（岩土工程专业论文）软土地基处理方法对沉降的影响因素分析与沉降预测研究.pdf

摘要 本文围绕软土地基处理方法对沉降的影响因素和沉降预测，通过假设、计算、 分析的方法，获得了深层搅拌桩法、竖向排水体法处理软土地基对沉降的影响因 素。对分析后的沉降影响因素，利用b p 神经网络在m a n a b 中进行编程，结合 连( 连云港) 一徐( 徐州) 高速公路软土地基沉降实测数据，建立沉降预测模型 并进行了预测分析。最后，通过曲线拟合法对深层搅拌桩法、竖向排水体系法处 理软土地基后沉降进行了预测，探讨了各种预测方法对软土地基处理方法的适用 情况。 关键词：软土地基影响因素 沉降预测b p 神经网络 a b s t r a c t 1 h ef o l l o w i n gr 龉e a r c hw o r kh 笛b e c nd e p l o y c da r o u n dt h ep m b i e mo ft h e i n n u 吼c i n gf 赴t o ro fs e t t l e m e ta n dp r e d i d i o no fs e t t l e m e n to ns o m s o i l 鲫df o r d i 脏r e n tp r o c e s s i n gm e t h o d r e s e a r c h0 ns e m e m e n ti n n u 凹c ef a d o ro fd e e pm i x i n g p i l ea n dv e r t i c a l 血l i n a g eb o d yt h m u g hm e t h o do f 锄a l y s i s ，c a l c i l l a t i o na n d 趾a l y t i c ， a c h i e v ei n f l u e n c i n gf a d o ro fd i 丘e r e n tp r o c c s s i n gm e t h o d f o rt h e s es e t n e m e n t 砌u e n c ef a c t o r s ，a d o p t sb p a n nt om a l 【et 1 1 em o d e ld i r 。c t l yb a s eo n 丘e l dt e s td a t a o fu 衄一x ue 印r e s s w a y 粕du s e sm 瑚r l 蛔t o p r o 孕锄珊【i n gf o rp r c d i c t i n gs e n l 锄e t 0 fs m 一i l 掣d u n d 锄b a 妇e n t a tl 越t ，w em a k es e t u e m e n tp 删c t i o nf o rd e e p m i 】【i n gp i l e 柚dv e n i c a l 血l i n a g eb o d yb yc u e - 丘t t i n gm e t h o d 姐da p p r o a c ht h e d i f c r ts e t e m e n t p r e d i c t i o n m e t h o df o r t h ed i 脏孺n t p r o c e s s i n g m e t h o d s a p p l i c a b m t y k e y w o r d s ：s o f t s o i lg r o l l n d ；瑚呦c i n gf a c c o r ； s e t e m e mp r e d i d i o n ；b pn e 帆o r k 论支撤钏住声明 本人声明：本人所呈交的学位论文是在导师的指导下，独立进行 研究工作所取得的成果。除论文中已经注明引用的内容外，对论文的 研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本论 文中不包含任何未加明确注明的其他个人或集体已经公开发表的成 果。 本声明的法律责任由本人承担。 论文作者签名： 专降 3 d d 6 年4 月2 6 日 论支知识产权权属声明 本人在导师指导下所完成的论文及相关的职务作品，知识产权归 属学校。学校享有以任何方式发表、复制、公开阅览、借阅以及申请 专利等权利。本人离校后发表或使用学位论文或与该论文直接相关的 学术论文或成果时，署名单位仍然为长安大学。 ( 保密的论文在解密后应遵守此规定) 2 0 “年争月工6 日 细口参年月二矽日 第一章绪论 1 1 高速公路建设的现状 随着科学技术的不断发展，为了更好的满足社会和经济发展的需要，我国 确定将交通、能源置于国民经济建设的首位，从而为中国的高速公路的发展打 开了一个崭新的局面。1 9 8 8 年1 0 月全长1 8 5 k m 的沪嘉高速公路建成通车， 此后，又相继建成全长3 7 5 k m 的沈大高速公路和全长1 4 3 k m 的京津塘高速公 路。自1 9 9 0 年以来，我国高速公路建设进入了一个飞快的发展时期，一大批高 速公路相继建成并通车，2 0 0 3 年全国交通基础设施建设投资又创历史新高，高速 公路通车总里程突破3 万公里，稳居世界第二位，我国的高速公路主骨架更趋 网络化。2 0 0 4 年我国交通部已经提出未来2 0 年公路发展远景规划，将于2 0 3 0 年之前建成8 5 0 0 0 公里的高速公路网。国内绝大部分省、市己制定了高速公路 发展规划，不少省、市的高速公路正在逐步形成网络，高速公路的建设规模随 着我国国民经济的发展逐步扩大，建设地域己从沿海、平原等经济发达地区向 内陆腹地、山区发展。然而，受地理位置的限制，许多高速公路不得不修筑在 软土地基上。 1 2 常遇到的软土问题简介 1 2 1 软土地基问题的提出 我国沿海和内陆地区，软土分布范围广泛，且随着基本建设的发展，在软土 地区兴建公路、堤坝、机场、码头等项目将会日益增多，并对沉降计算要求也在 不断提高，因此改进或提高软基沉降预测和计算方法具有重大学术价值和社会效 益。”“”。高速公路的建设也不可避免地会遇到软土地基问题，以杭甫高速公路 为例，就有9 5 公里位于软弱地基上，占全长的6 5 。这些软土往往具有如下特征： 塑性指数较大，一般在1 0 以上；含水量高、孔隙比大、重度小；强度低，承载力 小且灵敏度高：高压缩性；渗透性很小，往往具有显著的流变特性。 高速公路建成后必须达到“安全、高效、舒适”这样的服务目的n 加。软土 地区的高速公路不仅要求路堤稳定，而且对工后沉降有很高要求，特别是需要 严格控制工后不均匀沉降量，为此国外各国都规定了相应的软土路堤工后沉降 指标。 根据国内资料介绍，美国对桥头引道规定容许差异沉降为1 2 7 m m 2 5 4 衄，路面容许沉降不作规定，一般路段工后沉降在0 3 0 m o 6 1 m 是容许 的；法国要求桥头引道部分的容许工后沉降为3 c m 5 c m ，一般路段为l o c m ； 德国交通部1 9 9 0 年新颁布的软弱地基上道路建设规范规定，预压荷载的大 小及作用时间必须保证。 交通部颁公路软土地基路堤设计与施工技术规范【2 3 】( 0 1 7 9 6 ) 中 对高速公路路堤容许工后沉降( 路面设计年限内残余沉降) 作了如下规定：桥 台与路堤相邻处不大于1 0 锄，涵洞或箱型通道处不大于2 0 锄，一般路段不大 于3 0 c m 。 1 2 2 软研究的现状 软土泛指抗剪强度低、压缩性大的软弱土层，主要是饱和软粘土，在天然 地层面上，它往往是以泥炭或粉砂交错沉积。软土一般是静水或缓慢水流中以 细颗粒为主的近代沉积物。目前国内外各行业均无统一定义，我国公路、铁路、 建筑、港口部门对软土的定义都不尽相同。 公路软土地基路堤设计与施工技术规范0 玎m 7 粤6 ) 3 中定义软土是滨 海、湖沼、谷地、河滩沉积的天然含水量高、孔隙比大、压缩性高、抗剪强度 低的细粒土。 铁路工程设计手册n 4 1 中，对软土的解释为：“软土是指在静水或缓慢 的流水环境中沉积，经生物化学作用形成的饱和软弱粘性土。”对软土的主要特 征描述是：天然含水量高、孔隙比大、压缩性高、低强度、渗透性小。 工程地质手册晒3 对软土的解释为：“软土是指天然含水量大、压缩性 高、承载能力低的一种软塑到流塑状态的粘性土，如淤泥、淤泥质土以及其它 高压缩性饱和粘性土、粉土等。” 公路工程名词术语眩6 1 中定义软土主要是由天然含水量大、压缩性高、 承载能力低的淤泥沉积物及少量腐殖质所组成的土。 岩土工程堪察规范恐刀中定义，凡天然孔隙比大于或等于1 0 ，天然含 水量大于液限的细粒土应判定为软土，包括淤泥、淤泥质土、泥炭、泥炭质土 等，其压缩系数大于o 5 m p a 一，不排水抗剪强度小于3 0 k p a 。 2 建筑地基基础设计规范淄3 中作了如下深入界定：在静水或缓慢流水环 境中沉积，并经过生物化学作用形成，其天然含水量大于液限，天然孔隙比大 于等于1 5 的粘性土称为淤泥；当天然孔隙比小于1 5 但大于或等于1 o 的粘性 土或粉土称为淤泥质士；泥炭和泥炭质土是根据土中未分解的腐殖质( 有机质) 含量来区分，有机质含量大于6 0 为泥炭；有机质含量为1 0 6 0 为泥炭土。 t e r z a g h i 和p e c k ( 1 9 6 7 年) 将无侧限抗压强度吼小于2 5 k p a 的粘土称作“很 软的”，而将强度在2 5 5 0 k p a 的粘土称作“软的”。凡由上述软弱土层构成的 地基称为软土地基。软土分布广、种类多，正确认识软土的性质，并对其进行 科学的鉴别，对工程建设有着重要的意义。 1 软土地区工程地质勘察规范( j g j 8 3 9 1 ) 哺1 规定，软土的判别应符合： 外观以灰色为主的细粒土： 天然含水量大于或等于液限： 天然孔隙比大于或等于1 0 0 2 公路软土地基路堤设计与旌工技术规范( j t j 0 1 7 9 6 ) 汹1 规定按表2 3 的特征指标综合鉴别软土。 软土鉴别表0 1 了0 1 7 嘶) 表卜1 l 特征指标名称天然含水量( )天然孔隙比 十字板剪切强度( k p a ) 指标值3 5 与液限1 0 3 5 3 我国铁路工程设计技术手册乜盯中建议以下列物理力学指标作为划分 软土的界限： 天然含水量接近或大于液限：孔隙比大于1 ： 压缩模量e s 4 0 0 0 k p a ：标准贯入击数n b m 2 ： 静力触探贯入阻力p 。 7 0 0 k p a ：不排水强度l k 其中，“为样本数，n i 为隐单元数n 为输入单元数。 n 1 i 而+ a ，其中，m 为输入神经元数，n 为输出神经元数，a 为 l 1 0 之 间的常数。 n 。= 1 0 9 。n ，其中，n 为输入单元数。 还有一种途径可用来确定隐单元的数目。首先使隐单元的数目可变，或者放 入足够多的隐单元，通过学习将那些不起作用的隐单元删除，直塾l 不可收缩为 止。同样，也可以在开始时放入比较少的的神经元，学习到一定次数后，如果 不成功则再增加隐单元的数目，直到达到比较合理的隐单元为止。 ( 3 ) 初始值的选取 由于系统是非线性的，初始值对于学习能否达到局部最小和是否能够收敛的 结果关系很大。一个重要的要求是：初始权值在输入累加时使每个神经元的状 态值接近于零，权值一般取随机数，要比较小。输入样本也同样希望进行归一 化处理，使那些比较大的输入仍落在传递函数梯度大的地方。 3 3 2 眦t l 旭神经网络工具箱的简介 在研究神经网络的过程中，传统的计算机上的软件仿真是研究人员常采用 的方法。 l a t l a b 6 x 提供了神经网络工具箱( n n e tt 0 0 1 b o xv e r s i o n 4 x ) 。对 于各种网络模型，神经网络工具箱提供了多种学习算法以及1 7 0 余种各工具函 数，借助它们可直观，方便地进行神经网络的应用设计、分析、计算等。 神经网络工具箱几乎包括了现在神经网络的最新成果，涉及的神经网络模 型包括1 感知器 2 线性网络 3 b p 网络 4 径向基函数网络 5 竞争型神经网络 6 自组织网络和学习向量量化网络 7 反馈网络 3 4 基于眦t l 朐的b p 神经网络设计 1 b p 神经网络的创建及初始化 在m 衄a b 中，采用n e w f f 函数来生成b p 网络。n e w f f 函数的常用格式 为 n 甜。n “痧( 瑚，b 1s 2 s 】弦l 豫2 。删l 口巧，脚z ，f f ) p r ：每组输入元素的最小值与最大值组成的r 2 维的矩阵； 峪1s 2 s j ：表示各层神经元的数目； 舾lz f 2 。妤f ：表示的传递函数；默认值为“t 跹s i g ” b 1 瞪：b p 网络训练函数。默认值为“t r a i n l m ” b l f - 权值和阀值的b p 学习算法，默认值为“l e a 加g d m ” p f ：网络性能函数，默认为“m s e ” 2 b p 网络的学习函数 在b p 网络进行权值和阀值学习时常用的学习函数是“1 e a r n g d ”和 “1 e a r n g d l n ”。“1 e a r n g d ”为梯度下降权值阀值学习函数，它通过神经元 的输入和误差，以及权值和阀值的学习速率，来计算权值或阀值的变化率。 “l e a r n g d l i l ”为梯度下降动量学习函数，它利用神经元的输入和误差、权值和 阀值的学习速率和动量常数。来计算权值或阀值的变化率。 3 b p 网络训练函数 在b p 神经网络生成和初始化以后，即可利用现有的“输入一目标”样本 矢量数据对网络进行训练。在m 伽a b 中b p 网络的训练通常采用t r a i n 函数 来完成。在训练之前有必要对网络训练参数n e t t i a i n p 咖进行适当的设置。表 3 2 列出了网络对象的一些主要训练参数及含义。 在设置完训练参数之后，就可以调用t r a 如函数对b p 网络进行训练了。t r a i n 函数的格式如下： 【，l 甜，f r 】= f 阳加0 甜，p ，r ) 其中，p 为输入样本矢量集，t 为对应的目标样本矢量集；等号右、左两 侧的n e t 分别用于表示训练前、后的神经网络对象；t r 存储训练过程中的步数 信息和误差信息。训练过程中，训练函数会根据设定的n e t 仃a i l l p a r a i n s h o w 值 自动显示当前训练结果信息，并给出网络误差实时变化曲线。当训练步数大于 n c t t 曲p a r 锄e p o c h s 、训练误差小于n e t t m i n p a 舳g o a l 、训练时间超过 n e t t p 咖t i m e 。或误差梯度值小于n e t t r a i l l p 猢m i 嶝d 时，训练都将自 动停止，并返回训练后的神经网络对象。 几个主要的神经网络训练参数及含义表3 1 训练参数参数含义默认值 n e t 乜a i n p a 舢e p o c h s 训练步数 1 0 0 n e l t r a i n p a r a m s h o w 显示训练结果的间隔步数 2 5 n e t 劬p a 舳g d a l 训练目标误差 o n e t 臼a i n p a “蚰t i m e 训练允许时问m n e l t f a i n p a 姗m m g r a d训练中最小允许梯度值 1 e 6 n e t n 面n p a r 锄。m i r l f a 订最大确认失败次数 5 n e t n a i n p a “咖甜舭h f c n 所有的线性搜索路径 4 b p 网络性能函数 b p 网络的性能函数有“m s e ”和“m s e r e g ”。“m s e ”为均方误差性能函 数；“m s e r e g ”也为性能函数，它通过两个因子的加权和来评价网络性能，这两 个因子为均方误差、均方权值和阀值。 3 4 4 即神经网络的仿真 b p 神经网络的仿真过程实质上是神经网络根据网络输入数据，通过数值计 算得出相应网络输出的过程。对神经网络进行仿真有两个目的，其一为在网络 训练过程中，通过仿真输出可以及时了解当前网络的性能，从而决定是否对网 络进行下一步的训练：其二是当神经网络经过训练达到目标要求且稳定后，即 利用仿真功能进行神经网络预测。 第四章预测方法在工程实际中的设计运用与分析 高速公路建设具有其自身的特殊性，如线路长、地质情况变化大、工期长 等特点。对于一些桥头、高填土、地质条件差、旖工工期短的路段，需要采用 了深层搅拌桩、碎石桩、c f g 桩、真空联合堆载预压法等地基处理方法进行处 理：为协调地基的不均匀沉降、增强地基稳定性，有的还采用了一些土工织物加 筋法。 尽管一般认为其沉降主要发生在施工期阀，但工后沉降却直接影响高速公 路的处理效果，不可以忽略不计。国内目前关于高速公路软土路基的沉降变形 规律的研究主要还是针对软基处理和路基填筑期问的沉降，本章研究和分析工 后沉降，对于保证高速公路运行安全和提高高速公路经济效益都有重要的意义。 本文主要是采取b p 神经网络对软土地基沉降进行预测，在此针对软土地基 处理中的常用方法：深层搅拌桩法和竖向排水体法。通过第三章对这两种处理 方法加固软土地基的原理以及影响其沉降的主要原因进行了分析，利用b p 神 经网络的优越性，对其工后沉降进行了分析及预测。 4 1 问题的描述 b p 神经网络在处理这类问题的优点在于它可以模拟多变量而不需要对输 入变量做复杂的相关的假设。它不依靠专家经验，只利用观测到的数据，可以 从训练过程中通过学习来抽取和逼近隐含的输入输出非线性关系。由此，利 用神经网络中的较成熟的b p 神经网络，充分考虑其影响因素，对软土地基沉 降预测可以获得一定的精度。对软土地基处理中具有代表性的两种地基处理方 法，各自进行分析，并进行了网络的设计、训练、测试及仿真。 深层搅拌桩是常用的一种处理方法。对于处理“桥头跳车”等现象十分有 效。通过第三章对以往深层搅拌桩处理软土地基实例的分析，得到影响深层搅 拌桩复合地基沉降的因素有：处理方式、桩位布置情况、桩径、桩间距、桩长、 桩身强度等等。 竖向排水体法在公路软土地基处理中也是一种使用很多的处理方法，它是 一种施工简单、经济而且施工工艺较成熟的方法。通过第三章对以往竖向排水 体法处理软土地基实例的分析，得到影响竖向排水体法处理后地基沉降的因素 有：堆载方式加压方式( 堆载预压法、真空预压法和真空一堆载预压法) 、应力 历史、加载速率、处理深度、硬壳层的影响、施工扰动情况等等。 4 2 输入输出向量的设计 4 2 1 深层搅拌桩法输入输出向量的设计 在使用b p 神经网络进行预测中，影响因素考虑的越多越全面，相对而言预 测的精度就越高。考虑到以前的数据观测，针对深层搅拌桩法处理软土地基的 特点，我将输入的影响因素设定如下： 处理方法因素：桩处理方法参数( 0 表示浆液注入：l 表示粉体喷射) ； 桩的自身因素：桩布置形式参数( 0 表示正三角布置；1 表示其他布置方式) 、 置换率( 通过桩径和桩间距进行计算) 、桩长是否合理参数( 桩长处理深度是否 合适，o 表示不合理，1 表示合理) 、桩身强度参数( 是否大于2 h 仔a ，o 表示小 于，1 表示大于) ； 施工影响因素：填土速率参数( 0 表示快速填筑，o 5 表示慢速填筑，1 表示 填筑适中) 、填土高度( 累计填土) 、填土时间( 累计填土时间) ； 很显然深层搅拌桩法( 粉体喷射搅拌桩法和浆液注入搅拌桩法) 处理软土 地基沉降的b p 神经网络预测的输入变量是一个8 维的向量。而我们预测所得 到的是沉降量，所以输出向量是一个l 维的向量。 获得输入和输出变量后，我们要对这些数据进行归一化处理，将这些数据 处理为 o 1 之间的数据，对已经是处于 o 1 之间的数据，我将不再进行处理。归 一化的处理方式很多我在这里采用的是如下公式： 囊。旦鱼l降1 ) x 一x m 。 本文采用连( 连云港) 一徐( 徐州) 高速公路软土地基实测沉降数据，深 层搅拌桩处理法观测断面编号：l 号为：k 1 5 + 7 5 7 右、2 号为：】( 2 0 + 0 5 0 右、3 号 为：k 2 0 + 3 4 5 左、4 号为：k 2 0 + 8 8 5 中、9 号为：k 2 1 + 3 7 0 左、1 0 号为：i 【2 3 + 1 9 7 5 中、 1 1 号为：k 2 4 十7 3 9 中、1 2 号为：k 2 5 + 8 3 4 右。 深层搅拌桩法处理软土地基后沉降原始记录表表4 - 1 k 1 5 + 7 5 7 右( 粉喷桩处理) 累计填土高度累计沉降量沉降速率 观测日期 ( m )( m m ) ( m m ，月) o o - 0 11 8 62 22 0 o 呻2l 8 6 2 42 伽啷- 2 12 8 26 01 2 0 ( 吣6 _ 2 1、2 8 26 00 o o 0 7 1 82 8 26 5 6 0 ( h ) 8 1 92 8 27 0 5 o 咖9 1 72 8 28 01 1 o 口l o 1 7 2 8 2 8 1 1 o m l l 1 82 8 28 10 0 0 _ 1 2 - 1 52 8 28 10 0 1 m l - 1 42 9 51 2 94 8 0 1 0 2 2 12 9 51 7 8 3 6 0 1 0 3 岱 2 9 52 0 9 3 1 0 1 - 0 4 - 2 5 4 4 2 2 3 2 2 3 0 1 0 5 2 44 4 22 4 81 6 0 1 0 6 - 2 64 4 22 6 11 3 0 1 聊2 94 4 22 6 87 0 1 _ 0 8 2 24 ，4 22 7 35 0 1 _ 0 9 _ 2 4 4 4 22 7 4l 深层搅拌桩法处理软土地基对沉降的影响因素原始数据列表表4 2 、观测断面 影响因素、 1 号2 号 3 号 4 号5 号6 号7 号8 号 桩处理方法参数 1l1111 i 1 桩布置形式参数 o0 0000 o0 置换率 桩径( m ) o 5 00 5 00 5 00 5 00 5 00 5 00 5 00 5 0 桩间距( m ) 1 61 3l 31 51 41 41 31 3 ( m ) m0 0 8 8o 1 3 4 o 1 3 4 0 1 0 10 1 1 6o 1 1 6o 1 1 6o 1 1 6 桩长是否合理参数 1111ll11 桩身强度参数11 11l 111 填土速率参数 0 5l 0 5 0 5000 51 填土高度( 累计) 各个断面的原始数据( 以1 个为一组) 1 个数据 填土时间( 累计) 各个断面的原始数据( 以1 个为一组) 1 个数据 加 深层搅拌桩法处理软土地基对沉降的影响因素原始数据归一化处理记录表表4 - 3 、观测断面 影响因素、 1 号2 号3 号 4 号9 号l o 号1 1 号1 2 号 桩处理方法参数 111111 1 1 桩布置形式参数 0oo0 00oo 桩径 0 5 0o 5 0o 5 00 5 0 0 5 0o 5 0o 5 00 5 0 置换率( m ) 桩间距 1 61 31 3 1 51 41 41 31 3 o 0 8 8 o 1 3 4o 1 3 4 o 1 0 1o 1 1 6o 1 1 60 1 3 40 1 3 4 桩长是否合理参数 111 11111 桩身强度参数11111111 填土速率参数 0 510 5 0 500o 51 填土高度 各个断面对应的处理后数据( 以1 个为一组) 1 个数据 填土时间 各个断面对应的处理后数据( 以1 个为一组) 1 个数据 深层搅拌桩法处理软土地基后沉降原始数据归一化处理记录表表4 - 4 k 1 5 + 7 5 7 右( 粉喷桩处理) 观测日期累计填土高度( m )累计沉降量( m ) 沉降速率( ! i l 月) 0 0 - 0 10 4 2 10 0 2 2 0 0 2 0 o o _ 0 2 0 4 2 10 0 2 4o ，0 0 2 0 0 加5 2 10 6 3 80 0 6 0 0 0 1 2 o o - 0 6 2 10 6 3 8o 0 6 0o 0 0 0 7 1 8 o 6 3 80 0 6 50 0 0 6 0 0 0 8 1 9o 6 3 8o 0 7 0 o o q 5 0 0 0 9 - 1 70 6 3 80 0 8 0 0 0 1 1 0 0 1 m 1 70 6 3 8o 0 8 l0 ，0 0 1 0 0 1 1 1 8 0 6 3 8o 0 8 10 0 0 _ 1 2 - 1 50 6 3 80 0 8 1 0 0 1 0 1 1 4o 7 5 80 1 2 9 0 0 4 8 0 1 0 2 _ 2 10 7 5 80 1 7 80 0 3 6 0 1 加3 - 2 50 7 5 8o 2 0 90 0 3 1 o l 埘毯10 2 3 20 0 2 3 0 1 m 5 2 410 2 4 8o 0 1 6 0 1 m 6 - 2 610 2 6 1 0 0 1 3 0 1 ，0 7 2 9 1o 2 6 4 o ，o ( ) 3 0 1 0 8 2 210 2 6 9 0 0 0 5 0 1 - 0 9 2 410 2 7 0 0 0 0 1 4 2 2 、竖向排水体法输入输出向量的设计 对竖向排水体法处理软土地基影响沉降的因素考虑如下： 处理方法因素：加载方式参数( 0 表示真空预压法、o 5 表示堆载预压法、1 表示真空一堆载预压法) 自然影响因素：历史影响参数( 0 表示超固结、o 5 表示正常固结、1 表示欠 固结) 、硬壳层影响参数( o 表示影响很大、0 5 表示影响一般、1 表示影响很小) 压缩层厚度参数( 排水体系是否达到没有压缩变形土的顶端，o 表示未达到、1 表示达到) 施工影响因素：旆工扰动参数( 0 表示施工未扰动、o 5 表示扰动严重、1 表 示扰动一般) 、填土速率参数( 0 表示快速填筑，o 5 表示慢速填筑，1 表示填筑适 中) 、填土高度( 累计填土) 、填土时间( 累计填土时间) 很显然竖向排水体法( 塑料排水板法或袋装砂井法) 处理软土地基沉降的 b p 神经网络预测的输入变量也是一个8 维的向量。而我们预测所得到的是沉降 量，所以输出向量是一个1 维的向量。 竖向排水体法观测断面编号：9 号为：l ( 2 1 + 1 3 0 中、1 0 号为：l z 硌+ 0 0 0 右、1 1 号为：k 2 3 + 4 5 0 中、1 2 号为：磁1 + 0 8 0 中。 竖向排水体法处理软土地基对沉降的影响因素原始列表表4 5 、观测断面 影响因素、 9 号1 0 号1 1 号1 2 号 加载方式参数0 50 50 50 5 历史影响参数 1111 压缩层厚度参数 1111 硬壳层影响参数 o 5o 511 施工扰动参数1 1 11 填土速率参数0 1 0 1 填土高度各个断面的原始数据( 以1 个为一组) 1 个数据 填土时间各个断面的原始数据( 以1 个为一组) 1 个数据 4 2 竖向排水体法处理软土地基后沉降原始数据记录表表4 6 k 2 1 + 1 3 0 中( 砂垫层处理) 观测日期累计填土高度( m )累计沉降量( )沉降速率( m i t l 月) 0 0 吣3 2 01 7 01 81 8 0 ( h ) 4 - 2 02 7 4 7 2 9 o o _ 0 5 之13 45 71 0 0 ( h ，6 _ 2 13 7 41 10 o o _ 0 7 1 83 7 41 3 01 1 9 0 0 - 0 8 1 93 7 41 3 77 0 ( h 1 73 7 41 5 l1 5 0 0 - 1 0 1 83 7 41 5 98 0 d - 1 1 - 1 83 7 41 6 78 0 0 1 2 1 53 7 41 7 36 0 1 - 0 1 1 43 7 41 9 92 6 0 1 0 2 2 13 7 43 2 91 3 0 0 1 0 3 2 5 3 7 4 3 3 12 0 1 0 4 2 53 9 73 4 09 0 1 _ 0 5 2 44 3 53 5 71 7 0 1 0 6 - 2 6 5 6 14 1 0 5 3 0 1 0 7 - 2 95 6 94 2 21 2 0 1 0 8 2 25 6 94 4 62 4 0 1 0 9 2 4 5 6 94 7 4 2 8 将影响因素参数和原始观测断面的数据进行归一化处理后得： 竖向排水体法处理软土地基对沉降的影响因素归一化处理列表表” 、堑雪 1 号2 号3 号4 号 影响因素、 加载方式参数 0 50 50 50 5 历史影响参数 1111 压缩层厚度参数 1111 硬壳层影响参数0 5 0 5l 1 施工扰动参数1 l1 1 填土速率参数0 10 1 填土高度各个断面对应的处理后数据( 以1 个为一组) 1 个数据 填土时间 各个断面对应的处理后数据( 以1 个为一组) 1 个数据 竖向排水体法处理软土地基后沉降原始数据归一化处理记录表 表4 - 8 k 2 1 + 1 3 0 中( 砂垫层处理) 观测日期累计填土高度( m )累计沉降量( m )沉降速率( n ，月) o o _ 0 3 2 0 o 2 9 9 0 0 1 80 0 1 8 o o - 0 4 2 00 2 9 90 0 4 70 0 2 9 0 0 0 5 - 2 10 5 9 80 0 5 70 0 1 0 0 0 _ 0 6 - 2 10 6 5 70 1 10 0 5 3 0 0 0 7 - 1 8o 6 5 7o 1 3 00 0 1 1 9 加_ 0 8 - 1 90 6 5 7o 1 3 70 0 0 7 o ( h ) 9 1 7o ，6 5 7o 1 5 1o 0 1 5 0 0 - 1 0 _ 1 8o 6 5 7o 1 5 90 0 0 8 o o - 1 1 1 8o 6 5 7o 1 6 7o 0 0 8 o o _ 1 2 1 50 6 5 70 1 7 30 0 0 6 0 1 _ 0 1 1 40 6 5 7o 1 9 9o 0 2 6 0 1 - 0 2 2 1o 6 5 70 3 2 90 1 3 0 0 1 - 0 3 岱o 6 5 70 3 3 1o 0 0 2 0 1 0 4 2 50 7 6 40 3 4 00 0 0 9 o l - 0 5 2 4o 7 6 40 3 5 7o 0 1 7 0 1 - 0 6 - 2 610 4 1 00 0 5 3 0 1 - 0 7 2 9l0 4 2 2o 0 1 2 0 1 - 0 8 - 2 210 4 4 60 0 2 4 o l - 0 9 - 2 4lo 4 7 4o 0 2 8 输入向量中有沉降观测的实际值，而目标向量中的沉降值也是实际的观测 值。因此，这些数据可以对网络进行有效地训练。如果从提高网络精度的角度 出发，一方面可以增加网络训练样本的数目，另一方面还可以增加输入向量的 维数。目前，训练样本数目的确定没有通用的方法，一般认为，样本过少可能 使得网络的表达不够充分，从而导致网络外推的能力不强：而样本过多可能会 出现样本冗余现象，即增加了网络的训练负担，也有可能出现信息量过剩使得 网络出现过拟合现象。 4 3b p 网络设计 1 隐层的设计 对于b p 网络有一个很重要的定理。即对于任何在闭区间内的一个连续函 数都可以用单隐层的b p 网络逼近，因而一个三层的b p 网络就可以完成任意的 n 维到m 维的映射。根据第四章中确定隐层节点的方法，以及考虑本例的实际 情况，解决给问题的网络的隐层神经元的个数应该在1 3 1 7 之间因此，我设计 了一个隐含层数目可以变化的b p 神经网络，通过误差对比，确定最佳的隐含 层神经元个数，并检验隐含层神经元个数对网络性能的影响。 网络的隐层神经元的个数设计及训练代码如下： s = 1 3 ：1 7 ： r e s = 1 ：6 ： f o ri = 1 ：6 ： n e t = n 删m i 衄a x ( p ) ，【s ( i ) ，1 】， t a i l s i g ，i o 笋i g ) ，t r a 【i n g d x ) ； n e t t r a 证p a r a m e p o c b s = 2 0 ( ) o ； n e t 劬p a r 锄g o a i s = o 舯1 ； n e t = t r a _ i n ( n e t 只d ； y = s i m ( n e t ，p ) ； e n d r 2 y t ； r e s ( i ) = n 0 珊( c r m r ) ； e n d 上述b p 网络运行的结果见下表： 表4 9 i 神经元个数 1 11 21 31 41 5 网络误差 0 7 3 4 80 1 8 5 4o 1 3 2 50 1 6 7 40 1 7 2 2 上表表明，在经过2 0 0 0 次的训练后( 彭l l 练函数采用t r a i n 醇x ) ，隐含层神经 元个数为1 3 的b p 网络的逼近效果最好，因为它的误差最小，而且网络经过较 少的训练就达到了目标误差。综合考虑训练所需时间、步数、练后的误差以及 其性能，这里将网络隐含层的神经元数目设定为1 3 个。 2 训练函数的选用 采用不同的训练方法对网络的性能也有影响，比如收敛速度等。下面我采 用了不同的训练网络进行训练，并观测了结果。 上面采用的是函数是们j n g d 】【对函数进行的训练，该函数的学习算法是梯 度下降动量法，而且学习速率是自适应的。当函数的隐含层的神经元个数是8 个时，网络的逼近误差为0 0 0 1 ，网络误差为0 0 0 0 9 2 3 5 3 1 ，训练步长为6 2 步。 网络的训练结果如下图所示。 圈4 1 接下来采用仃a i n l m 对网络进行训练，该函数的学习算法为l 肼e n b e 玛 m a r q u a d t 反传算法，该训练函数的优点在于收敛速度快。其经过2 步的训练后， 网络的误差就达到了要求。如下图所示。 i 图4 - 2 4 6 最后我采用t r a i g d 对网络进行训练，该函数的学习算法就是普通的梯度下 降法。其经过3 8 4 步的训练后，网络的误差就达到了要求。如图所示，此时的 误差见下图。 ： 圈4 3 综合分析以上三种的训练过程，我认为t r a i n l m 收敛速度快，训练的效 果好，且网络误差也比较小。最后确定该b p 网络的训练函数采用t r a i n g h n 。 3 传递函数的选取 对于b p 网络，有一个非常重要的定理。即对于任何在闭区间内的一个连续 函数都可以用单隐层的b p 网络逼近，因而一个三层b p 网络就可以完成任意的 n 维到m 维的映射。在此网络中，网络中间层的神经元传递函数采用s 型正切 函数t a n s 培，输出层神经元传递函数采用线性函数l o g s 远。这是因为网络 的输出在 01 中。而实际值不在 o1 之间，所以我们还要对运行的结果进 行反归一化处理，这样就可以得到一个准确的数据。 4 网络的训练及仿真 ( 1 ) 训练参数的确定 经过训练后才可以对深层搅拌桩法处理地基后沉降预测的运用。考虑到网 络结构的复杂，神经元的个数比较多，需要适当的增大网络的训练次数和学习 速率。训练参数的设置如下表所示。 训练参数表表4 - 1 0 l网络次数训练目标学习速率 2 0 0 00 0 0 10 1 训练的代码如下： n e t t r a i n p 衄a 。e p o c h = 2 0 ； n e t 咖衄a g o a l = 0 0 0 1 ； i 卫l r = o 1 c t = 仃a i n ( n e t ，e d ； ( 2 ) 网络误差的检验 训练前网络仿真的输出，直线表示输入向量和目标函数之间的函数关系。 在没有训练前，网络的非线性映射性能是很差的。训练后，网络误差就达到了 要求。 ( 3 ) 网络的测试 训练好的网络还要经测试后，才能投入到实际的运用中。这里的测试数据 就利用上面表中后期的数据。预测误差已经很小，除有局部出现一些较大的误 差之外。其余的误差都已经满足要求。 ( 4 ) 网络的仿真 将上面训练、测试好的网络进行仿真运行即可。 综上就得到了一个完善的b p 网络，可以进行深层搅拌桩法处理软土地基 后工后沉降预测。同理，也可以得到竖向排水法处理软土地基工后沉降预测的 b p 神经网络。 4 4 预测沉降的比较分析 用训练好的b p 网络对用1 2 个不同的断面进行了测试后，沉降预测的结果 比较很好的反映网络的性能，现将各个预测与实际值迸行了比较。见下列各表。 实测值与预测值的比较( k 1 5 + 7 5 7 右) 表4 一” 日期2 q 0 1 4 2 5z o o l _ 5 2 4 2 0 0 26 2 6 2 0 0 2 7 ，2 9z o o 晓8 z 2 天数 4 4 94 7 85 l l5 4 45 6 8 实罚值( m m ) 2 3 2 2 4 82 6 1 2 6 4 2 6 9 预测值( )2 2 8 2 5 l2 7 22 7 92 8 1 误差( )一1 71 24 25 7 4 4 名2 6 0 吕 翌粥 蜉 z 1 0 4 4 04 7 05 0 05 3 05 6 05 9 0 图4 4 观测值、预测值与时间关系图( k 1 5 + 7 5 7 右) 实测值与预测值的比较( k 2 0 + 0 5 0 右)表4 _ 1 2 日期2 0 0 1 0 5 2 42 0 0 1 0 6 2 62 0 0 1 0 7 2 92 0 0 1 0 8 2 22 0 0 1 0 9 2 4 天数4 9 75 3 05 6 35 9 66 2 9 实测值( m i ) 2 3 42 4 02 5 62 6 42 7 0 预测值( ) 2 1 72 3 62 5 72 7 4 2 9 2 误差( )一7 22 5o 3 93 84 4 3 0 0 2 9 5 2 9 0 2 8 5 2 8 0 2 7 5 蠊 鳞 2 3 5 2 3 0 2 2 5 2 2 0 2 1 5 2 1 0 4 9 05 1 05 3 05 5 05 7 05 9 0 6 1 06 3 0 图4 5 观测值、预测值与时间关系图( k 2 0 + 0 5 0 右) 实测值与预测值的比较( k 2 0 + 3 4 5 左)表4 - 1 3 日期 2 0 0 1 0 4 2 52 0 0 1 0 5 2 4 2 0 0 1 0 6 2 62 0 0 1 0 7 2 92 0 0 1 0 8 2 2 天数 4 8 4 5 1 45 4 25 7 7 6 1 0 实测值( m ) 3 1 63 3 23 4 2 3 7 33 8 6 预测值( m )3 0 83 2 43 4 9 3 7 13 9 9 误差( )一2 ，5_ 2 5一1 8 咱53 4 4 2 0 3 9 0 邑3 6 0 稠 娄3 3 0 3 0 0 2 7 0 4 8 05 1 05 4 0 5 7 06 0 06 3 0 图4 6 观测值、预测值与时间关系图( 1 c 2 0 + 3 4 5 左) 实测值与预测值的比较( k 2 0 + 8 8 5 中) 袁4 1 4 日期 2 0 0 1 0 4 2 52 0 0 1 0 5 2 4 2 0 0 1 0 6 2 62 0 0 1 0 7 2 92 0 0 1 _ 0 8 2 2 天数 4 8 95 1 85 5 l 5 8 46 0 8 实测值( m m )3 9 94 0 54 0 84 4 74 9 9 预测值( m )4 1 2 4 2 3 4 2 84 4 24 6 8 误差( )3 34 34 91 16 2 5 3 0 5 0 0 4 7 0 4 4 0 4 1 0 3 8 0 4 8 05 1 05 4 05 7 06 0 06 3 0 图4 7 观测值、预测值与时间关系图( k 2 0 + 8 8 5 中) 对竖向排水体法的预测值与实际值的对照分析如下： 实测值与预测值的比较( k 2 1 + 1 3 0 中)表4 1 5 日期 2 0 0 1 _ 0 4 2 52 0 0 1 0 5 2 42 0 0 1 0 6 2 62 0 0 1 0 7 2 9 2 0 0 1 0 8 2 2 天数 4 0 34 3 24 6 2 4 9 65 2 0 实测值( m ) 3 4 03 5 74 1 04 3 8 4 6 2 预测值( ) 3 4 53 6 33 9 74 2 64 5 l 误差( ) 1 51 73 22 7 2 4 4 7 0 4 4 0 量4 1 0 卿 篷3 8 0 蟋 3 5 0 3 2 0 3 8 04 1 04 4 04 7 05 0 0 5 3 0 图4 8 观测值、预测值与时间关系图( k 2 1 + 1 3 0 中) 5 1 l v 词篷蜉 实测值与预测值的比较( i ( 2 3 + o 右)表4 1 6 日期2 0 0 l - 0 4 2 52 0 0 1 0 5 2