本發(fā)明涉及管樁承載力測試領(lǐng)域，具體的說是一種基于改進(jìn)的igwo-bp神經(jīng)網(wǎng)絡(luò)的管樁承載力預(yù)測方法。

背景技術(shù)：

1、預(yù)應(yīng)力混凝土管樁具有單樁承載力高、可選擇范圍靈活、能適用于更多地質(zhì)地形、成樁長度可控、根據(jù)工況不同單獨設(shè)計、現(xiàn)場施工受限制小、施工速度快成長率高等優(yōu)點；相比同尺寸傳統(tǒng)灌注樁單樁承載力提高30%到50%；樁的用途主要為傳遞和承載上部結(jié)構(gòu)所施加的荷載，樁的承載力主要取決于兩個方面，即樁自身的質(zhì)量與地基土力學(xué)特性；如果樁出現(xiàn)承載力不足等問題，就可能造成不均勻沉降，對后期橋梁運行造成重大安全隱患，此樁的承載力檢測顯得尤為重要；管樁承載力檢測主要分為靜載法和動載法，靜載法所得結(jié)果較為準(zhǔn)確，但其有耗時長、成本高等缺點，而動載法卻恰恰相反，其成本和時間相對于靜載法較低，但所測得結(jié)果誤差相比于實際較大，目前還難以用于實際工程；

技術(shù)實現(xiàn)思路

1、本發(fā)明為克服現(xiàn)有技術(shù)的不足之處，提出一種基于igwo-bp神經(jīng)網(wǎng)絡(luò)的管樁承載力預(yù)測方法，以期能實現(xiàn)對管樁承載力高精度預(yù)測，以克服管樁承載力靜載試驗成本高、耗時長等諸多問題。

2、本發(fā)明為達(dá)到上述發(fā)明目的，采用如下技術(shù)方案：

3、本發(fā)明一種基于igwo-bp神經(jīng)網(wǎng)絡(luò)的的管樁承載力預(yù)測方法的特點在于，包括如下步驟：

4、步驟1：利用有限元軟件分別建立管樁和土的數(shù)值模型，相應(yīng)得到管樁有限元模型和土體有限元模型，從而構(gòu)成樁-土有限元模型；

5、步驟2：在樁-土有限元模型中通過改變樁尺寸、土體物理參數(shù)來模擬真實情況下的樁土行為；

6、步驟3：獲取動、靜載試驗數(shù)據(jù)，包括：管樁的承載力特征向量和樁頂?shù)奈灰铺卣飨蛄?，其中，分別表示第i次靜載試驗時的承載力特征數(shù)據(jù)，表示第i次動載試驗時的位移特征數(shù)據(jù)；

7、步驟4：計算中每個位移特征值與之間的皮爾森相關(guān)系數(shù)，并對所有皮爾森相關(guān)系數(shù)進(jìn)行降序排序，并選擇前個皮爾森相關(guān)系數(shù)對應(yīng)的位移特征值，得到第i次動載試驗篩選后的位移特征數(shù)據(jù)，從而得到篩選后的位移特征向量，其中，表示中的第個位移特征值；

8、步驟5：創(chuàng)建bp神經(jīng)網(wǎng)絡(luò)，并以作為bp神經(jīng)網(wǎng)絡(luò)模型的輸入，以作為bp神經(jīng)網(wǎng)絡(luò)模型的輸出，從而對bp神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并得到訓(xùn)練后的管樁承載力預(yù)測模型；

9、步驟6：利用改進(jìn)的灰狼優(yōu)化算法優(yōu)化訓(xùn)練后的管樁承載力預(yù)測模型的權(quán)值和閾值，從而得到最優(yōu)權(quán)值和最優(yōu)閾值；

10、步驟7：以最優(yōu)權(quán)值和最優(yōu)閾值對應(yīng)的訓(xùn)練后的管樁承載力測模型作為最優(yōu)管樁承載力預(yù)測模型，用于實現(xiàn)管樁承載力的預(yù)測。

11、本發(fā)明所述的一種基于igwo-bp神經(jīng)網(wǎng)絡(luò)的的管樁承載力預(yù)測方法的特點也在于，步驟2包括如下步驟：

12、步驟2.1：將管樁有限元模型中管樁的外徑、內(nèi)徑以及樁長在一定范圍內(nèi)進(jìn)行隨機(jī)變化，以模擬實際工程中不同管樁的尺寸；

13、步驟2.2：將土體有限元模型中每層土的彈性模量、粘聚力和內(nèi)摩擦角在一定范圍內(nèi)隨機(jī)變化，以模擬不同地質(zhì)條件下的土質(zhì)；

14、步驟2.3：在樁-土有限元模型中，通過在一定范圍內(nèi)隨機(jī)變化樁土接觸面之間的摩擦系數(shù)，從而得到實際工程中的樁土接觸行為數(shù)據(jù)。

15、進(jìn)一步的，步驟3包括如下步驟：

16、步驟3.1：通過在樁頂施加分級荷載，用于計算在分級荷載作用下樁的荷載-沉降曲線，并根據(jù)豎向荷載-沉降曲線，設(shè)定單樁豎向抗壓極限承載力為總沉降量為δ時所對應(yīng)的荷載值，設(shè)定單樁豎向抗壓承載力特征值為單樁豎向抗壓極限承載力的一半，從而對樁-土有限元模型進(jìn)行靜載試驗，得到管樁的承載力特征向量，其中，分別表示第i次靜載試驗時的承載力特征數(shù)據(jù)；t表示轉(zhuǎn)置；n為試驗的總次數(shù)；

17、步驟3.2：創(chuàng)建重錘有限元模型，用于給樁施加一個沖擊荷載，從而對樁-土有限元模型進(jìn)行動載試驗，得到樁頂?shù)奈灰铺卣飨蛄浚渲?，表示第i次動載試驗時的位移特征數(shù)據(jù)，且，表示中的第j個位移特征值，m為位移值的數(shù)量。

18、進(jìn)一步的，步驟6包括如下步驟：

19、步驟6.1：初始化最大迭代次數(shù)，定義當(dāng)前迭代次數(shù)為t，并初始化t=1；

20、將訓(xùn)練后的管樁承載力預(yù)測模型的權(quán)值和閾值作為第t代第s個灰狼個體，從而構(gòu)建規(guī)模為n的第t代狼群；

21、步驟6.2：利用式(1)計算第t代狼群中第s只灰狼個體的適應(yīng)度值，并得到第t代狼群中所有灰狼個體并進(jìn)行排序，從而選取適應(yīng)度值最小的前三等級灰狼個體分別記為第t代狼群中的α狼個體、β?狼個體、δ?狼個體；

22、????????????(1)

23、式(1)中，分別第s只灰狼個體所對應(yīng)的管樁承載力預(yù)測模型對的預(yù)測值；

24、步驟6.3：利用gwo算法對進(jìn)行更新，得到第t+1代第s個候選灰狼個體；

25、步驟6.4：利用dlh算法對進(jìn)行更新，得到第t+1代第s個備選灰狼個體；

26、步驟6.5：利用式(1)計算和的適應(yīng)度值，并選取適應(yīng)度值較小的灰狼個體作為第t+1代第s個灰狼個體；從而得到第t+1代狼群；

27、步驟6.6：將t+1賦值制給t后，返回步驟6.2順序執(zhí)行，直至為止，從而得到第代狼群中的n個灰狼個體，并從中選取適應(yīng)度最小的灰狼個體并作為分別訓(xùn)練后的管樁承載力預(yù)測模型的最優(yōu)權(quán)值和最優(yōu)閾值。

28、進(jìn)一步的，步驟6.3包括如下步驟：

29、步驟6.3.1：利用式(2)計算第s只灰狼個體分別與α狼個體之間的距離、β?狼個體之間的距離、δ?狼個體之間的距離：

30、??????????????????(2)

31、式(2)中，、、表示3個第一系數(shù)向量，并有：

32、????????????????????(3)

33、式(3)中，、、表示[0,1]范圍內(nèi)的3個第t代隨機(jī)向量；

34、步驟6.3.2：利用式(4)計算更新第s只灰狼個體；

35、???????????????(4)

36、式(4)中，、、分別表示基于α狼個體、β?狼個體、δ?狼個體更新后的第s只灰狼個體；、、表示3個第二系數(shù)向量，并有：

37、??????????????(5)

38、式(5)中，、、表示[0,1]范圍內(nèi)另外的3個第t代隨機(jī)向量；表示第t代更新向量；且；

39、步驟6.3.3：利用式(6)計第t+1代第s個候選灰狼個體；

40、?????????(6)。

41、進(jìn)一步的，步驟6.4包括如下步驟：

42、步驟6.4.1：利用式(7)計算與之間的半徑：

43、?????????(7)

44、式(7)中，表示歐幾里得距離；

45、步驟6.4.2：利用式(8)計算第t+1代第s個備選灰狼個體；

46、??(8)

47、式(8)中；、分別以為中心在半徑內(nèi)隨機(jī)生成的2個灰狼個體；表示第t代隨機(jī)數(shù)。

48、本發(fā)明一種電子設(shè)備，包括存儲器以及處理器的特點在于，所述存儲器用于存儲支持處理器執(zhí)行所述的管樁承載力預(yù)測方法的程序，所述處理器被配置為用于執(zhí)行所述存儲器中存儲的程序；

49、本發(fā)明一種計算機(jī)可讀存儲介質(zhì)，計算機(jī)可讀存儲介質(zhì)上存儲有計算機(jī)程序的特點在于，所述計算機(jī)程序被處理器運行時執(zhí)行所述的管樁承載力預(yù)測方法的步驟。

50、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

51、1、相較于靜載試驗，本發(fā)明不需要耗費巨大的資金和時間，有高效性、周期短等優(yōu)點。克服了靜載試驗成本高耗時長，受地形限制等缺點，從而有效解決預(yù)測管樁靜載試驗時間消耗長成本高，某些復(fù)雜地形或土質(zhì)條件下，進(jìn)行管樁靜載試驗可能會面臨困難等諸多問題。

52、2、相較于動載試驗，本發(fā)明通過利用動載試驗結(jié)果聯(lián)合智能算法實現(xiàn)對管樁承載力的高精度預(yù)測；從而克服了動載試驗所得結(jié)果誤差大的問題；

53、3、本發(fā)明所提的模型具有通用性，通過改變管樁寬度和高度、土的彈性模量等土的物理參數(shù)，克服了管樁尺寸不同和土壤類型變化的問題，從而可以適用于不同地區(qū)下的管樁承載力預(yù)測；

54、4、本發(fā)明通過bp神經(jīng)網(wǎng)絡(luò)很好的找到了管樁動載位移數(shù)據(jù)與靜載承載力之間的關(guān)系，從而可以通過管樁動載位移變化去預(yù)測承載力的變化，通過引入改進(jìn)灰狼優(yōu)化算法對bp神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和初始閾值進(jìn)行優(yōu)化，從而有效提高了管樁承載力預(yù)測模型的預(yù)測準(zhǔn)確性。