论文部分内容阅读
我国沿海地区及部分内陆城市广泛分布着深厚的软粘土层,随着这些地区经济的飞速发展和城市化水平的不断提高,在软土地区修建高速铁路、高速公路是不可避免的。但由于软土地基具有强度低,变形量大且持续时间长,含水量高且渗透性差等特点,且因长期循环荷载作用而产生的沉降问题仍很突出。而路基上的各类交通荷载可以看作是一种长期的循环荷载,因此寻找合理的沉降预测方法,准确地预测循环荷载作用下复合地基的工后沉降量,以便能更有效更经济地控制路基沉降,保证道路交通安全和快速运营,具有重要的实际意义。目前对于静荷载作用下水泥土桩复合地基的沉降预测已经取得了一定的研究成果,而对于循环荷载作用下复合地基的沉降预测国内外研究较少。本文采用人工神经网络和遗传规划两种人工智能方法,将室内大型模型试验结果作为研究样本,对循环荷载作用下的水泥土桩复合地基的永久沉降进行预测研究。本文提出两种不同的预测方法,第一种方法就是借助人工神经网络模型,利用神经网络强大的非线性映射和学习能力,基于MATLAB平台编程。将已完成的循环荷载作用下,室内水泥土桩复合地基模型试验的大量测试结果作为样本,通过神经网络结构的训练,寻求沉降及其主要影响因素(如:水泥掺入比、循环应力比、置换率、循环次数等)的内在关系,据以提出基于人工神经网络的循环荷载作用下复合地基沉降预测方法。第二种就是将遗传规划这种新的预测方式用于水泥土桩复合地基永久沉降预测的问题中,建立相应的GP模型,对水泥土桩复合地基沉降过程中的工程参数问题进行计算分析,并得出具体的数学模型。即根据所收集的大量的实验资料运用遗传规划方法进行仿真测试,通过遗传规划的复制、交换、突变等遗传操作,建立了GP模型,确立水泥掺入比、循环应力比、置换率、循环次数与地基的永久沉降之间的非线性关系,并给出显性的函数表达式。同时将上述两种方法的预测结果分别与普通的线性回归模型进行对比,从三种不同的沉降预测模型的分析和比较中可以看出,BP模型的最大误差为7.64%,平均误差为5.58%,明显优于传统的线性回归模型方法,具有较高的预测精度。而GP模型的预测精度最高,其与实测结果的最大误差仅为5.86%,最小误差仅为1.22%。最重要的是GP模型可以模拟出显式的数学表达式,这一点明显优于神经网络模型,为循环荷载作用下水泥土桩复合地基的沉降预测提供了一条新的途径。