[发明专利]一种基于BAS-BP的桩基水平承载力预测方法

说明书

本发明涉及一种基于BAS‑BP的桩基水平承载力预测方法，包括以下步骤：a、获取桩基水平承载力试验数据，处理形成数据集，将数据集随机划分为训练集和测试集；b、初始化BP神经网络模型参数和天牛须算法参数，构建BAS‑BP神经网络模型；BAS算法通过迭代更新寻找到最优初始连接权值和阈值，并得到最优适应度值，构建最优BAS‑BP神经网络模型；c、训练BAS‑BP神经网络模型的初始连接权值和阈值，将训练样本和测试样本导入到训练好的BAS‑BP神经网络模型进行桩基水平承载力预测。本发明方法改善了BP神经网络易陷入局部极值的问题，并与BP神经网络模型、GA‑BP神经网络模型和PSO‑BP神经网络模型进行预测效果相比，具有更好地预测效果，对于桩基水平承载力预测有很好的适用性。

技术领域

本发明属于桩基承载力预测领域，具体涉及一种基于BAS-BP的桩基水平承载力预测方法。

背景技术

桩基础在桥梁、输电线路和海洋工程建筑中具有广泛应用，桩基不仅承担上部结构的竖向荷载，还会承担由风力、波浪力、交通荷载以及地震作用等因素引起的水平荷载。现有桩基水平承载力理论分析方法主要有：极限地基反力法、弹性理论法、弹性地基反力法和复合地基反力法，有限元模拟也在实际工程分析中常常应用，但上述方法均有一定的缺点：极限地基反力法假设地基土抗力系数为深度的函数，不考虑桩身变形，因此极限地基反力法并不适用于中长桩，只适应于埋深较浅的刚性桩；弹性理论法假设土体为半无限空间体，土体弹性模量E和泊松比μ沿深度变化或保持不变，弹性理论法可以定性分析桩体参数和土体参数对桩基水平承载形状的影响，但无法计算得到桩的内力变形参数；弹性地基反力法假设地基土抗力系数随深度呈线性变化，适用于水平受荷桩的小位移计算，并不适应于大位移情况下桩基水平承载力计算；复合地基反力法主要针对长桩，p-y曲线法是复合地基反力法的代表方法，该法假定土体为一系列非线性弹簧，由于其可以综合考虑桩土相互作用的非线性特征，因此广泛应用于各种情况下的水平受荷桩承载力计算，但p-y曲线法的建立通常基于现场试验结果并结合理论分析进行修正，对与类似工程条件下桩基水平承载力预测具有很好地效果，但对与其他工程条件并不适应；数值模拟需要得到准确的土体参数以及正确建立模型，并且有限元模拟通常需要耗费大量时间，并不适用于实际工程。因此构建一个简单高效的桩基水平承载力的预测方法对实际工程设计建造具有重要的实践意义。

发明内容

针对传统设计分析方法存在计算繁琐且无法考虑岩土参数的空间变异性，现有分析方法计算桩基水平承载力值与实际真实值存在一定误差，不能准确得到桩基水平承载力的问题，本专利提出一种针对桩基水平承载力预测的新方法，即运用BAS-BP神经网络模型对桩基水平承载力进行预测的方法。

一种基于BAS-BP的桩基水平承载力预测方法，具体包括以下步骤：

a、获取桩基水平承载力试验数据，并对所述桩基水平承载力试验数据进行归一化处理形成数据集，并将数据集随机划分为训练集和测试集；

b、初始化BP神经网络模型参数和天牛须算法参数，构建用于桩基水平承载力预测的BAS-BP神经网络模型；随机生成神经网络初始连接权值和阈值作为天牛的初始空间位置，并计算此时的适应度值，BAS算法通过迭代更新寻找到最优初始连接权值和阈值，并得到最优适应度值，构建最优BAS-BP神经网络模型；并设定神经网络的输入层与隐含层之间的传递函数为tansig，隐含层与输出层之间的传递函数为purelin，设定神经网络采取trainlm作为训练函数调整计算过程中的阈值和权值；

c、采取训练集训练BAS-BP神经网络模型的初始连接权值和阈值，直至训练误差达到预设精度，获得最优神经网络连接权值和阈值，再将训练集中的训练样本和测试集中的测试样本导入到训练好的BAS-BP神经网络模型进行桩基水平承载力预测。

优选的，所述步骤a中，桩基水平承载力试验数据包括：桩长、桩径、荷载偏心距和土体不排水抗剪强度，并对所述桩基水平承载力试验数据进行归一化处理形成数据集，归一化处理公式如下：