[發明專利]一種注漿成型擴底樁樁徑的優化測定方法

有效

• 申請號: 201711276442.9
• 申請日: 2017-12-06
• 公開（公告）號: CN108446413B
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 賀可強;信校陽;牛肖
• 申請（專利權）人: 青島理工大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06N3/04;G06N3/08
• 代理公司: 青島匯智海納知識產權代理有限公司 37335
• 代理人: 王皎

1.一種注漿成型擴底樁樁徑的優化測定方法，其特征在于，具體包括以下步驟：

步驟一：影響擴底樁抗拔承載力的主要因素的確定；

步驟二：注漿成型擴底樁最優擴徑比的確定；

步驟三：注漿成型擴底樁承載力BP神經網絡模型的確定；

步驟四：注漿成型擴底樁承載力BP神經網絡模型參數的確定；

步驟五：注漿成型擴底樁抗拔承載力與樁徑關系曲線的確定；

步驟六：注漿成型擴底樁樁徑的確定；

所述步驟一影響擴底樁抗拔承載力的主要因素分別為土層液性指數I_L、樁側土有效內摩擦角加權平均值擴徑部分土層的變形模量E_S、樁長l、非擴底部分樁徑d、擴底高度h、擴底部分樁徑與非擴底部分樁徑之比D/d及擴大頭上部直徑漸變段的擴展角β；D/d用λ表示；

所述步驟二中注漿成型擴底樁最優擴徑比通過以下公式確定，

其中，ρ_t為擴徑比λ＝t對應的單樁極限抗拔承載力較擴徑比λ＝t-0.2對應的單樁極限抗拔承載力的增長率；T_t為擴徑比λ＝t對應的單樁極限抗拔承載力；T_t-0.2為擴徑比λ＝t-0.2對應的單樁極限抗拔承載力；當單樁極限抗拔承載力提高效率達到最大值時對應的擴徑比即為最優擴徑比λ′；

所述步驟三BP神經網絡模型由輸入層、隱含層和輸出層構成；

所述輸入層為8個節點，由樁長向量組[l₁,l₂,…,l_n]、非擴底部分樁徑向量組[d₁,d₂,…,d_n]、擴底高度向量組[h₁,h₂,…,h_n]、擴底部分樁徑與非擴底部分樁徑之比向量組[λ₁,λ₂,…,λ_n]、土層液性指數向量組[I_L1,I_L2,…,I_Ln]、樁側土有效內摩擦角加權平均值向量組擴徑部分土層的變形模量向量組[E_s1,E_s2,…,E_sn]、擴大頭上部直徑漸變段的擴展角向量組[β₁,β₂,…,β_n]八個因素表示；隱含層為單隱含層；輸出層單元個數為1，由注漿成型擴底樁抗拔承載力向量組表示；輸入層到隱含層的權值和閾值分別為w_jk和θ_jk，隱含層到輸出層的權值和閾值分別為v_kj和γ_kt；

所述步驟四BP神經網絡模型參數的確定方法，具體為：

(1)試算法確定隱含層神經元結點數

首先確定隱含層神經元結點數范圍[12，22]；將樣本數據輸入Matlab中編制的試算法訓練程序，對隱含層神經元結點數[12，22]進行試算；選擇均方誤差和收斂步數最小時對應的隱含層神經元結點數即為最終網絡的隱含層神經元結點數；

(2)BP人工神經網絡權值和閾值的確定

1)樣本數量根據Ν≥2n確定，由公式(2)、(3)確定訓練樣本和檢驗樣本的數量：

N為樣本的總數量；T₁訓練樣本的數量；T₂檢驗的樣本的數量；[]表示取整運算；

2)首先在(0,1)區間內隨機取值對權值和閾值進行初始化，再對訓練樣本數據進行歸一化處理，然后通過公式(4)傳遞給隱含層神經元，隱含層神經元根據公式(5)進行輸出：

b_k＝f(S(k))＝1/(1+e^-S(k))(k＝1,2,…,p) (5)

其中，P_j為輸入向量組，j為輸入向量組中元素的個數，k為隱含層單元的個數；

3)隱含層神經元輸出值通過公式(6)傳遞給輸出層神經元，輸出層神經元根據公式(7)進行輸出：

4)根據公式(8)計算網絡誤差e：

其中，t為輸出向量組中元素的個數；

當網絡誤差e＜0.0006時，滿足精度要求，終止網絡訓練；當網絡誤差e≥0.0006時，不滿足精度要求，需要根據下列步驟5)、6)對網絡的權值和閾值進行修正；

5)根據期望輸出T_UKt和網絡實際輸出利用公式(9)計算輸出層神經元的校正誤差d_t：

根據公式(10)計算隱含層神經元的校正誤差e_k：

6)根據公式(11)、(12)修正隱含層至輸出層的連接權值v_kt和輸出層神經元的閾值γ_kt，其中α為學習速率，0＜α＜1

v_kt(i+1)＝v_kt(i)+α·d_t·b_k(k＝1,2,…,p；t＝1,2,…,n) (11)

γ_kt(i+1)＝γ_kt(i)+α·d_t(t＝1,2,…,n) (12)

根據公式(13)、(14)修正輸入層至隱含層的連接權值W_jk和隱含層神經元的閾值θ_jk，其中β為學習速率，0＜β＜1

w_jk(i+1)＝w_jk(i)+β·e_k·P_j(j＝1,2,…,n；k＝1,2,…,p) (13)

θ_jk(i+1)＝θ_jk(i)+β·e_k(k＝1,2,…,p) (14)

7)隨機選取下一個學習模式返回第3)步繼續進行訓練，直至網絡誤差e滿足精度要求，終止網絡訓練，該神經網絡的權值和閾值得到確定；

(3)神經網絡程序的編制

根據上述確定BP神經網絡模型，并運用Matlab神經網絡工具箱，對注漿成型擴底樁抗拔承載力神經網絡預測程序進行編制；

所述步驟五注漿成型擴底樁抗拔承載力與樁徑關系曲線的確定方法具體為：

經過現場地質條件勘察，確定土層性質參數；根據擴底樁承載特性的研究成果和《建筑地基基礎設計規范》(GB50007-2011)中樁基礎的設計規定，確定樁長l、擴底高度h＝0.6D＝1.2d、擴底部分樁徑與非擴底部分樁徑之比λ′、擴大頭上部直徑漸變段的擴展角β＝90°；根據《建筑地基基礎設計規范》(GB50007-2011)初步設計非擴底部分樁徑d′，并輸入已訓練完成的神經網絡預測模型進行抗拔承載力預測，根據抗拔承載力預測值與設計值的誤差，選擇合理的間距在非擴底部分樁徑初步設計值d′鄰域進行取值(d′-10μ,…,d′-μ,d′,d′+μ,…,d′+10μ)，并輸入已訓練完成的神經網絡預測模型進行抗拔承載力預測，根據神經網絡預測模型輸出的抗拔承載力與非擴底部分樁徑的關系，繪制注漿成型擴底樁非擴底樁徑與抗拔承載力關系曲線；

利用線性插值法確定注漿成型擴底樁抗拔承載力設計值對應的非擴底部分樁徑d，根據注漿成型擴底樁非擴底部分樁徑d和最優擴徑比λ′，確定擴底部分樁徑D：

D＝λ′d (16)；

所述線性插值法具體步驟為：

(1)根據步驟五繪制的曲線圖所確定的注漿成型擴底樁抗拔承載力設計值，確定出對應的非擴底部分樁徑d所在的區間[d′+kμ,d′+(k+1)μ](k＝0,1,2,3,4,5,6,7,8,9)；

(2)根據公式(15)確定區間[d′+kμ,d′+(k+1)μ](k＝0,1,2,3,4,5,6,7,8,9)中曲線對應的抗拔承載力線性方程，

分別為非擴底部分樁徑d′+kμ對應的抗拔承載力，d′+(k+1)μ對應的抗拔承載力；

(3)將注漿成型擴底樁抗拔承載力設計值T_UK代入公式(15)計算對應的非擴底部分樁徑d，并將非擴底部分樁徑d輸入神經網絡預測模型得出其抗拔承載力預測值，利用公式計算其與設計值的相對誤差，如果誤差在5％以內，該非擴底部分樁徑d符合設計要求；如果誤差小于0或大于5％，該非擴底部分樁徑d不符合設計要求，適當調整樁徑d，重復輸入神經網絡預測模型進行誤差檢驗，直至誤差符合要求，確定出注漿成型擴底樁非擴底部分樁徑d。