一种基于BAS-BP的桩基水平承载力预测方法技术

本发明专利技术涉及一种基于BAS

【技术实现步骤摘要】
一种基于BAS
‑
BP的桩基水平承载力预测方法


[0001]本专利技术属于桩基承载力预测领域，具体涉及一种基于BAS
‑
BP的桩基水平承载力预测方法。

技术介绍

[0002]桩基础在桥梁、输电线路和海洋工程建筑中具有广泛应用，桩基不仅承担上部结构的竖向荷载，还会承担由风力、波浪力、交通荷载以及地震作用等因素引起的水平荷载。现有桩基水平承载力理论分析方法主要有：极限地基反力法、弹性理论法、弹性地基反力法和复合地基反力法，有限元模拟也在实际工程分析中常常应用，但上述方法均有一定的缺点：极限地基反力法假设地基土抗力系数为深度的函数，不考虑桩身变形，因此极限地基反力法并不适用于中长桩，只适应于埋深较浅的刚性桩；弹性理论法假设土体为半无限空间体，土体弹性模量E和泊松比μ沿深度变化或保持不变，弹性理论法可以定性分析桩体参数和土体参数对桩基水平承载形状的影响，但无法计算得到桩的内力变形参数；弹性地基反力法假设地基土抗力系数随深度呈线性变化，适用于水平受荷桩的小位移计算，并不适应于大位移情况下桩基水平承载力计算；复合地基反力法主要针对长桩，p
‑
y曲线法是复合地基反力法的代表方法，该法假定土体为一系列非线性弹簧，由于其可以综合考虑桩土相互作用的非线性特征，因此广泛应用于各种情况下的水平受荷桩承载力计算，但p
‑
y曲线法的建立通常基于现场试验结果并结合理论分析进行修正，对与类似工程条件下桩基水平承载力预测具有很好地效果，但对与其他工程条件并不适应；数值模拟需要得到准确的土体参数以及正确建立模型，并且有限元模拟通常需要耗费大量时间，并不适用于实际工程。因此构建一个简单高效的桩基水平承载力的预测方法对实际工程设计建造具有重要的实践意义。

技术实现思路

[0003]针对传统设计分析方法存在计算繁琐且无法考虑岩土参数的空间变异性，现有分析方法计算桩基水平承载力值与实际真实值存在一定误差，不能准确得到桩基水平承载力的问题，本专利提出一种针对桩基水平承载力预测的新方法，即运用BAS
‑
BP神经网络模型对桩基水平承载力进行预测的方法。
[0004]一种基于BAS
‑
BP的桩基水平承载力预测方法，具体包括以下步骤：a、获取桩基水平承载力试验数据，并对所述桩基水平承载力试验数据进行归一化处理形成数据集，并将数据集随机划分为训练集和测试集；b、初始化BP神经网络模型参数和天牛须算法参数，构建用于桩基水平承载力预测的BAS
‑
BP神经网络模型；随机生成神经网络初始连接权值和阈值作为天牛的初始空间位置，并计算此时的适应度值，BAS算法通过迭代更新寻找到最优初始连接权值和阈值，并得到最优适应度值，构建最优BAS
‑
BP神经网络模型；并设定神经网络的输入层与隐含层之间的传递函数为tansig，隐含层与输出层之间的传递函数为purelin，设定神经网络采取
trainlm作为训练函数调整计算过程中的阈值和权值；c、采取训练集训练BAS
‑
BP神经网络模型的初始连接权值和阈值，直至训练误差达到预设精度，获得最优神经网络连接权值和阈值，再将训练集中的训练样本和测试集中的测试样本导入到训练好的BAS
‑
BP神经网络模型进行桩基水平承载力预测。
[0005]优选的，所述步骤a中，桩基水平承载力试验数据包括：桩长、桩径、荷载偏心距和土体不排水抗剪强度，并对所述桩基水平承载力试验数据进行归一化处理形成数据集，归一化处理公式如下：其中，x
i
表示第i个数据；x
min
和x
max
分别代表数据集中最小值和最大值；x
i
’
为归一化后的数据。
[0006]优选的，所述步骤a中，构造训练集train和测试集test的输入输出矩阵：式中，input为训练集或测试集的输入矩阵；output为训练集或测试集的输出矩阵；其中D、L、e、S
u
、Q分别为桩径、桩长、荷载偏心距、土体不排水抗剪强度和桩基水平承载力。
[0007]优选的，所述步骤b中，所述BP神经网络包括输入层、隐含层和输出层，各层节点数分别为M、N、1；确定BP神经网络各层的传递函数以及神经网络的训练函数，取对数S型函数为输入层神经元传递函数，隐含层与输出层神经元传递函数为线性函数，purline，设定神经网络采取trainlm作为训练函数调整计算过程中的阈值和权值；采取预测值和真实值的均方误差作为BAS
‑
BP神经网络模型的适应度函数：式中，N为训练集样本个数，tsim(i)和y(i)分别为BAS
‑
BP神经网络的预测值和真实值。
[0008]优选的，所述步骤b中，初始化BP神经网络模型参数，具体包括确定神经网络隐含层个数、隐含层神经元个数、神经网络传递函数和训练函数、神经网络训练精度、神经网络迭代次数、BAS算法步长以及BAS算法迭代次数参数。
[0009]优选的，步骤b中所述BAS算法通过不断迭代寻找最优天牛位置的过程如下：S1：创建天牛须朝向的随机向量，根据下式计算并确定天牛的搜索方向：式中，为标准化后随机搜索空间向量；ranks()为随机函数；k表示空间维度，取BP神经网络为单隐含层结构，模型结构为M
‑
N
‑
1，M为输入层神经元个数，N为隐含层神经元个数，输出层神经元个数为1，搜索空间维度k＝M*N+N*1+N+1。S2：确定天牛左右须坐标：
其中x
t
为天牛当前位置，x
r
为天牛右侧触角的位置,x
l
为天牛左侧触角的位置，d
t
为t时刻质心到须的距离，代表天牛搜索距离。S3：根据天牛左右须对应函数值决定天牛下一时刻移动位置为：x
t
＝x
(t
‑
1)
‑
δ
t
*b*sign(f(x
r
)
‑
f(x
l
))其中δ
t
为t时刻搜索步长，f(x
l
)和f(x
r
)分别为天牛左右须的适应度值，sign()为符号函数，f为待优化函数。S4：搜索距离与步长更新如下：其中，C2和δ
t
分别为搜索距离和步长的更新系数，δ0为最小搜索步长；w为[0,1]间的惯性权重，w
max
为惯性权重的最大值，w
min
为惯性权重的最小值，t
max
为最大迭代次数，t为当前迭代次数。
[0010]在步长更新阶段，通过引入线性递减的惯性权重w和最小搜索步长δ0来改变不同迭代时期搜索步长。在算法迭代初期，w值较大，全局搜索能力较强，避免陷入局部最优；随着算法迭代次数增大，w值逐渐减小，算法的局部搜索能力增强，收敛精度和收敛速度均提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BAS
‑
BP神经网络模型的桩基水平承载力的预测方法，其特征在于：按下述步骤进行：a、获取桩基水平承载力试验数据，并对所述桩基水平承载力试验数据进行归一化处理形成数据集，并将数据集随机划分为训练集和测试集；b、初始化BP神经网络模型参数和天牛须算法参数，构建用于桩基水平承载力预测的BAS
‑
BP神经网络模型；随机生成神经网络初始连接权值和阈值作为天牛的初始空间位置，并计算此时的适应度值，BAS算法通过迭代更新寻找到最优初始连接权值和阈值，并得到最优适应度值，构建最优BAS
‑
BP神经网络模型；并设定神经网络的输入层与隐含层之间的传递函数为tansig，隐含层与输出层之间的传递函数为purelin，设定神经网络采取trainlm作为训练函数调整计算过程中的阈值和权值；c、采取训练集训练BAS
‑
BP神经网络模型的初始连接权值和阈值，直至训练误差达到预设精度，获得最优神经网络连接权值和阈值，再将训练集中的训练样本和测试集中的测试样本导入到训练好的BAS
‑
BP神经网络模型进行桩基水平承载力预测。2.根据权利要求1所述的基于BAS
‑
BP神经网络模型的桩基水平承载力的预测方法，其特征在于：所述步骤a中的桩基水平承载力试验数据包括：桩长、桩径、荷载偏心距和土体不排水抗剪强度，对所述桩基水平承载力试验数据进行归一化处理，其归一化处理公式如下：其中，x
i
表示第i个数据；x
min
和x
max
分别代表数据集中最小值和最大值；x
i
’
为归一化后的数据。3.根据权利要求2所述的基于BAS
‑
BP神经网络模型的桩基水平承载力的预测方法，其特征在于：所述步骤a中，构造训练集和测试集的输入输出矩阵：式中，input为训练集或测试集的输入矩阵；output为训练集或测试集的输出矩阵；D、L、e、S
u
、Q分别代表桩径、桩长、荷载偏心距、土体不排水抗剪强度和桩基水平承载力。4.根据权利要求1所述的基于BAS
‑
BP神经网络模型的桩基水平承载力的预测方法，其特征在于：所述步骤b中，所述BP神经网络包括输入层、隐含层和输出层，各层节点数分别为M、N、1；确定BP神经网络各层的传递函数以及神经网络的训练函数，取对数S型函数为输入层神经元传递函数，隐含层与输出层神经元传递函数为线性函数，purline，设定神经网络采取trainlm作为训练函数调整计算过程中的阈值和权值；采取预测值和真实值的均方误差作为BAS
‑
BP神经网络模型的适应度函数：式中，N为训练集样本个数，tsim(i)和y(i)分别为BAS
‑
BP神经网络的预测值和真实值。5.根据权利要求1所述的基于BAS
...

【专利技术属性】
技术研发人员：张四化，刘云龙，雷雪，李晨光，朱思源，
申请(专利权)人：郑州大学，
类型：发明
国别省市：