基于概率神經網絡對單樁豎向承載力預測方法的研究

劉剛，徐華榮

(1.南京東大巖土工程技術有限公司鎮江分公司，江蘇 鎮江　212000；　2.鎮江市勘察測繪研究院，江蘇 鎮江　212000)

?

基于概率神經網絡對單樁豎向承載力預測方法的研究

劉剛1*，徐華榮2

(1.南京東大巖土工程技術有限公司鎮江分公司，江蘇 鎮江212000；2.鎮江市勘察測繪研究院，江蘇 鎮江212000)

摘要：針對層狀地基，基于鎮江地區CPTU測試數據，運用概率神經網絡(PNN)算法，建立了單樁豎向極限承載力的預測模型，編制了相應的MATLAB程序進行預測分析。考慮了靜力觸探延樁長的全部CPTU測試數據，運用錐端阻力(qt)、錐側摩阻力(fs)、孔隙水壓力(u2)三個物理力學指標，結合室內土工試驗，對樁長范圍內的地基土進行分類，然后對單樁的極限承載力進行預測，將得到的結果與樁基靜載試驗的結果進行比較，發現運用基于CPTU測試數據的概率神經網絡算法模型，可以對單樁的豎向抗壓極限承載力進行預測，精度滿足實踐要求。

關鍵詞：概率神經網絡；CPTU；原位測試；單樁承載力

1概述

隨著現代建筑行業的發展，一些新工藝，新技術不斷應用到實際工程當中。這也對建筑物的受力、變形控制精度提出了更高的要求。對于建筑物受力可以通過調整上部荷載進行控制，而對變形控制尤其是建筑物的沉降和傾斜需要對地基基礎的承載力進行較準確的計算。對于高層或高聳建筑結構而言，淺基礎顯然不能滿足承載力要求，這就需要深基礎—樁基來保證建筑物沉降變形。

樁基礎是現代建筑中應用較為廣泛的一種基礎形式。在荷載作用下，單樁受力模型的特點和樁周土層的性質有很大關系，因此能否正確劃分地基土層對單樁承載力的預測至關重要。長期以來，在研究巖土參數性質方面，許多學者提出了自己的理論計算模型，如數值模擬[1]、波動方程[2]、經驗公式等，并給出了解析解或半解析解，這些理論解建立在大量假設的基礎上，如各向同性、無限大彈性體、均勻連續介質等，因此具有很大的不確定性，主要表現在對巖土參數和邊界條件的定義上。正因為如此，不同的國內外學者得到的解也不盡相同。

孔壓靜力觸探(CPTU)[3，4]是一種較為先進的原位測試技術，由于其精確、快速、經濟的特點，在工程地質勘察，復合地基檢測、樁基承載力預測方面被廣泛應用。較靜力觸探(CPT)方法，孔壓靜力觸探技術除了得到錐尖阻力和錐測摩阻力，還考慮了觸探過程中錐尖附近的孔隙水壓力。孔隙水壓力對沙土中的摩擦樁影響不大，但會大大降低黏性土中單樁的摩阻力。

本文基于CPTU測試數據，運用概率神經網絡(PNN)算法[5]，建立了單樁豎向極限承載力的預測模型，并編制了相應的MATLAB程序，用錐尖阻力、錐側摩阻力、孔隙水壓力三個因素為訓練指標對單樁的承載力進行了預測，并與靜載試驗的結果進行了比較，結果表明：本文提出的方法可以有效預測單樁的承載力，精度滿足工程實踐要求。

2概率神經網絡算法簡介

概率神經網絡[4]是一種可用于模式分類的神經網絡，其實質是基于貝葉斯最小風險準則發展而來的一種并行算法，因其結構簡單、訓練簡潔且具有較強的容錯性，被廣泛應用于解決分類問題。其優點在于用線性學習算法來完成非線性學習算法所做的工作，同時又能保持非線性算法的高精度，這一優點非常適宜對巖土這種非線性介質的分類，并且無論分類問題多么復雜，只要有足夠多的訓練數據，就可以保證獲得貝葉斯準則下的最優解。具體運算步驟如下：

第一步：歸一化訓練樣本矩陣：

(1)

該矩陣的訓練樣本有m個，每個樣本維數為n；

(2)

BT為歸一化系數；

Cm×n=Bm×1[11…1]1×n·Xm×n

(3)

(4)

第三步：計算模式距離

該距離是指樣本矩陣和學習矩陣中相應元素之間的距離。假設將由P個n維向量組成的矩陣稱為待識別樣本矩陣，則經歸一化后，需要待識別的輸入樣本矩陣為：

(5)

式(5)表示待分類樣本有P個，每一個樣本維數為n；

第四步：計算歐氏距離：就是需要識別的歸一化的樣本向量di，與每一個歸一化后的訓練樣本Cj的歐氏距離。

(6)

歸一化的訓練樣本Ci，i=1，2…，m；

歸一化的待分類樣本dj，j=1，2，…，p；

Eij：表示第i個待分類樣本與第j個訓練樣本的歐氏距離。

第五步：模式層高斯函數的神經元被激活。學習樣本與待識別樣本被歸一化后，通常取標準差為0.1的高斯型函數。激活后得到初始概率矩陣：

(7)

第六步：假設樣本有m個，一共可以分為C類，并且各類樣本的數目相同，設為K，則可以在網絡的求和層求得各個樣本屬于各類的初始概率和：

(8)

第七步：計算概率：

即第i個樣本屬于第j類的概率：

(9)

以上步驟通過MATLAB編制相應的程序，來完成對土層的分類，進而對單樁的承載力進行預測。

3工程實例應用

鎮江市某政府大樓地下主要為粉質黏土，部分土層夾有粉砂及少量粉土，考慮到樁端持力層為黏性土，

故樁型設計為摩擦樁。巖土工程勘察時，運用了CPTU原位測試方法和室內土工試驗方法。本文選取了該場地附近處于同一地質條件下的建筑物地質勘察報告中的CPTU測試數據，這些建筑均已經建成并投入使用5年以上，且沒出現影響結構正常使用的沉降變形等情況。本文以這些建筑物的部分CPTU測試數據作為樣本，對所建的PNN預測模型進行訓練，如圖1所示。

通過將本地區CPTU原位測試數據與土工試驗結果進行比較，對錐尖阻力、錐側摩阻力、孔隙水壓力三個指標綜合分析，運用PNN神經網絡預測模型，得到了本地區土的分類圖(如圖2所示)，然后將該政府大樓工程地質勘察時的CPTU測試數據作為輸入參數，對本場地的土層進行分類，運用分類的結果，對樁基的荷載-沉降進行預測，然后將預測的結果與本場地的靜載試驗結果相比較。

本場地主樓和裙樓采用分離式基礎，裙樓采用樁徑 300mm，樁長 18m～ 25m不等的預制管樁，預測的樁基承載力和靜載試驗結果的比較如圖3～圖5所示：

通過圖3～圖5的比較不難發現，在樁徑不變的情況下，樁長越長，預測值與靜載試驗的結果越接近，離散程度越小。圖6為不同樁長預測的承載力與實測值統計結果，更能充分地反映這一現象。

4結論

通過工程實例分析，驗證了基于CPTU測試數據的概率神經網絡算法在預測樁基承載力方面的可靠性。

(1)運用概率神經網絡算法，基于CPTU測試數據可以有效地預測樁基的承載力，預測精度滿足工程需要。

(2)樁長越長，預測值和實測值越接近，這是因為CPTU測試過程中，在上層土尤其是填土中進行觸探時，數據的離散程度較大，曲線變化不穩定，使得對整根樁的承載力影響較大，而隨著觸探深度的增加，這種影響越來越小。

(3)運用CPTU測試數據對樁基承載力進行預測時，預測的承載力要比實測值偏小，原因在于靜力觸探過程非常快，孔隙水壓力來不及消散，使得錐側摩阻力值很小。而靜載試驗是在樁齡達到28天以后進行的，而且過程較慢，孔隙水壓力值會相對較小，這種影響在黏性土中較為顯著。

(4)經過實例分析發現，運用訓練好的PNN網絡模型對樁基的承載力預測精度范圍在±20%之間，在巖土工程領域這個誤差是允許存在的。因此本文提出的方法值得在工程實踐中推廣應用。

參考文獻

[1]施景勛，葉國琛. 勻質地基中樁土間力傳遞的邊界元模擬[J]. 巖土工程學報，1994，16(6)：64～72.

[2]王奎華. 基樁波動方程達朗貝爾解法精度研究[J]. 巖土工程學報，1999，21(5)：617～620.

[3]蔡國軍，劉松玉，童立元等. 孔壓靜力觸探(CPTU)測試成果影響因素及原始數據修正方法探討[J]. 工程地質學報，2006.

[4]蔡國軍，劉松玉. 基于CPTU測試的樁基承載力預測新方法[J]. 巖土工程學報，2010 32(S2)： 479～482.

[5]張良均，曹晶，蔣世忠. 神經網絡實用教程[M]. 北京：機械工業出版社，2008.

(1.NanJing Southeast Geotechnical Engineering Technology Limited Company-Zhenjiang Department，Zhenjiang 212000，China；2.Zhenjiang Urban Investigation and Surveying Institute，Zhenjiang 212000，China)

Research on Vertical Bearing Capacity of Single Pile Based on Probabilistic Neural Network

Liu Gang1，Xu Huarong2

Key words：probabilistic neural network；CPTU；In-situ test；pile bearing capacity

Abstract：Based on the CPTU test data，with matlab programmer of the probabilistic neural network (PNN) arithmetic，a prediction model of single pile vertical bearing capacity in layer soil foundation is built，which considered the total CPTU test data along the pile. In this paper，the soil around the pile foundation is classified with the three physical and mechanical indexes of soil(qt、fs、u2) combined with the indoor soil test. Then the classification result is used to predict the bearing capacity of single pile. Compared with the static load testing，it obviously finds that the PNN model based on CPTU test data can precisely predict the bearing capacity of single pile.

文章編號：1672-8262(2016)03-161-04

中圖分類號：TU473.1

文獻標識碼：B

*收稿日期：2016—03—02

作者簡介：劉剛(1988—)，男，碩士，工程師，主要從事巖土勘察、基坑監測、樁基檢測的現場技術工作以及部分報告的編寫。