APP下载

房屋建筑桩基工程施工质量检测技术研究

2021-01-07寇文,段春强,刘毅,马津生,张宏历

粘接 2021年12期
关键词:桩基础神经网络施工质量

寇文,段春强,刘毅,马津生,张宏历

摘 要:研究一种基于神经网络数据深度迭代回归方法的房屋建筑桩基础施工质量检测方法。根据桩基础施工过程中的大孔径深孔钻机和套管沉管机的实际运行数据,对其进行基于神经网络对数回归函数模块和二值化重投影回归函数模块的深度迭代回归分析,得到精度在10 mm的桩基础解析度评价结果。此数据可以较传统微震测试法给出更加清晰的异常区边界且给出异常区内部数据细节,但新方法仍缺少对桩基础可用性的决策性评价方法,需要与传统检测方法联合使用。

关键词:桩基础;施工质量;检测验收;神经网络;深度迭代回归分析

中图分类号:TU753.3 文献标识码:A     文章编号:1001-5922(2021)12-0155-03

Research on Construction Quality Detection Technology of Building Pile Foundation Engineering

Kou Wen, Duan Chunqiang, Liu Yi, Ma Jinsheng, Zhang Hongli

(The Fourth Construction Co., Ltd. of CSCEC 7th Division, Zhengzhou 450000, China)

Abstract:A construction quality detection method of building pile foundation based on neural network data depth iterative regression method has been studied. The actual operation data of large diameter deep hole drilling rig and casing pipe sinking machine in the process of pile foundation construction is analyzed. In addition, the depth Iterative regression analysis of logarithmic regression function module and binary reprojection regression function module is carried out. Thus the evaluation result of pile foundation resolution with accuracy of 10 mm is obtained. Compared with the traditional microseismic test method, the boundary of the abnormal area is more clear, and the internal data of the abnormal area is more detailed. However, the new method still lacks the decision-making evaluation method for the availability of pile foundation, which needs to be used in combination with the traditional detection method.

Key words:Pile foundation; Construction quality; Detection and acceptance; Neural network; Deep iterative regression analysis

0 引言

建筑物桩基础的工程学意义是在深度发育第4系或高风化软岩基础上,将建筑物自重静压向深部稳定岩层进行传递的力学结构[1]。对软基础上的高层建筑来说,桩基础的施工质量如果不达标,则会对整个建筑物的稳定性、安全性带来显著影响。因为部分桩基础的底端埋深达到数十米,无法在施工后根据地表钢筋混凝土结构的一般检测手段进行施工质量检测,所以早期研究采用了多种基于大数据分析的全息检测方法[2]。传统验收模式下,可能采用微震法对桩基础进行补充物探,即在施工完成的桩基础顶端施加一定强度的微震,通过在桩基础周边土层中使用高精度激光加速度计获得土层振动响应结果,从而实现对地埋桩基础部分的三维成像[3]。但因为该方法的成像精度受到土层结构、地下水赋存情况,以及地温、气温等影响,导致成像结果并不稳定,成像效果难以达到施工质量检测工作的预期[4]。

本文以管式沉桩浇筑法为个案,研究钻孔机、沉桩机等设备的运行数据,在后续大数据分析的基礎上进行深度数据挖掘分析,从而得出桩基础施工质量评价结果[5]。

1 个案一般情况

某高层建筑地上36层,地下3层,基坑深度11.4 m,地上部分高度112.5 m,占地面积1 032 m2,基坑成型面积(肋型墙中线)752 m2,总建筑面积3.6万m2。建筑物基础为长江中下游冲击平原,基坑范围第4系厚度37~52 m,第4系下伏岩层为厚度19~22 m的高节理亚铁粉砂岩(C15),粉砂岩下部岩层为大于50 m厚度致密鲕状灰岩(C45)。地质探查钻孔共3处,揭露3处,钻孔深度100 m,均为揭露灰岩底板[6]。

故施工设计中,计划将建筑物9个深孔桩置入该灰岩层顶板下2 m,桩套管外径570 mm,为圆形截面钢套管,内浇筑C40混凝土成桩。该9个深孔桩的基本参数如表1所示。

由表1可知,9个钻孔深度最小的为47.2 m,最大的为65.8 m,均属于超深沉桩浇筑式钻孔。钻孔养护期为4个月,在养护期内进行基于施工数据的数据挖掘,分析钻孔质量,同时保留微震法检测作为备份技术[7]。

2 数据采集方法

核心数据来自大孔径深孔钻机、沉管机等核心施工设备的施工过程运行参数,包括转速、给进速度、液压压力等。所有数据根据钻头即沉管前缘的给进深度进行统一整理,待挖掘数据的数据结构如表2所示。

由表2可知,针对每个深度值,构建6个单精度浮点变量(Single格式),形成7×n的数据挖掘原始矩阵,对该矩阵进行基于神经网络算法的深度分析,当加大钻头/前缘深度的取样密度时,该数据可以较大程度反映出钻孔施工过程中的相关参数。

实际数据采集中,采用0.01 m(10 mm)的采样间隔,即在上述9个钻孔中,取得4 720~6 580组数据,通过对这些数据进行深度挖掘分析,可以得到相应的数据分析结果[8]。

3 神经网络算法模块设计

如果将最大7×6 580的原始数据矩阵直接输入神经网络,则会造成两点问题:一是其运算过程的节点结构会较为复杂,数据降维造成的数据信息损失较为严重;另外,单一神经网络输出的数据难以满足对整个钻孔质量的统一观察控制。所以,采用相邻数据记录联合、逐一对数据进行分析,从而或者包含一个输出结果数据列的分析结果。该神经网络架构如图1所示。

由图1可知,以第n条记录为核心数据,参照第n-1条记录和第n+1条记录为参照数据,分别对3条记录各6个数据进行输入融合,即将6条Single格式数据融合成1条Double格式数据,得到3个Double格式数据后,经过1个中央融合模块,将其进一步降维成1个Double格式数据F(n)。该数据即为针对第n条记录的评价结果,该结果应为一个[-1,+1]区间上的数据,当数据接近于0时,认为数据正常,而当数据接近于-1或+1时,认为数据存在问题[9]。其中:

(1)输入融合模块。输入融合数据的统计学意义是将6个Single型数据融合成1个Double型数据,属于数据降维算法过程,但与传统的降维模块不同,该模块应更侧重数据细节的表现,即采用对数回归函数进行节点设计。输入层6节点之后,设计5层隐藏层,分别为11节点、23节点、37节点、17节点、7节点,输出层为1节点。输入层、隐藏层、输出层的节点基函数公式:

式中,Xi为第 i 个输入变量;Y 为节点输出变量;e为自然常数;A、B为待回归变量。虽然该对数回归函数较降维模块最常使用的高阶多项式回归函数的待回归变量资源量更少,但通过适当增加隐藏层层数和增加神经网络模块的总节点数,可以有效平衡带回归变量的不足,使数据降维过程的信息损失量可以得到充分利用[10]。

(2)中央融合模块。中央融合模块的统计学意义同样为小数据信息损失量条件下的数据降维过程,其将3个Double型变量降维为1个Double型变量进行最终F(n)数据的输出。因为数据信息损失量远小于输入融合模块,所以其同样不采用传统降维模块的输出形式,而是采用可以实现更多数据二值化效果的二值化函数进行数据处理。其隐藏层设计2层,每层5个节点。输入层、隐藏层、输出层的节点基函数如公式:

式中,Xi为第 i 个输入变量;Y 为节点输出变量;e为自然常数;A、B为待回归变量;2×x-1的数据整理过程,是将函数投影区间的[0,1]重投影到[-1,+1]上。

此时,最终输出序列与原始输入序列的对应关系,会损失第1条记录和最后1条记录的对应值,但对最短距离超过47.2 m,最小记录集超过4 720条记录的当前分析条件,该输出结果已经满足分析要求[11]。

4 数据可视化与数据对比

按照上述方案或革新方案的测试结果,利用传统微震法获得传统测试结果,将两种结果在同一坐標系下进行对比观察,得到的测试结果如图2所示。

由图2可知,革新测试给出了3个弱异常区的明确边界,该3个弱异常区在微震测试中得到了一定程度体现,如其对应了微震测试的3个弱异常区。其中,弱异常区A、B的边界吻合度较高,但弱异常区C 下因为存在一个强信号,所以导致传统微震测试的弱异常区出现一定程度的干扰性上移。对比两种测试结果,可以发现以下3个规律:

(1)两种测试方法均可以给出桩基础的弱异常区和弱异常规模,标志着混凝土振动沉降不均匀、裂隙、气泡等瑕疵。但革新测试方法较传统测试方法,其弱异常区的边界更加明晰,数值化程度更高[12]。

(2)革新测试方法可以在给出弱异常区的同时,捕捉强异常信号,标志着混凝土桩基础套管的浇筑溢出及部分地质强化现象。

(3)传统测试更容易列出桩基础瑕疵的容忍边界,而革新方案如单独使用,还应对其复杂高精度信号条件下的容忍边界评价体系进行更深入研究。

5 结语

对大孔径深孔钻机和套管沉管机的工作记录数据进行基于神经网络的深度迭代回归分析,可以得到较传统的微震法更加清晰的桩基础状态结果;此数据还可以较传统微震测试法给出更加清晰的异常区边界及异常区内部数据。

但在此革新测试方法的结果中,并不能给出该桩基础合格标准的决策性数据。鉴于此,还应开发对其数据进行进一步分析,提出桩基础可用性、可靠性的数据审计决策方法。

参考文献

[1]齐海鹏,李 帅,阎玉菡,等. 桥梁桩基础完整性检测技术研究[J]. 甘肃科技纵横,2020,49(08):50-52.

[2]本刊编辑部. 系统化的服役桥梁桩基础检测评定方法[J]. 中国公路,2020(11):17-18.

[3]李冠泽. 岩土桩基础施工中的地基基础检测优化策略研究[J]. 建筑技术开发,2020,47(09):159-160.

[4]郭文广. 建筑工程软弱地基桩基础施工质量检测分析[J]. 中国住宅设施,2020(04):126+128.

[5]高 昕,王余鹏. 基于模糊理论的桩基超声波检测的研究[J]. 电声技术,2020,44(04):94-96.

[6]PalušováV,BREIER R, CHAUVEAU E,et al. Natural radionuclides as background sources in the Modane underground laboratory[J]. Journal of Environmental Radioactivity,2020,216.

[7]MARCO CARESANA,FRANCESCO CORTESI,STEFANO CORIA. Study of a discriminative technique between radon and thoron in the Radout detector[J]. Radiation Measurements,2020,138.

[8]任文理,李琳琳,李 岩,等. 兰州市绿色建筑室内空气氡污染研究[J]. 绿色建筑,2019,11(04):81-84.

[9]吴东艳. 地下人防工程内部空气质量现状及改善措施[J]. 污染防治技术,2019,32(03):24-25+41.

[10]DJAMEL GHERNAOUT. Aeration Process for Removing Radon from Drinking Water-A Review[J]. Applied Engineering, 2019, 3(1):32-45.

[11]NERI MARCO, GIAMMANCO SALVATORE, LEONARDI ANNA. Preliminary Indoor Radon Measurements Near Faults Crossing Urban Areas of Mt.Etna Volcano (Italy).[J]. Frontiers in public health,2019,7: 105.

[12]彭 贝,刘玉洁,熊琦琪,等. 长沙市地下车库氡污染的现状及对策研究[J]. 中外建筑,2019(04):55-58.

猜你喜欢

桩基础神经网络施工质量
基于人工智能LSTM循环神经网络的学习成绩预测
高速公路桩基础施工方法研究
道路桥梁桩基础钻孔灌注桩的施工技术研究
基于图像处理与卷积神经网络的零件识别
基于自适应神经网络的电网稳定性预测
浅谈公路桥梁桩基础局部缺陷的处理方法
三次样条和二次删除相辅助的WASD神经网络与日本人口预测
水泥混凝土路面施工质量控制
简述建筑工程施工质量管理实践
浅析水利工程施工质量问题及质量控制措施