基于机器学习的桩-土相互作用预测分析方法技术

本发明专利技术公开了一种基于机器学习的桩‑土相互作用预测分析方法，属于地基基础工程技术领域。其包括以下步骤：采用拉丁超立方抽样方法建立桩‑土变量的参数样本，采用数值模拟方法对参数样本建模，得到参数样本对应桩体的受力变形值，通过Lasso方法对输入变量及需求变量进行敏感性分析，降低输入变量维度；将参数样本划分为数量均等的K份进行交叉验证，建立基于L‑M算法的BP神经网络模型，隐藏层神经元个数定义在一定范围内循环遍历运算，通过对比训练误差确定最佳隐藏层神经元个数，使用训练后的神经网络模型，预测桩体的受力变形。本发明专利技术具有分析流程清晰、可靠性强、效率高的优点，为桩基的设计和应用提供理论依据。

Prediction and analysis method of pile-soil interaction based on machine learning

【技术实现步骤摘要】
基于机器学习的桩-土相互作用预测分析方法
本专利技术涉及一种基于机器学习的桩-土相互作用预测分析方法，属于地基基础工程

技术介绍
桩基础在各种工程建设中有十分广泛的应用，是不良地基中最常用的处理方法。随着桩基技术的发展，一些新型桩基技术出现了，比如螺旋钢桩、复合土工材料封装散体桩等，这些桩的设计影响因素众多。了解其受力变形特性，对工程的安全性、稳定性和经济性有着重要的意义。桩基的承载力是桩与土共同作用的结果，传统的现场载荷试验是最常用的分析方法，通过分析单桩承载力，了解地基的力学性能，为工程前期设计和后期验收提供依据，但现场荷载试验的成本高昂，要消耗巨大的人力物力资源。上述这些新型的桩体，由于涉及多种材料或本身桩体结构呈现强烈的几何非线性，空间结构复杂，其在荷载下的桩土相互作用传力非常复杂，受力变形机理还不甚清楚，常采用半经验的理论计算，导致计算结果可靠性不高，常与现场试验结果产生较大的出入，对地基的变形与破坏情况的分析预估不准确，将导致工程存在安全隐患或工程造价大幅提高。目前，经过现场验证后的数值模拟方法计算精度优于现有的半经验理论本文档来自技高网...

【技术保护点】
1.基于机器学习的桩-土相互作用预测分析方法，其特征在于：包括以下步骤：/n采用拉丁超立方抽样方法建立桩-土变量的参数样本，所述参数样本包括土体变量和桩体变量；将参数样本划分为数量均等的K份，所述K为大于等于2的正整数；/n采用数值模拟方法对参数样本建模，得到参数样本对应桩体的受力变形值，所述受力变形值包括沿桩体长度方向的弯矩分布、桩体沉降值、桩体极限承载力；/n通过Lasso方法对输入变量及需求变量进行敏感性分析，所述输入变量为土体变量和桩体变量，所述需求变量为受力变形值；随机取一份参数样本作为测试集，其余K-1份参数样本作为训练集进行交叉验证，降低输入变量维度；/n建立基于L-M算法的BP...

【技术特征摘要】
1.基于机器学习的桩-土相互作用预测分析方法，其特征在于：包括以下步骤：
采用拉丁超立方抽样方法建立桩-土变量的参数样本，所述参数样本包括土体变量和桩体变量；将参数样本划分为数量均等的K份，所述K为大于等于2的正整数；
采用数值模拟方法对参数样本建模，得到参数样本对应桩体的受力变形值，所述受力变形值包括沿桩体长度方向的弯矩分布、桩体沉降值、桩体极限承载力；
通过Lasso方法对输入变量及需求变量进行敏感性分析，所述输入变量为土体变量和桩体变量，所述需求变量为受力变形值；随机取一份参数样本作为测试集，其余K-1份参数样本作为训练集进行交叉验证，降低输入变量维度；
建立基于L-M算法的BP神经网络模型，所述神经网络模型包括输入层、隐藏层和输出层，所述输入层的个数为降低维度后输入变量的个数，所述输出层为所需求的受力变形值；对隐藏层神经元个数的范围进行定义，并对其进行循环遍历训练，通过对比训练误差确定最佳隐藏层神经元个数；
使用训练后的神经网络模型，对新的变量参数进行分析，预测桩体的受力变形。


2.根据权利要求1所述的基于机器学习的桩-土相互作用预测分析方法，其特征在于：所述土体变量包括重度、孔隙率、不均匀系数、粘聚力、渗透系数、压缩模量和比重；所述桩体变量包括桩-土摩擦角、刚度、长径比、螺距、叶片钢盘厚度、土工材料刚度、桩体填料摩擦角和桩长。


3.根据权利要求1所述的基于机器学习的桩-土相互作用预测分析方法，其特征在于：所述对参数样本建模包括基于摩...

【专利技术属性】
技术研发人员：刘凯文，邱睿哲，何川，倪芃芃，梅国雄，陈德，苏谦，黄俊杰，越斐，周鹏飞，熊志鹏，李源港，邵康，牛妤冰，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川;51