一种高桩码头桩基侧向位移预测方法技术

本发明专利技术公开了一种高桩码头桩基侧向位移预测方法，包括如下步骤：获取高桩码头桩基侧向位移深度学习样本集；建立高桩码头桩基侧向位移深度学习预测模型；采用深度学习样本集对预测模型进行训练得到优化训练后的高桩码头桩基侧向位移深度学习预测模型；将实时采集的高桩码头桩实测数据输入到优化训练后的高桩码头桩基侧向位移深度学习预测模型得到模型输出预测结果。本发明专利技术通过高桩码头桩基侧向位移实测数据集和有限元仿真数据集的混合和修正，为建立高桩码头桩基侧向位移深度学习预测模型提供的丰富的样本数据，保障了侧向位移预测的准确性和可靠性。测的准确性和可靠性。测的准确性和可靠性。

【技术实现步骤摘要】
一种高桩码头桩基侧向位移预测方法


[0001]本专利技术涉及深度学习和仿真预测领域，特别涉及一种高桩码头桩基侧向位移预测方法。

技术介绍

[0002]高桩码头是沿海港口码头结构的主要型式，被广泛应用于软土地基上的码头建设，在我国社会经济发展活跃的渤海湾沿岸、苏北沿海、长江口、杭州湾、闽江口、珠江口和海南岛西北部等沿海地区应用十分广泛。由于海港码头所处的海洋环境复杂而恶劣，码头结构在承受较大使用荷载的同时，还经受着如土体、海浪、海流、海冰、潮汐以及台风、地震、船舶等荷载的作用，在恶劣的环境条件下，码头结构极易发生破损现象，导致结构整体抗力降低；再加之混凝土材料的自然老化、人为等因素的共同作用，码头结构的安全状态及使用寿命受到了严重影响。同时，在高桩码头使用过程中，软土地基的变形量较大，尤其是土体侧向变形过大会造成码头桩基承受的水平荷载过大，从而导致水平变位过大时，桩梁节点发生破坏，进而影响码头的承载力；随着土体蠕变的进一步加剧，码头的侧向位移进一步增加，在使用荷载作用下，码头结构会额外承受由于码头侧移而引起的附加弯矩，进一步加剧结构构件和节点的破坏，甚至整体结构发生倾覆，严重影响码头的安全生产。现有技术常常是采用实时测量桩基的位移量，而不会考虑预测未来的位移量，实际上采用预测数据更能反映桩基的未来安全性，实时测量位移是已经发生的位移极对应的安全风险，对于风险预测来说意义不大，如201910703778.1就无法解决位移预测的问题。
[0003]因此，开展高桩码头结构智能监测及预警研究及建设，突破港口基础设施智能监测及预警关键技术已刻不容缓，现有技术无相关文献公开。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提供一种高桩码头桩基侧向位移预测方法，基于深度学习和有限元仿真混合来实现侧向位移的预测，为码头的管理提供定量的预测数据。
[0005]为了实现上述目的，本专利技术采用的技术方案为：一种高桩码头桩基侧向位移预测方法，包括如下步骤：
[0006]获取高桩码头桩基侧向位移深度学习样本集；
[0007]建立高桩码头桩基侧向位移深度学习预测模型；
[0008]采用深度学习样本集对预测模型进行训练得到优化训练后的高桩码头桩基侧向位移深度学习预测模型；
[0009]将实时采集的高桩码头桩实测数据输入到优化训练后的高桩码头桩基侧向位移深度学习预测模型得到模型输出预测结果。
[0010]高桩码头桩基侧向位移深度学习样本集包括高桩码头实测数据集、高桩码头有限元仿真数据集。
[0011]高桩码头实测数据集建立包括：
[0012]收集典型高桩码头工程历年来所测的码头桩顶和桩底实测侧向位移，以时间为序排列，作为深度学习预测模型的输出变量；
[0013]码头结构参数、土体性质参数、浪高度、潮汐情况、影响码头的台风数据、高桩码头停靠的船舶吨位数据等，作为深度学习预测模型输入变量，形成高桩码头侧向位移实测数据集。
[0014]高桩码头有限元仿真数据集建立包括：
[0015]选择典型的高桩码头结构进行有限元精细化仿真建模，通过实测数据集对有限元模型相关参数进行优化调整，然后对所输入的土体参数、海浪参数、台风参数、船舶荷载等设置合理的上下限值和分隔间隔，利用模拟输入参数组合获得多组高桩码头桩基侧向位移的有限元仿真输出结果，形成高桩码头桩基侧向位移有限元仿真数据集。
[0016]对高桩码头桩基侧向位移有限元仿真数据集进行过滤，剔除噪声数据后将剔除后剩余的有限元仿真数据集与高桩码头实测数据集合并形成高桩码头桩基侧向位移深度学习样本集。
[0017]利用生成对抗神经网络GAN建立高桩码头桩基侧向位移有限元仿真数据集修正模型，通过高桩码头桩基侧向位移实测数据集建立和训练生成对抗神经网络CAN，然后对高桩码头桩基侧向位移有限元仿真数据集进行判别，去除不符合实测数据集规则的样本。
[0018]采用深度学习样本集对预测模型进行训练包括：
[0019]对高桩码头桩基侧向位移深度学习样本集进行归一化、时间序列转换等预处理，利用交叉验证优化深度学习预测模型：将样本集划分为5份，每次取4份数据集进行模型训练和优化，用剩余的1份数据集对模型进行测试，通过对深度学习模型隐藏层数量、隐藏层神经元数量等超参数进行优化，得到最优的深度学习神经网络结构，完成建立基于高桩码头桩基侧向位移深度学习预测模型。
[0020]采用高桩码头桩顶和桩底侧向位移数据作为预测模型的输出，码头高桩结构参数、所在土体物理力学性质参数、码头历年浪高、潮汐等数据、影响码头历年台风风速等数据、码头船舶吨位等荷载数据作为模型的输入建立预测模型，在预测模型训练优化完成后将实时采集的模型输入数据输入到模型中，然后由预测模型输出对应的预测结果。
[0021]利用5
‑
折交叉验证对预测模型进行优化，将样本集随机划分为5份，每次随机的选择4份作为训练集，剩下的1份做测试集；当这一轮完成后，重新随机选择4份来训练数据，4轮之后，选择实测值与预测值的误差来评估最优的模型和参数。
[0022]本专利技术的优点在于：通过高桩码头桩基侧向位移实测数据集和有限元仿真数据集的混合和修正，为建立高桩码头桩基侧向位移深度学习预测模型提供的丰富的样本数据，保障了侧向位移预测的准确性和可靠性，相比于传统的力学计算分析，深度学习预测模型可以考虑的影响因素更为全面，对于有限元数值仿真，深度学习预测模型节省了大量重复建模、网格划分和模型调参的过程，效率更高；所采用的生成对抗神经网络模型对样本集进行修正，可以充分利用高桩码头桩基侧向位移实测数据集的准确性和有限元仿真数据集的丰富性，为高桩码头智能化预警探索新的思路；采用5
‑
折交叉验证对预测模型进行优化，保证了模型的训练最优，提高了模型预测结果的准确性和可靠性。
附图说明
[0023]下面对本专利技术说明书各幅附图表达的内容及图中的标记作简要说明：
[0024]图1为本专利技术高桩码头桩基侧向位移深度学习样本集构建流程图；
[0025]图2为本专利技术基于深度学习的高桩码头桩基侧向位移学习预测模型构建与训练流程图。
具体实施方式
[0026]下面对照附图，通过对最优实施例的描述，对本专利技术的具体实施方式作进一步详细的说明。
[0027]本方案提供一种高桩码头桩基侧向位移的快速智能预测方法。利用收集到的高桩码头桩基历年变形数据及相关参数数据集，采用有限元数值仿真对实测变形数据集进行扩充，结合生成对抗神经网络来提高有限元仿真数据集结果的可靠性，将实测数据集和修正后的仿真数据集混合构成高桩码头桩基侧向位移智能预测样本集，建立深度学习神经网络模型，利用交叉验证对预测模型进行优化，实现对高桩码头桩基侧向位移的智能快速预测。采用生成对抗神经网络结合有限元仿真来实现高桩码头桩基侧向位移实测数据集的扩充，可以在获得充足的预测样本集基础上保证数据的可靠性，而深度学习预测模型可以解决有限元建模耗时长、模型调本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高桩码头桩基侧向位移预测方法，其特征在于：包括如下步骤：获取高桩码头桩基侧向位移深度学习样本集；建立高桩码头桩基侧向位移深度学习预测模型；采用深度学习样本集对预测模型进行训练得到优化训练后的高桩码头桩基侧向位移深度学习预测模型；将实时采集的高桩码头桩实测数据输入到优化训练后的高桩码头桩基侧向位移深度学习预测模型得到模型输出预测结果。2.如权利要求1所述的一种高桩码头桩基侧向位移预测方法，其特征在于：高桩码头桩基侧向位移深度学习样本集包括高桩码头实测数据集、高桩码头有限元仿真数据集。3.如权利要求2所述的一种高桩码头桩基侧向位移预测方法，其特征在于：高桩码头实测数据集建立包括：收集典型高桩码头工程历年来所测的码头桩顶和桩底实测侧向位移，以时间为序排列，作为深度学习预测模型的输出变量；码头结构参数、土体性质参数、浪高度、潮汐情况、影响码头的台风数据、高桩码头停靠的船舶吨位数据等，作为深度学习预测模型输入变量，形成高桩码头侧向位移实测数据集。4.如权利要求2所述的一种高桩码头桩基侧向位移预测方法，其特征在于：高桩码头有限元仿真数据集建立包括：选择典型的高桩码头结构进行有限元精细化仿真建模，通过实测数据集对有限元模型相关参数进行优化调整，然后对所输入的土体参数、海浪参数、台风参数、船舶荷载等设置合理的上下限值和分隔间隔，利用模拟输入参数组合获得多组高桩码头桩基侧向位移的有限元仿真输出结果，形成高桩码头桩基侧向位移有限元仿真数据集。5.如权利要求3或4所述的一种高桩码头桩基侧向位移预测方法，其特征在于：对高桩码头桩基侧向位移有限元仿真数据集进行过滤，剔除噪声数据后将剔除后剩余的有限元仿真数据集与高桩码头实测数据集合并形成高桩码头桩基侧向位移深度学习样本集。6.如权利要求5所述的...

【专利技术属性】
技术研发人员：陈爱青，昌雪玲，朱伟，吴威力，宣名轩，王嵩淇，
申请(专利权)人：浙江省交通运输科学研究院，
类型：发明
国别省市：