二次扩孔的扩底桩在施工第一次扩孔位置以下部分过程中,一旦第一次扩孔位置出现问题,扩底钻头由于没有反力受力点,钻头无法打开,从而无法弥补,成桩质量不易控制。
        第二种扩底钻头需要打开扩大翼切削土体扩大作业,其中AM工法旋挖扩底灌注桩(以下简称AM工法桩)就是其中的一种,它具有一般机械扩底桩的特点,又有特别先进的一方面。AM工法桩采用日本进口的液压机械设备,由传感设备可视化控制,即全液压电脑管理映像追踪快换魔力铲斗,扩底施工过程可控可视。用配套的旋挖钻机将等径桩成孔到设计深度后,更换扩底钻头(全液压扩底快换魔力铲斗)下降到扩底桩的扩大部位,靠液压打开扩大翼进行切削土体扩大作业。扩底作业前,需要操作人员把预先设计要求的扩底深度及扩底形状、尺寸等数据输入操作室内的控制电脑内。进行扩底作业时,扩底钻头的位置以及每次切削土体作业结果全部显示在显示屏上,控制每次切削量,逐渐扩大,直到与预先输入的数据、图像重合时,作业结束,完成扩底施工,最后打印扩孔结果数据存档。
        AM工法施工具有诸多优点,不受施工场地限制,地质适应性强,能够应用于大部分各种复杂地质条件,同时施工速度快,成桩质量高,施工无噪音,无振动,不出泥浆,环境污染低等优点。机械扩底桩虽然有较高的承载力和质量易保证的特点,但也有成本相对较高等缺点21

1.2.2单桩竖向承载力预测研究现状

        国际上,确定桩基极限承载力最公认的实验是静载荷试验,它也是最稳定最直接的测试方法,在《建筑地基基础设计规范》中,也把静载试验规定为一种标准的试验方法。但是,因为桩基静载试验工作不仅费力、费钱、费时,而且在相应规范规定下也只是选择很少一部分桩进行试验,具有局限性。至于其他的一些经验公式的应用也不能适应所有的工程,与真实情况出入较大。因此,为了弥补静载荷试验缺陷以及改善公式预测法产 生的较大误差,需要寻找一种更为精确合理的单桩竖向承载力的预测方法[10]
        The等人基于海利打桩公式的BP神经网络模型基础上,提出了动测法基桩承载力的 BP 神经网络模型。此模型将桩端土平均贯入数、桩最终贯入度、桩长径比、桩锤能量、锤击总数共5个因素作为神经网络的输入元。通过有关的模型实验和现场实验的结果比较得出,此网络预测误差对于模型实验及现场实验结果预测的最大误差分别不超过20%和25%。结果显示,预测精度明显高于Meyerhof承载力公式计算结果[11]
在国内,张明义等人依据静载荷试验及静压桩的隔时复压试验,认为静压桩极限承载力随时间呈双曲线增长。与此同时,还认为静压桩承载力的增长主要受桩侧摩阻力的提高的影响,而桩端阻力的提高影响较小。通过桩的压桩力及复压力,可得出最终承载力,提供了一种方便的计算承载力的方法[12]
        刘和元等人创建了考虑桩锤落距的3层BP神经网络预测模型。该模型的输入节点为桩弹模量、桩横截面积、锤的落距、桩长、桩重、锤重、桩的贯入度以及锤的类型等 8 个元素。其结果具有较高的精度[13]
       康小兵等对神经网络输入节点数利用主成分分析方法进行了简化,建立了嵌岩桩的人工神经网络预测模型,通过对嵌岩长桩的承载特性的研究,对工程的分析,得出了一些有益的的结论,并对模型结构进行了相应改进[14]

1.2.3桩身完整性预测研究现状

        AM工法桩在桩身完整性检测方面的研究较少。现阶段,低应变动测在基桩完整性检测方面应用较为广泛,因其具有设备简单、检测快速等诸多优点。但在具体实践过程中,对桩身完整性类别的判别主要依靠人员的经验,人为主观干预较多。因此,寻求一种更为合理、准确的判断桩身完整性类别方法,具有十分重要的理论和实际意义。
        潘冬子利用小波理论对现场桩基测试信号与数值模拟信号进行分析,并与神经网络相结合,应用于基桩缺陷的研究中,并进行准确诊断,取得了比较好的效果[15]
        徐明根利用低应变反射波原理,分析了影响桩身完整性检测结果的因素。通过对现场检测结果的比较,提出了在检测桩身完整性方面,反射波法及钻芯法存在的问题与处理方法,为桩身质量完整性准确地判定提供一些借鉴[16]

1.3本文主要研究内容

        结合国内外的研究现状,本文主要研究内容如下:
(1)对影响AM工法桩质量的各因素进行了细致的、全面的分析,主要包括土层、桩体、施工机械、时间及空间效应等方面,建立影响质量因素的指标体系。
 (2)阐述BP神经网络方法在AM工法桩质量预测这一问题上的可行性及优越性。在此基础上建立以单桩竖向承载力、桩身完整性作为输出层神经元的三层BP神经网络质量预测模型。
 (3)在天津地区收集的AM工法桩试桩数据应用到BP神经网络模型中进行训练,并且对AM工法桩的质量进行了预测分析。通过对现场的实测值与预测结果的对比,验证了预测值的准确性和可靠性,为AM工法桩质量提供了一种精度较高的预测方法。       

第2章  AM工法桩质量影响因素分析
        对于预测结果的。预测模型的准确建立离不开对所需要解决问题的充分认识和了解。就本文而言,如果想正确、合理地预测AM工法桩的质量,就必须对AM工法桩的承载机理及影响载体桩质量的各因素进行系统的、科学的分析和总结。只有对AM工法桩及影响AM工法桩质量的因素有了充分的认识,才能选择出合理的输入参数,在网络中才能正确反映出输入与输出之间的映射关系,建立客观而有效的预测网络模型。输入参数的选择必须是那些对输出结果影响大,并且能够检测或提取的变量,此外还要求各输入变量之间互不相关或相关性很小[24-25]。客观合理的选择神经网络的输入参数才能建立起有效的模型,得到更准确的预测结果。

2.1 AM工法桩质量预测指标

2.1.1 单桩竖向极限承载力

        单桩竖向极限承载力:“单桩在竖向荷载作用下到达破坏状态前或出现不适于继续承载的变形时所对应的最大荷载”[27]

全篇硕论word 3.2万字



结论与展望

        本文通过在天津地区所收集到的AM工法桩施工及静载荷试验检测数据、地质勘测资料和低应变检测数据,依托BP神经网络的处理非线性映射能力及大规模并行处理问题方面的功能构建模型,来预测AM工法桩的质量。通过对AM工法桩承载机理及荷载传递机理的认识以及对影响AM工法桩质量诸多因素的分析,确立了AM工法桩的土质参数、桩体参数、施工参数、时间和空间效应参数与单桩竖向承载力特征值、桩身完整性之间的映射关系,根据这些参数建立了预测模型,利用Matlab神经网络工具箱实现模型并对AM工法桩进行预测,然后将网络预测结果与经验公式法预测结果及实测值进行对比。本文的研究结论主要有以下几个方面:
(1)建立了预测AM工法桩质量影响因素的指标体系,为BP神经网络预测模型提供了合理的输入参数。
(2)根据本文收集到的相关数据和研究目的,建立了AM工法桩关于单桩竖向承载力特征值和桩身完整性类别的质量预测模型。
(3)通过实例验证,利用BP神经网络对AM工法桩进行质量预测,其结果精度更高。单桩竖向承载力方面,与经验公式法所计算的结果相比较, BP神经网络的预测结果更接近静载荷试验的实测值,提高了预测精度;桩身完整性方面,同样BP神经网络的预测结果与现场低应变检测结果非常接近,预测精度比较高。
        总之,通过网络模型预测值与经验公式法计算值、实测值的结果对比分析,验证了BP神经网络算法在AM工法桩质量预测问题的应用上是可行的。本文所研究的内容为AM工法桩质量预测提供了一种新途径。但是由于影响单桩质量的因素具有复杂且及不确定的特性,所以建立一个精确的网络模型结构服务于桩基工程质量预测中,还需要很多努力。
 

参考文献

[1] 陈凡,徐天平.基桩质量检测技术[M].北京:中国建筑工业出版社,2003,
[2] 徐攸在.桩的动测新技术(第二版)[M].北京:中国建筑工业出版社,2002
[3] 张力.锤击桩单桩极限承载力的神经网络预测研究[D].江苏:东南大学,2006
[4] 李铮.基于BP神经网络的预应力管桩质量预测研究[D].河北:河北工程大学,2011
[5] 李季萍.基于 BP 神经网络的载体桩质量预测研究[D].河北:河北工程大学,2010
[6] 徐兰,方志耕,刘思峰.基于粒子群BP神经网络的质量预测模型[J].工业工程,2010,8
[7] 杨明.A M扩底灌注桩桩身应变测试[J].土工基础,2007,12
[8] 范磊.AM工法桩技术及承载性能研究[D].北京工业大学,2010
[9] 高文生,王福林.AM工法旋挖扩底灌注桩及其工程应用[J].中国建筑科学研究院地基基
    础研究所,2007(5)
[10] Lee I M, Lee J H. Prediction of pile bearing capacity using artificial neural   networks [J].Computers and Geo-techniques, 1996,18 (3): 189-199
[11] Teh C.I., Wang K.S., Goh A.T.C., et al. Prediction of pile capacity using neural  networks [J].Journal of Computing in Civil Engineering, 1997,11(2):129-138
[12] 史佩栋.高层建筑基础工程[M].北京:中国建材工业出版社,2000
[13] 刘和元,吴晓丽,刘松玉.动力测桩的 BP 网络分析[J].岩土工程学报,1998,20(2):59-62
[14] 康小兵.嵌岩长桩承载特性的人工神经网络模型的建立与研究[D].江苏:河海大学,2005
[15] 潘冬子.小波分析及其在基桩完整性检测中的应用研究[D].湖北:中科院武汉岩土力学研究所,2004
[16] 徐明根.工程桩基不同检测方法检测结果比较[J].长沙铁道学院学报(社会科学版),2005,6(1):225-226
[17] 窦华港,焦莹,马玲. A M桩技术在天津站交通枢纽工程中的应用[J].建筑工程,2001(6): 13-14,17
[18] 朱奎.桩基质量事故分析与对策[M].北京:中国建筑工业出版社,2009
[19] 徐至钧,李智宇,张亦农.AM工法桩设计施工及应用实例[M].北京:中国建筑工业出 版社,2009
[20] Nawari N O, Liang R, Nusairat J. Artificial intelligence techniques for the design  and analysis of deep foundations[EB/OL].Electronic Journal of Geotechnical    
Engineering,1999,4
[21] Chan W T, Chow Y K, Liu L F. Neural network: an alternative to pile driving formulas[J].Computers and Geo-techniques, 1995,17(2): 136-156

注:此稿件发表时经Ucheck(免费论文检测)查重合格
收缩