一种基于海水渗流的高压旋喷方法、系统技术方案

本申请公开了一种基于海水渗流的高压旋喷方法、系统，属于基坑技术领域。一种基于海水渗流的高压旋喷系统，包括：信息获取模块，用于获取待施工场地的预设施工参数；数据采集模块，用于采集施工场地的地质参数；预处理模块，用于对采集到的数据进行数据预处理；机器学习模块，用于搭建、训练、优化机器学习回归模型，所述机器学习回归模型用于计算钻杆提升速度，水玻璃加入比例；调整模块，依据机器学习模块的输出调整钻杆的提升速度和水玻璃加入比例，通过预测的钻杆的提升速度和水玻璃加入比例，解决桩体完整性不足和固结体密实度不均匀的技术问题，实现提高高压旋喷桩合格率的技术效果。果。果。

【技术实现步骤摘要】
一种基于海水渗流的高压旋喷方法、系统


[0001]本专利技术涉及基坑领域，具体为一种基于海水渗流的高压旋喷方法、系统。

技术介绍

[0002]高压旋喷桩的施工技术是利用高压泵将水泥浆或复合水泥浆液通过钻杆端头特制的旋转喷嘴，按照施工工艺参数设定的压力和流量将浆液旋转喷入土层，并借助浆液的射流作用切割掺搅地层，使浆液与土体混合发生一系列物理化学反应，进而形成具有一定强度的、连续的水泥加固体，从而改变原始地层的结构和组成，以达到加固地基或止水防渗的目的。
[0003]现有技术公开号为CN113123330B的文献提供了一种基于长短记忆神经网络的旋喷桩直径的确定方法，现有技术利用具有时间序列数据处理能力的长短记忆神经网络方法能够得出旋喷桩直径。
[0004]上述中的现有技术方案虽然通过基于长短记忆神经网络，收集历史数据进行训练和优化，计算旋喷桩成桩直径，利用具有时间序列数据数据处理能力的长短记忆神经网络，保证旋喷桩桩径设计与其施工质量，但是仍存在以下缺点：在实际施工中，近海人工建筑易受到海水渗流影响，导致桩体完整性不足和固结体密实度不均匀的技术问题。
[0005]填海场地、高孔隙率、地下水受潮汐影响、海水渗流严重的地质条件下，高压旋喷桩的合格率较低，存在桩体完整性不足和固结体密实度不均匀的情况，通过实验分析原因确定为钻杆提升速度过快和未采取防漏措施导致的，采用在水泥浆中加入水玻璃达到防漏的效果，但最佳钻杆提升速度和水玻璃加入比例仍需确定。
[0006]鉴于此，我们提出了一种基于海水渗流的高压旋喷方法及系统。

技术实现思路

[0007]1.要解决的技术问题。
[0008]本申请提供一种基于海水渗流的高压旋喷方法及系统，通过研究发现，填海场地、高孔隙率、地下水受潮汐影响、海水渗流严重的地质条件下，高压旋喷桩施工会出现完整性不足和固结体密实度不均匀的情况，会导致高压旋喷桩合格率较低，而通过实验发现控制钻杆提升速度，采取防漏措施可有效提升高压旋喷桩合格率，填海场地、高孔隙率、地下水受潮汐影响、海水渗流严重的地质条件会影响水/不排水抗剪强度，干重度和渗透性等地质参数，进而影响高压旋喷桩合格率，且施工参数，如浆液压力，气压和水灰比也会影响高压旋喷桩合格率，依据地质参数和施工参数建立机器学习回归模型，求得合适的钻杆提升速度，水玻璃加入比例可有效提高在不同地质条件下高压旋喷桩合格率，解决桩体完整性不足和固结体密实度不均匀的技术问题。
[0009]2.技术方案。
[0010]本专利技术提供一种基于海水渗流的高压旋喷方法。
[0011]S1、收集历史不同施工场地的高压旋喷桩合格的地质参数和施工参数以及对应的
钻杆提升速度和水玻璃加入比例。
[0012]S2、对所述地质参数和施工参数以及对应的钻杆提升速度和水玻璃加入比例进行数据预处理。
[0013]S3、将预处理后的旋喷桩的不同施工场地的高压旋喷桩合格的地质参数和施工参数进行归一化处理，结合对应的钻杆提升速度和水玻璃加入比例形成的数据集。
[0014]S4、构建并初始化全连接神经网络。
[0015]S5、使用数据集训练全连接神经网络，得到可以依据地质参数和施工参数计算最佳钻杆提升速度、水玻璃加入比例的神经网络模型。
[0016]S6、采集待施工场地施工参数，检测待施工场地地质参数，并对其进行相应的预处理，标准化后输入训练好的神经网络模型。
[0017]S7、通过神经网络模型输出的最佳钻杆提升速度和水玻璃加入比例，调整施工方案。
[0018]优选的，所述地质参数包括排水/不排水抗剪强度，干重度、渗透性和实时地下水位。
[0019]优选的，所述施工参数包括浆液压力，气压和水灰比。
[0020]优选的，施工流程为高压旋喷桩施工工艺流程如下：施工准备
→
测量待施工地质参数结合设计好的施工参数
→
输入训练好的神经网络模型
→
最佳钻杆提升速度，最佳水玻璃加入比例
→
钻机就位
→
钻孔至设计深度、插入注浆管
→
旋喷提升、成桩
→
冲洗机具设备
→
钻机移位
→
进入下一施工，循环进行，依据机器学习求得最佳钻杆提升速度和最佳水玻璃加入比例来控制施工工艺。
[0021]优选的，S2中所述数据预处理包括对地质参数和施工参数进行数据清洗，剔除异常值，补全缺失值，缺失值采用均值插补的方式补齐。
[0022]优选的，S3中所述归一化处理为对数据进行无量纲化处理，将数据按比例缩放，使之落入一个小的特定区间[0，1]，公式为X'=(X
‑
Xmin)/(Xmax
‑
Xmin)，其中，X'是标准化后的数据，X是原始数据，Xmin和Xmax是原始数据的最小值和最大值。
[0023]优选的，S4中所述全连接神经网络，输入层包含6个神经元，接收输入特征，第一个隐藏层包含64个神经元，激活函数为ReLU，增加Dropout层来防止过拟合，第二个隐藏层包含64个神经元，激活函数为ReLU，增加Dropout层来防止过拟合，输出层包含2个神经元，输出函数为线性函数f(x)=wx+b，损失函数为平滑L1损失L1=1/n∑|y
‑
y'|，优化器使用随机梯度下降优化器，初始学习率为0.001，并根据损失函数的变化进行衰减。
[0024]一种基于海水渗流的高压旋喷系统，包括。
[0025]信息获取模块，用于获取待施工场地的预设施工参数。
[0026]数据采集模块，用于采集施工场地的地质参数。
[0027]预处理模块，用于对采集到的预设施工参数进行数据清洗。
[0028]机器学习模块，机器学习回归模型用于计算钻杆提升速度，水玻璃加入比例。
[0029]所述机器学习模块用于通过神经网络历史土层信息和施工参数进行多层标识，建立土层信息、施工参数与钻杆提升速度之间的钻杆速度模型，根据不同土层信息和施工参数与不同提升速度下对应的高压旋喷桩一次成桩合格率，获得满足高压旋喷桩一次成桩合格率要求的样本数据，将预处理后的土层信息和施工参数作为输入端，钻杆提升速度作为
输出端进行机器学习，即可得到钻杆速度模型。
[0030]调整模块，将预设施工参数和地质参数输入钻杆速度模型，得到最终的钻杆提升速度和水玻璃加入比例。
[0031]控制模块，用于控制钻杆的提升速度。
[0032]优选的，所述高压旋喷桩一次成桩合格率要求为大于90%。
[0033]优选的，神经网络使用网格搜索调优，遍历所有可能的超参数组合，并使用均方误差作为指标，选择最小化它的超参数组合，神经网络的超参数有学习率，Dropout层的概率，隐藏层的神经元数量。
[0034]优选的，全连接神经网络可换为其他机器学习回归算法，包括且不限于决策树回归，支持向量机回归，随机森本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于海水渗流的高压旋喷方法，其特征在于：S1、收集历史不同施工场地的高压旋喷桩合格的地质参数和施工参数以及对应的钻杆提升速度和水玻璃加入比例；S2、对所述地质参数和施工参数以及对应的钻杆提升速度和水玻璃加入比例进行数据预处理；S3、将预处理后的旋喷桩的不同施工场地的高压旋喷桩合格的地质参数和施工参数进行归一化处理，结合对应的钻杆提升速度和水玻璃加入比例形成的数据集；S4、构建并初始化全连接神经网络；S5、使用数据集训练全连接神经网络，得到可以依据地质参数和施工参数计算最佳钻杆提升速度、水玻璃加入比例的神经网络模型；S6、采集待施工场地施工参数，检测待施工场地地质参数，并对其进行相应的预处理，标准化后输入训练好的神经网络模型；S7、通过神经网络模型输出的最佳钻杆提升速度和水玻璃加入比例，调整施工方案。2.根据权利要求1所述的一种基于海水渗流的高压旋喷方法，其特征在于：所述地质参数包括排水/不排水抗剪强度，干重度、渗透性和实时地下水位。3.根据权利要求1所述的一种基于海水渗流的高压旋喷方法，其特征在于：所述施工参数包括浆液压力，气压和水灰比。4.根据权利要求1所述的一种基于海水渗流的高压旋喷方法，其特征在于：施工流程为高压旋喷桩施工工艺流程如下：施工准备
→
测量待施工地质参数结合设计好的施工参数
→
输入训练好的神经网络模型
→
最佳钻杆提升速度，最佳水玻璃加入比例
→
钻机就位
→
钻孔至设计深度、插入注浆管
→
旋喷提升、成桩
→
冲洗机具设备
→
钻机移位
→
进入下一施工，循环进行，依据机器学习求得最佳钻杆提升速度和最佳水玻璃加入比例来控制施工工艺。5.根据权利要求1所述的一种基于海水渗流的高压旋喷方法，其特征在于：S2中所述数据预处理包括对地质参数和施工参数进行数据清洗，剔除异常值，补全缺失值，缺失值采用均值插补的方式补齐。6.根据权利要求1所述的一种基于海水渗流的高压旋喷方法，其特征在于：S3中所述归一化处理为对数...

【专利技术属性】
技术研发人员：李永杰，郑磊，董寅初，袁亮，夏娟，
申请(专利权)人：青岛东捷建设集团有限公司，
类型：发明
国别省市：