王广禄，孔庆宇，刘文龙

(交通运输部天津水运工程科学研究所，天津 300456)



基于神经网络的真空预压法软基加固效果研究

王广禄，孔庆宇，刘文龙

(交通运输部天津水运工程科学研究所，天津 300456)

摘要：简单介绍了神经网络原理和应用现状，结合天津某真空预压软基加固工程的全过程，对取得的工程资料和监测数据进行筛选，通过比较验证，建立优选神经网络模型，对地基土体的加固效果进行了评价。并从影响因子的敏感性,分析了软基加固过程中具有重要影响作用的作业指标。

关键词：神经网络；真空预压；加固效果

天津地区围海造路及软基加固工程中大量使用真空预压法始于1980年。其工作机理的研究和现场试验研究也逐渐成熟，真空预压法在我国软土地基处理中得到了广泛的应用，施工工艺有了很大的提高，目前我国真空预压法的工艺技术处于国际领先地位。良好施工的情况下真空度能达到80 kPa，与相同加荷效果的堆载预压法相比，真空预压法不仅经济而且大大缩短工期。大部分设计认为真空预压法施工的预期指标为：① 地基承载力不小于80 kPa；② 在不小于80 kPa的真空固结压力作用下，地基土体的平均固结度大于90%[1-4]。通常地基固结度是通过沉降数据拟合来计算的，因此沉降是真空预压法加固软土地基过程中核心指标，关系到工程质量和建设周期[5]。在实践中，通过监测数据计算的固结度能够达到卸载指标，但十字板剪切强度较低，并且取土含水率也较高，即地基不能同时满足上述两项指标，这种情况就不能准确的衡量软基加固的效果，对施工卸载的判断十分不利。施工过程或者监测过程中往往会受诸多客观条件的干扰，随着时间推移这些干扰会被放大，导致观测数据偏离实际。尽管研究真空预压加固效果计算方法有很多[6-7]，但由于各种客观因素的影响，如停泵、减泵、漏气、排水板打设质量、吹填土质离散[8]，使得加固效果难以满足设计需要，因此，探讨一种新的有效的评价方法是很有必要的。

1　神经网络的应用与特点

神经网络是一种数学模型，通过模拟动物神经网络行为特征，进行分布式并行信息处理。网络根据系统的复杂程度，逐步调整内部大量节点之间的连接关系，从而达到处理信息的目的。神经网络学习算法,现被广泛应用于模式识别、数据预测、系统辨认、图像处理、语音理解以及函数拟合等各个领域[9-10]。自20世纪80年代末期起，人工神经网络开始在土木工程中得到应用，如施工过程的模拟、施工费用预算、地震危害预测、砂土的应力应变关系、残积土在加载过程中的硬化和软化现象、预测桩的承载力等[11-16]。神经网络的广泛应用，足以说明它在解决岩土问题中具有实际意义。

人工神经网络具有非线性、非常定性、非局限性、非凸性等特点。而真空预压加固过程受多种因素的影响和制约，其加固效果的自然规律很难用已知数学表达式来描述。这种非线性的问题非常适合人工神经网络来处理。

2　软基加固效果的神经网络建模

2.1基本原理

本研究采用BP网络模型，一种按误差逆传播算法训练的多层前馈网络。BP网络能存贮和学习大量的输入与输出层之间的映射关系，这种映射关系是在大量样本运算中建立起来的。各层神经元的作用函数通常采用S(Sigmoid)型函数,即：

(1)

网络的精度采用全局误差E来评价,它是所有输入样本的输出误差之和,表示为：

(2)

式中：En为第n个样本的标准差,且：

(3)

式中：Yk代表单元k的输出值；tk代表单元k的理想输出值；l代表节点数。这样,BP算法的步骤可概括为:选定权系数的初值；正向传播,计算E；反向传播,修正权值,使：

(4)

(式中μ>0为步长,r表示第r次迭代,wij是上一层第i个单元到当前层第j个单元的权重值)，直到收敛为止[17]。网络的实现选用NeuroSolutions软件，它是一款高度图形化的神经网络开发工具。

2.2输入输出参数确定

真空预压加固效果最直接的评价指标应该是原位测试或者取土试验。检验加固区的原位测试主要有十字板剪切试验和平板载荷试验。土工试验常常被关注的指标是含水率，因为它更能反映饱和软土的压缩程度。本文研究中把原泥面以上十字板强度平均值作为输出参数。影响加固后十字板强度和含水率的因素有很多，如加固时间、场地参数、吹填土参数、观测数据都可作为输入参数。此外，施工质量因素也是目前工程管理中的重要指标，出于本文研究对象考虑，拟定一个综合评价打设排水板、砂垫层质量、膜面密封性、开泵情况等的指标，可通过监理日志打分将其量化为0～100的数值指标。

2.3模型结构

网络训练的收敛速度和收敛性，取决于网络的拓扑结构(隐含层层数、隐含层节点数)。网络拓扑结构不合适的情况下，会出现训练时问过长或振荡，甚至导致网络瘫痪。目前认为前向三层BP神经网络是算法最成熟、应用最广泛的一种，最适用于模拟输入、输出近似关系的神经网络。

网络的泛化能力和训练速度受隐含层节点数的影响。选择合宜的隐含层节点数在构建神经网络模型中起着关键作用。隐含节点通常有经验选取法和公式选取法。常用公式为:

(5)

式中：n代表输入节点数；m代表输出节点数；o代表隐含层节点数，l取1～20任意自然数[18]。

3　工程实践

3.1样本处理

本研究选取天津南港工业区某真空预压区作为样本源来提取样本。该项目总加固面积470万m2，分区178个，地基加固深度20 m，吹填厚度达10 m。根据施工、监理、监测资料，依照上节内容，选择吹填土厚度、施工天数、工前含水率均值、工前塑性指数均值、打板期间沉降量、抽真空期间沉降量、平均真空度、预压区形状系数(即面积除以周长)以及施工质量指标9项数据作为输入参数，输出参数选择吹填土层工后十字板强度均值。共选取60组数据，其中55组作为训练使用，5组作为测试数据。由于各个物理量数值差距较大，为避免训练收敛慢和小数值影响力弱化，应采取归一化处理，其处理公式为:

(6)

式中：Xi为处理后的第i个样本，xi为原样本第i个数据。

3.2样本训练及测试

实际应用中，为避免学习发生震荡，收敛缓慢，BP算法在修正权值时经常会增加动量项调整。即把前一次权值调整量的小数倍乘积叠加到本次误差计算的权值调整量中，用作本次的实际权值调整量。据经验本次训练调整学习步长为5，动量调整率为0.5。根据公式(5)，隐藏节点数可取4～23之间，下面选取不同节点数进行训练比较(见表1)。根据均方误差，采用12个隐藏节点作为优选测试网络。通过测试(见表2)，十字板强度预测误差最大值为1.9 kPa，具有实际应用价值。

3.3成果应用与分析

通过优选训练网络，对样本区附近即将卸载的真空预压区进行效果评价(见表3)。通过预测认为可以进行卸载，施工停止后进行工后检测，结果比预测值偏小约3 kPa。

表1　不同隐藏节点下训练均方误差

表2　样本测试对比表

每种输入参数的敏感性对预测结果会产生不同程度的影响。敏感性衡量方法是将每种输入数据的平均值组成均值输入数据，以固定小比例(0.1%～0.5%)增加或减少其中一种参数，其它参数不变，通过网络得出一个输出值，重复操作求得100个输出值，计算100个输出值的标准偏差，便是这个被改变参数的网络敏感性。在NeuroSolutions软件中可直接使用敏感分析模块，计算结果如图1，真空度、形状系数和施工质量指标是相对较为敏感的因子。在工程实践中真空度的保证也是重要内容之一，形状系数更多的是反映边界条件，也是对真空度的保证，施工质量指标一方面包含对真空度保证，另一方面也是对排水通道的反映。图中敏感性相对弱些的指标有吹填土厚度、施工天数、工前含水率、打板期间沉降量、抽真空期间沉降量，其中施工天数和工前含水率敏感性比较接近，含水率高固然需要更多时间排水，相应的真空度要求也更高。而工前塑性指数敏感性最低，这是由于塑性指数是土的固有特质，不会因环境改变而变化很多。通过敏感性分析，可发现预测偏差更多的是受真空度和施工质量指标的取值不准确造成。

表3　优选网络预测应用

4　结　语

(1)结合软基加固机理，神经网络在真空预压加固效果分析具有可参考的应用价值，避免了破膜进行十字板检测，相比传统固结度预判更直观，更可靠。

(2)本研究增加了影响因子的敏感性分析，对真空预压加固过程关键指标具有很好的指导作用。

图1影响因子敏感性分析图

(3)本研究选用指标过于集中，因此它的适用范围可能只限于周边区域。如果使网络能够具备较广的应用效果则需要更加深入试验研究，尤其是影响因子选择和处理，大量样本的增加对BP神经网络训练负担也会增加，需要更高效学习法则。神经网络是对数据归纳总结系统，并不会分析其本质联系，在工程应用中需谨慎。

参考文献：

[1]陈环.天津软土地基[M].天津：天津科技出版社，1987.

[2]闫澍旺,朱平,刘润.真空预压法加固软土地基的效果观测分析[J].水利学报，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]吴起星,胡辉.基于Gompertz成长曲线的真空预压软土沉降规律分析[J].岩石力学与工程学报,2006,10(2):3600-3606.

[6]董志良,胡利文,张功新.真空及真空联合堆载预压法加固软基的机理与理论研究[J].水运工程,2005,(9):83-91.

[7]刘加才,赵维炳,施建勇.真空预压作用下竖井地基孔压消散研究[J].中国公路学报,2004,17(2):37-42.

[8]刘兵,蔡南树,艾英钵.大面积吹填软土地基真空预压施工工艺[J].水运工程,2006，(9):73-76.

[9]李义宝,张学勇,马建国,等.基于BP神经网络的改进算法研究[J].合肥工业大学学报:自然科学版,2005,28(6):668-671.

[10]米鸿燕,蒋兴华.基于灰色BP神经网络的沉降预测模型应用研究[J].昆明理工大学学报：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,杜京义,汪梅.神经网络[M].西安：西安电子科技大学出版社，2007：53-63.

[18]张德贤.前向神经网络合理隐含层结点个数估计[J].计算机工程与应用,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

中图分类号：TU753.8

文献标识码：A

文章编号：1672—1144(2014)06—0083—04

作者简介：王广禄(1982—)，男，辽宁沈阳人，工程师，主要从事岩土勘察、监测工作。

基金项目：动三轴实验原理及其成果应用研究(TKS110207)

收稿日期：2014-08-11修稿日期：2014-09-14