一种桩基竖向极限承载力预测方法

摘要

本发明提供了一种桩基竖向极限承载力预测方法，包括步骤S1、建立初始种群；步骤S2、采用改进径向移动算法的适应度函数计算初始种群中各个个体的适应度值，通过对个体的适应度值进行逐个比较来确定当代最优位置，并将其定义为初始中心位置；步骤S3、采用更新条件在第k代中心位置的±0.5（xjmax‑xjmin）wk范围内生成新的预位置点，并计算适应度值，更新位置信息；步骤S4、确定全局最优位置，并计算全局最优位置的适应度值；步骤S5、将全局最优位置的权值和阈值赋值给BP神经网络模型，对BP神经网络模型进行训练和仿真得到最优的桩基竖向极限承载力预测值。本发明便于确保预测值更加接近真实值。

说明书

技术领域

本发明涉及桩基承载力预测技术领域，具体涉及一种桩基竖向极限承载力预测方法。

背景技术

桩基是一种承载能力高、使用范围广且历史久远的基础形式。随着社会经济的不断发展，桩基被广泛应用于高层建筑、港口和桥梁工程中。在应用时，桩基竖向极限承载力是衡量桩基质量的一个重要指标。桩基竖向极限承载力与桩身强度、桩周土的性质以及施工工艺等诸多因素有关，还未有能全面考虑所有因素的理论公式和数值计算方法。静载试验是测量桩基承载力最直接、最可靠的方法。但由于耗时长、花费大，静载试验一般用于重要的工程中，无法被普遍使用。此外，有些桩基的荷载-沉降曲线呈缓慢型，静载试验时难以达到极限状态，无法测得桩基的极限承载力。而动测法测试原理与桩基的荷载传递机理不一致，若采用动测法测量桩基承载力，则会产生一定的测量误差。

人工神经网络是最早基于实测数据的桩基承载力预测方法。BP（BackPropagation）算法又称为误差反向传播算法，是人工神经网络中的一种监督式的学习算法。它具有很强的非线性映射能力，在理论上可逼近任意函数，且灵活性很强，可依据不同情况对参数进行调整。但其在预测时易陷入局部极小值，对于多峰值函数不能有效的搜索，收敛速度慢且搜索结果稳定性差。

综上所述，需要一种桩基竖向极限承载力预测方法以解决现有技术中存在的BP神经网络易陷入局部极小值、收敛速度慢且搜索结果不稳定的问题。

发明内容

本发明目的在于提供一种桩基竖向极限承载力预测方法，具体技术方案如下：

一种桩基竖向极限承载力预测方法，包括以下步骤：

步骤S1、将BP神经网络模型的权值和阈值作为改进径向移动算法的位置点信息，建立初始种群；

步骤S2、采用改进径向移动算法的适应度函数计算初始种群中各个个体的适应度值，通过对个体的适应度值进行逐个比较来确定当代最优位置，并将其定义为初始中心位置；所述适应度函数为BP神经网络模型的性能函数，具体为：

其中，

步骤S3、采用更新条件在第

步骤S4、由步骤S3更新的位置信息，确定全局最优位置，并计算全局最优位置的适应度值；若迭代次数达到上限或全局最优位置的适应度值小于0.001，则更新结束；反之，则重复步骤S3-S4直至更新结束；

步骤S5、将全局最优位置的权值和阈值赋值给BP神经网络模型，对BP神经网络模型进行训练和仿真得到最优的桩基竖向极限承载力预测值，算法结束。

优选的，所述步骤S1包括以下步骤：

步骤S1.1、计算BP神经网络模型的权值和阈值的总个数，具体通过以下计算式得出：

其中，

步骤S1.2、确定权值和阈值的取值范围

步骤S1.3、在步骤S1.2的取值范围内随机生成

所述计算式（6）为

其中，

优选的，所述步骤S3包括以下步骤：

步骤S3.1、确定生成新的预位置点的更新条件，具体的，

其中，

步骤S3.2、采用更新条件生成新的预位置点

步骤S3.3、更新位置信息，具体的，将第

优选的，所述步骤S4包括以下步骤：

步骤S4.1、确定当代最优位置

步骤S4.2、当

优选的，在步骤S3中，中心位置随着当代最优位置的

其中，

应用本发明的技术方案，至少具有以下有益效果：

本发明采用BP神经网络模型与改进径向移动算法结合使用，具体的，将BP神经网络模型的性能函数作为改进径向移动算法的适应度函数

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例1中的一种桩基竖向极限承载力预测方法的流程示意图；

图2是测试样本的真实值和预测值的对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

参见图1，一种桩基竖向极限承载力预测方法，包括以下步骤：

步骤S1、将BP神经网络模型的权值和阈值作为改进径向移动算法的位置点信息，建立初始种群；

步骤S2、采用改进径向移动算法的适应度函数计算初始种群中各个个体的适应度值，通过对个体的适应度值进行逐个比较来确定当代最优位置，并将其定义为初始中心位置；所述适应度函数为BP神经网络模型的性能函数，具体为：

其中，

步骤S3、采用更新条件在第

步骤S4、由步骤S3更新的位置信息，确定全局最优位置，并计算全局最优位置的适应度值；若迭代次数达到上限或全局最优位置的适应度值小于0.001，则更新结束；反之，则重复步骤S3-S4直至更新结束；

步骤S5、将全局最优位置的权值和阈值赋值给BP神经网络模型，对BP神经网络模型进行训练和仿真得到最优的桩基竖向极限承载力预测值，算法结束。

所述步骤S1包括以下步骤：

步骤S1.1、计算BP神经网络模型的权值和阈值的总个数，具体通过以下计算式得出：

其中，

步骤S1.2、确定权值和阈值的取值范围

步骤S1.3、在步骤S1.2的取值范围内随机生成

所述计算式（6）为

其中，

所述步骤S3包括以下步骤：

步骤S3.1、确定生成新的预位置点的更新条件，具体的，

其中，

步骤S3.2、采用更新条件生成新的预位置点

步骤S3.3、更新位置信息，具体的，将第k代预位置点的适应度值

所述步骤S4包括以下步骤：

步骤S4.1、确定当代最优位置

步骤S4.2、当

在步骤S3中，中心位置随着当代最优位置的

其中，

所述步骤S5中BP神经网络模型采用的参数包括预测精度、最大迭代次数和学习率，所述预测精度为10

实施例1采用的BP神经网络模型的拓扑结构为4-10-1，其隐含层节点数根据试算法确定的最优值为10。实施例1中参数

对比例1：

仅采用BP神经网络模型对桩基竖向极限承载力进行预测。

对比例2：

仅采用遗传算法优化BP神经网络模型对桩基竖向极限承载力进行预测。

对桩基竖向极限承载力共收集了32组静载试验数据，其中27组数据作为训练集，5组数据作为测试集。采用实施例1和对比例1-2中的预测方法对静载试验数据分别运行10次，分析结果详见表1。

表1

从表1中可以看出，由对比例1采用的BP神经网络模型测试样本预测值与真实值之间的相对误差为25.86%~0.42%，MSE为0.0049，其预测结果具有很大的不稳定性，相对偏离真实值。由对比例2采用的遗传算法优化BP神经网络模型测试样本预测值与真实值之间的相对误差为8.55%~0.48%，MSE为0.0036，其预测结果具有较好的稳定性，比较接近真实值。由实施例1采用的桩基竖向极限承载力预测方法得到的测试样本预测值与真实值之间的相对误差为0.01%~2.42%，MSE为1.12×10

综上分析，本发明采用BP神经网络模型与改进径向移动算法结合使用，具体的，将BP神经网络模型的性能函数作为改进径向移动算法的适应度函数

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。