基于概率神经网络对单桩竖向承载力预测方法的研究

刘刚，徐华荣

(1.南京东大岩土工程技术有限公司镇江分公司，江苏 镇江　212000；　2.镇江市勘察测绘研究院，江苏 镇江　212000)



基于概率神经网络对单桩竖向承载力预测方法的研究

刘刚1*，徐华荣2

(1.南京东大岩土工程技术有限公司镇江分公司，江苏 镇江212000；2.镇江市勘察测绘研究院，江苏 镇江212000)

摘要：针对层状地基，基于镇江地区CPTU测试数据，运用概率神经网络(PNN)算法，建立了单桩竖向极限承载力的预测模型，编制了相应的MATLAB程序进行预测分析。考虑了静力触探延桩长的全部CPTU测试数据，运用锥端阻力(qt)、锥侧摩阻力(fs)、孔隙水压力(u2)三个物理力学指标，结合室内土工试验，对桩长范围内的地基土进行分类，然后对单桩的极限承载力进行预测，将得到的结果与桩基静载试验的结果进行比较，发现运用基于CPTU测试数据的概率神经网络算法模型，可以对单桩的竖向抗压极限承载力进行预测，精度满足实践要求。

关键词：概率神经网络；CPTU；原位测试；单桩承载力

1概述

随着现代建筑行业的发展，一些新工艺，新技术不断应用到实际工程当中。这也对建筑物的受力、变形控制精度提出了更高的要求。对于建筑物受力可以通过调整上部荷载进行控制，而对变形控制尤其是建筑物的沉降和倾斜需要对地基基础的承载力进行较准确的计算。对于高层或高耸建筑结构而言，浅基础显然不能满足承载力要求，这就需要深基础—桩基来保证建筑物沉降变形。

桩基础是现代建筑中应用较为广泛的一种基础形式。在荷载作用下，单桩受力模型的特点和桩周土层的性质有很大关系，因此能否正确划分地基土层对单桩承载力的预测至关重要。长期以来，在研究岩土参数性质方面，许多学者提出了自己的理论计算模型，如数值模拟[1]、波动方程[2]、经验公式等，并给出了解析解或半解析解，这些理论解建立在大量假设的基础上，如各向同性、无限大弹性体、均匀连续介质等，因此具有很大的不确定性，主要表现在对岩土参数和边界条件的定义上。正因为如此，不同的国内外学者得到的解也不尽相同。

孔压静力触探(CPTU)[3，4]是一种较为先进的原位测试技术，由于其精确、快速、经济的特点，在工程地质勘察，复合地基检测、桩基承载力预测方面被广泛应用。较静力触探(CPT)方法，孔压静力触探技术除了得到锥尖阻力和锥测摩阻力，还考虑了触探过程中锥尖附近的孔隙水压力。孔隙水压力对沙土中的摩擦桩影响不大，但会大大降低黏性土中单桩的摩阻力。

本文基于CPTU测试数据，运用概率神经网络(PNN)算法[5]，建立了单桩竖向极限承载力的预测模型，并编制了相应的MATLAB程序，用锥尖阻力、锥侧摩阻力、孔隙水压力三个因素为训练指标对单桩的承载力进行了预测，并与静载试验的结果进行了比较，结果表明：本文提出的方法可以有效预测单桩的承载力，精度满足工程实践要求。

2概率神经网络算法简介

概率神经网络[4]是一种可用于模式分类的神经网络，其实质是基于贝叶斯最小风险准则发展而来的一种并行算法，因其结构简单、训练简洁且具有较强的容错性，被广泛应用于解决分类问题。其优点在于用线性学习算法来完成非线性学习算法所做的工作，同时又能保持非线性算法的高精度，这一优点非常适宜对岩土这种非线性介质的分类，并且无论分类问题多么复杂，只要有足够多的训练数据，就可以保证获得贝叶斯准则下的最优解。具体运算步骤如下：

第一步：归一化训练样本矩阵：

(1)

该矩阵的训练样本有m个，每个样本维数为n；

(2)

BT为归一化系数；

Cm×n=Bm×1[11…1]1×n·Xm×n

(3)

(4)

第三步：计算模式距离

该距离是指样本矩阵和学习矩阵中相应元素之间的距离。假设将由P个n维向量组成的矩阵称为待识别样本矩阵，则经归一化后，需要待识别的输入样本矩阵为：

(5)

式(5)表示待分类样本有P个，每一个样本维数为n；

第四步：计算欧氏距离：就是需要识别的归一化的样本向量di，与每一个归一化后的训练样本Cj的欧氏距离。

(6)

归一化的训练样本Ci，i=1，2…，m；

归一化的待分类样本dj，j=1，2，…，p；

Eij：表示第i个待分类样本与第j个训练样本的欧氏距离。

第五步：模式层高斯函数的神经元被激活。学习样本与待识别样本被归一化后，通常取标准差为0.1的高斯型函数。激活后得到初始概率矩阵：

(7)

第六步：假设样本有m个，一共可以分为C类，并且各类样本的数目相同，设为K，则可以在网络的求和层求得各个样本属于各类的初始概率和：

(8)

第七步：计算概率：

即第i个样本属于第j类的概率：

(9)

以上步骤通过MATLAB编制相应的程序，来完成对土层的分类，进而对单桩的承载力进行预测。

3工程实例应用

镇江市某政府大楼地下主要为粉质黏土，部分土层夹有粉砂及少量粉土，考虑到桩端持力层为黏性土，

故桩型设计为摩擦桩。岩土工程勘察时，运用了CPTU原位测试方法和室内土工试验方法。本文选取了该场地附近处于同一地质条件下的建筑物地质勘察报告中的CPTU测试数据，这些建筑均已经建成并投入使用5年以上，且没出现影响结构正常使用的沉降变形等情况。本文以这些建筑物的部分CPTU测试数据作为样本，对所建的PNN预测模型进行训练，如图1所示。

通过将本地区CPTU原位测试数据与土工试验结果进行比较，对锥尖阻力、锥侧摩阻力、孔隙水压力三个指标综合分析，运用PNN神经网络预测模型，得到了本地区土的分类图(如图2所示)，然后将该政府大楼工程地质勘察时的CPTU测试数据作为输入参数，对本场地的土层进行分类，运用分类的结果，对桩基的荷载-沉降进行预测，然后将预测的结果与本场地的静载试验结果相比较。

本场地主楼和裙楼采用分离式基础，裙楼采用桩径 300mm，桩长 18m～ 25m不等的预制管桩，预测的桩基承载力和静载试验结果的比较如图3～图5所示：

通过图3～图5的比较不难发现，在桩径不变的情况下，桩长越长，预测值与静载试验的结果越接近，离散程度越小。图6为不同桩长预测的承载力与实测值统计结果，更能充分地反映这一现象。

4结论

通过工程实例分析，验证了基于CPTU测试数据的概率神经网络算法在预测桩基承载力方面的可靠性。

(1)运用概率神经网络算法，基于CPTU测试数据可以有效地预测桩基的承载力，预测精度满足工程需要。

(2)桩长越长，预测值和实测值越接近，这是因为CPTU测试过程中，在上层土尤其是填土中进行触探时，数据的离散程度较大，曲线变化不稳定，使得对整根桩的承载力影响较大，而随着触探深度的增加，这种影响越来越小。

(3)运用CPTU测试数据对桩基承载力进行预测时，预测的承载力要比实测值偏小，原因在于静力触探过程非常快，孔隙水压力来不及消散，使得锥侧摩阻力值很小。而静载试验是在桩龄达到28天以后进行的，而且过程较慢，孔隙水压力值会相对较小，这种影响在黏性土中较为显著。

(4)经过实例分析发现，运用训练好的PNN网络模型对桩基的承载力预测精度范围在±20%之间，在岩土工程领域这个误差是允许存在的。因此本文提出的方法值得在工程实践中推广应用。

参考文献

[1]施景勋，叶国琛. 匀质地基中桩土间力传递的边界元模拟[J]. 岩土工程学报，1994，16(6)：64～72.

[2]王奎华. 基桩波动方程达朗贝尔解法精度研究[J]. 岩土工程学报，1999，21(5)：617～620.

[3]蔡国军，刘松玉，童立元等. 孔压静力触探(CPTU)测试成果影响因素及原始数据修正方法探讨[J]. 工程地质学报，2006.

[4]蔡国军，刘松玉. 基于CPTU测试的桩基承载力预测新方法[J]. 岩土工程学报，2010 32(S2)： 479～482.

[5]张良均，曹晶，蒋世忠. 神经网络实用教程[M]. 北京：机械工业出版社，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.

文章编号：1672-8262(2016)03-161-04

中图分类号：TU473.1

文献标识码：B

*收稿日期：2016—03—02

作者简介：刘刚(1988—)，男，硕士，工程师，主要从事岩土勘察、基坑监测、桩基检测的现场技术工作以及部分报告的编写。