基于神經(jīng)網(wǎng)絡(luò)的真空預(yù)壓法軟基加固效果研究

王廣祿，孔慶宇，劉文龍

(交通運(yùn)輸部天津水運(yùn)工程科學(xué)研究所，天津 300456)

?

基于神經(jīng)網(wǎng)絡(luò)的真空預(yù)壓法軟基加固效果研究

王廣祿，孔慶宇，劉文龍

(交通運(yùn)輸部天津水運(yùn)工程科學(xué)研究所，天津 300456)

摘要：簡單介紹了神經(jīng)網(wǎng)絡(luò)原理和應(yīng)用現(xiàn)狀，結(jié)合天津某真空預(yù)壓軟基加固工程的全過程，對取得的工程資料和監(jiān)測數(shù)據(jù)進(jìn)行篩選，通過比較驗(yàn)證，建立優(yōu)選神經(jīng)網(wǎng)絡(luò)模型，對地基土體的加固效果進(jìn)行了評價(jià)。并從影響因子的敏感性,分析了軟基加固過程中具有重要影響作用的作業(yè)指標(biāo)。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；真空預(yù)壓；加固效果

天津地區(qū)圍海造路及軟基加固工程中大量使用真空預(yù)壓法始于1980年。其工作機(jī)理的研究和現(xiàn)場試驗(yàn)研究也逐漸成熟，真空預(yù)壓法在我國軟土地基處理中得到了廣泛的應(yīng)用，施工工藝有了很大的提高，目前我國真空預(yù)壓法的工藝技術(shù)處于國際領(lǐng)先地位。良好施工的情況下真空度能達(dá)到80 kPa，與相同加荷效果的堆載預(yù)壓法相比，真空預(yù)壓法不僅經(jīng)濟(jì)而且大大縮短工期。大部分設(shè)計(jì)認(rèn)為真空預(yù)壓法施工的預(yù)期指標(biāo)為：① 地基承載力不小于80 kPa；② 在不小于80 kPa的真空固結(jié)壓力作用下，地基土體的平均固結(jié)度大于90%[1-4]。通常地基固結(jié)度是通過沉降數(shù)據(jù)擬合來計(jì)算的，因此沉降是真空預(yù)壓法加固軟土地基過程中核心指標(biāo)，關(guān)系到工程質(zhì)量和建設(shè)周期[5]。在實(shí)踐中，通過監(jiān)測數(shù)據(jù)計(jì)算的固結(jié)度能夠達(dá)到卸載指標(biāo)，但十字板剪切強(qiáng)度較低，并且取土含水率也較高，即地基不能同時(shí)滿足上述兩項(xiàng)指標(biāo)，這種情況就不能準(zhǔn)確的衡量軟基加固的效果，對施工卸載的判斷十分不利。施工過程或者監(jiān)測過程中往往會受諸多客觀條件的干擾，隨著時(shí)間推移這些干擾會被放大，導(dǎo)致觀測數(shù)據(jù)偏離實(shí)際。盡管研究真空預(yù)壓加固效果計(jì)算方法有很多[6-7]，但由于各種客觀因素的影響，如停泵、減泵、漏氣、排水板打設(shè)質(zhì)量、吹填土質(zhì)離散[8]，使得加固效果難以滿足設(shè)計(jì)需要，因此，探討一種新的有效的評價(jià)方法是很有必要的。

1　神經(jīng)網(wǎng)絡(luò)的應(yīng)用與特點(diǎn)

神經(jīng)網(wǎng)絡(luò)是一種數(shù)學(xué)模型，通過模擬動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理。網(wǎng)絡(luò)根據(jù)系統(tǒng)的復(fù)雜程度，逐步調(diào)整內(nèi)部大量節(jié)點(diǎn)之間的連接關(guān)系，從而達(dá)到處理信息的目的。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法,現(xiàn)被廣泛應(yīng)用于模式識別、數(shù)據(jù)預(yù)測、系統(tǒng)辨認(rèn)、圖像處理、語音理解以及函數(shù)擬合等各個(gè)領(lǐng)域[9-10]。自20世紀(jì)80年代末期起，人工神經(jīng)網(wǎng)絡(luò)開始在土木工程中得到應(yīng)用，如施工過程的模擬、施工費(fèi)用預(yù)算、地震危害預(yù)測、砂土的應(yīng)力應(yīng)變關(guān)系、殘積土在加載過程中的硬化和軟化現(xiàn)象、預(yù)測樁的承載力等[11-16]。神經(jīng)網(wǎng)絡(luò)的廣泛應(yīng)用，足以說明它在解決巖土問題中具有實(shí)際意義。

人工神經(jīng)網(wǎng)絡(luò)具有非線性、非常定性、非局限性、非凸性等特點(diǎn)。而真空預(yù)壓加固過程受多種因素的影響和制約，其加固效果的自然規(guī)律很難用已知數(shù)學(xué)表達(dá)式來描述。這種非線性的問題非常適合人工神經(jīng)網(wǎng)絡(luò)來處理。

2　軟基加固效果的神經(jīng)網(wǎng)絡(luò)建模

2.1基本原理

本研究采用BP網(wǎng)絡(luò)模型，一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)。BP網(wǎng)絡(luò)能存貯和學(xué)習(xí)大量的輸入與輸出層之間的映射關(guān)系，這種映射關(guān)系是在大量樣本運(yùn)算中建立起來的。各層神經(jīng)元的作用函數(shù)通常采用S(Sigmoid)型函數(shù),即：

(1)

網(wǎng)絡(luò)的精度采用全局誤差E來評價(jià),它是所有輸入樣本的輸出誤差之和,表示為：

(2)

式中：En為第n個(gè)樣本的標(biāo)準(zhǔn)差,且：

(3)

式中：Yk代表單元k的輸出值；tk代表單元k的理想輸出值；l代表節(jié)點(diǎn)數(shù)。這樣,BP算法的步驟可概括為:選定權(quán)系數(shù)的初值；正向傳播,計(jì)算E；反向傳播,修正權(quán)值,使：

(4)

(式中μ>0為步長,r表示第r次迭代,wij是上一層第i個(gè)單元到當(dāng)前層第j個(gè)單元的權(quán)重值)，直到收斂為止[17]。網(wǎng)絡(luò)的實(shí)現(xiàn)選用NeuroSolutions軟件，它是一款高度圖形化的神經(jīng)網(wǎng)絡(luò)開發(fā)工具。

2.2輸入輸出參數(shù)確定

真空預(yù)壓加固效果最直接的評價(jià)指標(biāo)應(yīng)該是原位測試或者取土試驗(yàn)。檢驗(yàn)加固區(qū)的原位測試主要有十字板剪切試驗(yàn)和平板載荷試驗(yàn)。土工試驗(yàn)常常被關(guān)注的指標(biāo)是含水率，因?yàn)樗芊从筹柡蛙浲恋膲嚎s程度。本文研究中把原泥面以上十字板強(qiáng)度平均值作為輸出參數(shù)。影響加固后十字板強(qiáng)度和含水率的因素有很多，如加固時(shí)間、場地參數(shù)、吹填土參數(shù)、觀測數(shù)據(jù)都可作為輸入?yún)?shù)。此外，施工質(zhì)量因素也是目前工程管理中的重要指標(biāo)，出于本文研究對象考慮，擬定一個(gè)綜合評價(jià)打設(shè)排水板、砂墊層質(zhì)量、膜面密封性、開泵情況等的指標(biāo)，可通過監(jiān)理日志打分將其量化為0～100的數(shù)值指標(biāo)。

2.3模型結(jié)構(gòu)

網(wǎng)絡(luò)訓(xùn)練的收斂速度和收斂性，取決于網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)(隱含層層數(shù)、隱含層節(jié)點(diǎn)數(shù))。網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)不合適的情況下，會出現(xiàn)訓(xùn)練時(shí)問過長或振蕩，甚至導(dǎo)致網(wǎng)絡(luò)癱瘓。目前認(rèn)為前向三層BP神經(jīng)網(wǎng)絡(luò)是算法最成熟、應(yīng)用最廣泛的一種，最適用于模擬輸入、輸出近似關(guān)系的神經(jīng)網(wǎng)絡(luò)。

網(wǎng)絡(luò)的泛化能力和訓(xùn)練速度受隱含層節(jié)點(diǎn)數(shù)的影響。選擇合宜的隱含層節(jié)點(diǎn)數(shù)在構(gòu)建神經(jīng)網(wǎng)絡(luò)模型中起著關(guān)鍵作用。隱含節(jié)點(diǎn)通常有經(jīng)驗(yàn)選取法和公式選取法。常用公式為:

(5)

式中：n代表輸入節(jié)點(diǎn)數(shù)；m代表輸出節(jié)點(diǎn)數(shù)；o代表隱含層節(jié)點(diǎn)數(shù)，l取1～20任意自然數(shù)[18]。

3　工程實(shí)踐

3.1樣本處理

本研究選取天津南港工業(yè)區(qū)某真空預(yù)壓區(qū)作為樣本源來提取樣本。該項(xiàng)目總加固面積470萬m2，分區(qū)178個(gè)，地基加固深度20 m，吹填厚度達(dá)10 m。根據(jù)施工、監(jiān)理、監(jiān)測資料，依照上節(jié)內(nèi)容，選擇吹填土厚度、施工天數(shù)、工前含水率均值、工前塑性指數(shù)均值、打板期間沉降量、抽真空期間沉降量、平均真空度、預(yù)壓區(qū)形狀系數(shù)(即面積除以周長)以及施工質(zhì)量指標(biāo)9項(xiàng)數(shù)據(jù)作為輸入?yún)?shù)，輸出參數(shù)選擇吹填土層工后十字板強(qiáng)度均值。共選取60組數(shù)據(jù)，其中55組作為訓(xùn)練使用，5組作為測試數(shù)據(jù)。由于各個(gè)物理量數(shù)值差距較大，為避免訓(xùn)練收斂慢和小數(shù)值影響力弱化，應(yīng)采取歸一化處理，其處理公式為:

(6)

式中：Xi為處理后的第i個(gè)樣本，xi為原樣本第i個(gè)數(shù)據(jù)。

3.2樣本訓(xùn)練及測試

實(shí)際應(yīng)用中，為避免學(xué)習(xí)發(fā)生震蕩，收斂緩慢，BP算法在修正權(quán)值時(shí)經(jīng)常會增加動量項(xiàng)調(diào)整。即把前一次權(quán)值調(diào)整量的小數(shù)倍乘積疊加到本次誤差計(jì)算的權(quán)值調(diào)整量中，用作本次的實(shí)際權(quán)值調(diào)整量。據(jù)經(jīng)驗(yàn)本次訓(xùn)練調(diào)整學(xué)習(xí)步長為5，動量調(diào)整率為0.5。根據(jù)公式(5)，隱藏節(jié)點(diǎn)數(shù)可取4～23之間，下面選取不同節(jié)點(diǎn)數(shù)進(jìn)行訓(xùn)練比較(見表1)。根據(jù)均方誤差，采用12個(gè)隱藏節(jié)點(diǎn)作為優(yōu)選測試網(wǎng)絡(luò)。通過測試(見表2)，十字板強(qiáng)度預(yù)測誤差最大值為1.9 kPa，具有實(shí)際應(yīng)用價(jià)值。

3.3成果應(yīng)用與分析

通過優(yōu)選訓(xùn)練網(wǎng)絡(luò)，對樣本區(qū)附近即將卸載的真空預(yù)壓區(qū)進(jìn)行效果評價(jià)(見表3)。通過預(yù)測認(rèn)為可以進(jìn)行卸載，施工停止后進(jìn)行工后檢測，結(jié)果比預(yù)測值偏小約3 kPa。

表1　不同隱藏節(jié)點(diǎn)下訓(xùn)練均方誤差

表2　樣本測試對比表

每種輸入?yún)?shù)的敏感性對預(yù)測結(jié)果會產(chǎn)生不同程度的影響。敏感性衡量方法是將每種輸入數(shù)據(jù)的平均值組成均值輸入數(shù)據(jù)，以固定小比例(0.1%～0.5%)增加或減少其中一種參數(shù)，其它參數(shù)不變，通過網(wǎng)絡(luò)得出一個(gè)輸出值，重復(fù)操作求得100個(gè)輸出值，計(jì)算100個(gè)輸出值的標(biāo)準(zhǔn)偏差，便是這個(gè)被改變參數(shù)的網(wǎng)絡(luò)敏感性。在NeuroSolutions軟件中可直接使用敏感分析模塊，計(jì)算結(jié)果如圖1，真空度、形狀系數(shù)和施工質(zhì)量指標(biāo)是相對較為敏感的因子。在工程實(shí)踐中真空度的保證也是重要內(nèi)容之一，形狀系數(shù)更多的是反映邊界條件，也是對真空度的保證，施工質(zhì)量指標(biāo)一方面包含對真空度保證，另一方面也是對排水通道的反映。圖中敏感性相對弱些的指標(biāo)有吹填土厚度、施工天數(shù)、工前含水率、打板期間沉降量、抽真空期間沉降量，其中施工天數(shù)和工前含水率敏感性比較接近，含水率高固然需要更多時(shí)間排水，相應(yīng)的真空度要求也更高。而工前塑性指數(shù)敏感性最低，這是由于塑性指數(shù)是土的固有特質(zhì)，不會因環(huán)境改變而變化很多。通過敏感性分析，可發(fā)現(xiàn)預(yù)測偏差更多的是受真空度和施工質(zhì)量指標(biāo)的取值不準(zhǔn)確造成。

表3　優(yōu)選網(wǎng)絡(luò)預(yù)測應(yīng)用

4　結(jié)　語

(1)結(jié)合軟基加固機(jī)理，神經(jīng)網(wǎng)絡(luò)在真空預(yù)壓加固效果分析具有可參考的應(yīng)用價(jià)值，避免了破膜進(jìn)行十字板檢測，相比傳統(tǒng)固結(jié)度預(yù)判更直觀，更可靠。

(2)本研究增加了影響因子的敏感性分析，對真空預(yù)壓加固過程關(guān)鍵指標(biāo)具有很好的指導(dǎo)作用。

圖1影響因子敏感性分析圖

(3)本研究選用指標(biāo)過于集中，因此它的適用范圍可能只限于周邊區(qū)域。如果使網(wǎng)絡(luò)能夠具備較廣的應(yīng)用效果則需要更加深入試驗(yàn)研究，尤其是影響因子選擇和處理，大量樣本的增加對BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練負(fù)擔(dān)也會增加，需要更高效學(xué)習(xí)法則。神經(jīng)網(wǎng)絡(luò)是對數(shù)據(jù)歸納總結(jié)系統(tǒng)，并不會分析其本質(zhì)聯(lián)系，在工程應(yīng)用中需謹(jǐn)慎。

參考文獻(xiàn)：

[1]陳環(huán).天津軟土地基[M].天津：天津科技出版社，1987.

[2]閆澍旺,朱平,劉潤.真空預(yù)壓法加固軟土地基的效果觀測分析[J].水利學(xué)報(bào)，2004，(3)：87-93.

[3]Choa V.Soil improvement works at Tianjin East Pier project[C]//Proceedings 10th Southeast Asian Geotechnical Conference,Taipei,1990.

[4]Holtz R D.Preloading by vacuum：current prospects[J].Transportation Research Record,1975,548:26-79.

[5]吳起星,胡輝.基于Gompertz成長曲線的真空預(yù)壓軟土沉降規(guī)律分析[J].巖石力學(xué)與工程學(xué)報(bào),2006,10(2):3600-3606.

[6]董志良,胡利文,張功新.真空及真空聯(lián)合堆載預(yù)壓法加固軟基的機(jī)理與理論研究[J].水運(yùn)工程,2005,(9):83-91.

[7]劉加才,趙維炳,施建勇.真空預(yù)壓作用下豎井地基孔壓消散研究[J].中國公路學(xué)報(bào),2004,17(2):37-42.

[8]劉兵,蔡南樹,艾英缽.大面積吹填軟土地基真空預(yù)壓施工工藝[J].水運(yùn)工程,2006，(9):73-76.

[9]李義寶,張學(xué)勇,馬建國,等.基于BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法研究[J].合肥工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版,2005,28(6):668-671.

[10]米鴻燕,蔣興華.基于灰色BP神經(jīng)網(wǎng)絡(luò)的沉降預(yù)測模型應(yīng)用研究[J].昆明理工大學(xué)學(xué)報(bào)：理工版,2007,32(2):65-68.

[11]Flood I,Katram N.Neural networks in civil engineering[J].Journal of Computing in Civil Engineering,1994,8(2):131-148.

[12]Ghaboussi J,Sidatra D E.New method of material modeling using neural networks[C]//6th International Symposium on Numerical Models in Geomechanics,1997:393-400.

[13]Ellis G W,Yao C,Zhao R,et al.Stress-strain modeling of sands using artificial neural networks[J].Journal of Geotechnical Engineering,1995,121(5):429-435.

[14]Zhu J H,Zaman M M,Anderson S A.Modeling of soil behavior with a recurrent neural network[J].Canadian Geotechnical Journal,1998,35:858-872.

[15]Teh C I,Wong K S,Goh A T C,et al.Prediction of pile capacity using neural networks[J].Journal of Computing in Civil Engineering,1997,11(2):129-138.

[16]Kiefa M A A.General regression neural networks for driven piles in cohesionless soils[J].Journal Geotechnical and Geoenvironmental Engineering,1998,124(12):1177-1185.

[17]侯媛彬,杜京義,汪梅.神經(jīng)網(wǎng)絡(luò)[M].西安：西安電子科技大學(xué)出版社，2007：53-63.

[18]張德賢.前向神經(jīng)網(wǎng)絡(luò)合理隱含層結(jié)點(diǎn)個(gè)數(shù)估計(jì)[J].計(jì)算機(jī)工程與應(yīng)用,2003,39(5):21-23.

ResearchonReinforcementEffectofSoftFoundationbyVacuumPreloadingBasedonNeuralNetwork

WANG Guang-lu,KONG Qing-yu,LIU Wen-long

(TianjinResearchInstituteforWaterTransportEngineering,MinistryofTransport,Tianjin300456,China)

Abstract：The method and application situation of neural network was introduced briefly.Engineering and monitoring data from a project of soft foundation reinforced by vacuum preloading in Tianjin was filtrated and summarized.After analysis and comparison,the optimal neural network model was established to evaluate the consolidation effect of the foundation.And then,the key performance standards of soft foundation consolidation process were analyzed from the prospect of the sensitivity of impact factors.

Keywords：neural network;vacuum preloading;consolidation effect

DOI:10.3969/j.issn.1672-1144.2014.06.016

中圖分類號：TU753.8

文獻(xiàn)標(biāo)識碼：A

文章編號：1672—1144(2014)06—0083—04

作者簡介：王廣祿(1982—)，男，遼寧沈陽人，工程師，主要從事巖土勘察、監(jiān)測工作。

基金項(xiàng)目：動三軸實(shí)驗(yàn)原理及其成果應(yīng)用研究(TKS110207)

收稿日期：2014-08-11修稿日期：2014-09-14