基于长短期记忆网络模型的堆载作用厂房桩基长期沉降预测_欧晓春.pdf
《基于长短期记忆网络模型的堆载作用厂房桩基长期沉降预测_欧晓春.pdf》由会员分享,可在线阅读,更多相关《基于长短期记忆网络模型的堆载作用厂房桩基长期沉降预测_欧晓春.pdf(6页珍藏版)》请在咨信网上搜索。
1、收稿日期:2023-02-13基金项目:攀枝花攀钢集团设计研究院有限公司科技开发课题(横向服务课题)(2022113200412)作者简介:欧晓春,男,工程师,学士,主要从事土木工程项目的设计与研究工作。通讯作者:王勇超,男,高级工程师,学士,主要从事土木工程项目的设计与研究工作。引文格式:欧晓春,王勇超,杨佳玉.基于长短期记忆网络模型的堆载作用厂房桩基长期沉降预测 J.市政技术,2023,41(5):112-116,120.(OU X C,WANG Y C,YANG J Y.Long-term settlement prediction of factory building pile fo
2、undation under the surcharge actionbased on LSTM network model J.Journal of municipal technology,2023,41(5):112-116,120.)文章编号:1009-7767(2023)05-0112-06第41卷第5期2023年5月Vol.41,No.5May 2023DOI:10.19922/j.1009-7767.2023.05.112Journal of Municipal Technology基于长短期记忆网络模型的堆载作用厂房桩基长期沉降预测欧晓春1,王勇超1*,杨佳玉2(1.攀枝花攀钢
3、集团设计研究院有限公司,四川 攀枝花 617099;2.湘潭大学,湖南 湘潭 411105)摘要:为有效预测堆载作用下厂房桩基长期沉降变形特征,基于长短期记忆网络模型具备的容错性高、记忆功能强等优势,建立了长短期记忆(LSTM)网络预测模型;结合四川省攀枝花市某工业厂房工程,对比分析了指数预测模型和 LSTM 网络预测模型预测堆载作用下厂房桩基长期沉降变形特征的能力。研究结果表明:LSTM 网络预测模型可自动识别复杂数据源中的关键信息,因而可有效表征厂房桩基长期沉降变形的非线性特征,相较于指数预测模型,LSTM 网络预测模型具有精度高、误差小等显著优势,可为保障类似厂房长期的稳定性和安全性提供
4、有效理论支撑。关键词:长短期记忆网络模型;堆载作用;桩基;长期沉降中图分类号:TU 196.2文献标志码:ALong-term Settlement Prediction of Factory Building Pile Foundation Underthe Surcharge Action Based on LSTM Network ModelOu Xiaochun1,Wang Yongchao1*,Yang Jiayu2(1.Panzhihua Pangang Group Design and Research Institute Co.,Ltd.,Panzhihua 617099,Ch
5、ina;2.Xiangtan University,Xiangtan 411105,China)Abstract:In order to effectively predict the long-term settlement and deformation characteristics of the factory housepile foundation under the surcharge action,the long short term memory(LSTM)network prediction model is estab鄄lished based on the advan
6、tages of the LSTM network model of high fault tolerance and strong memory function;Combining with the actual engineering case of an industrial plant of Panzhihua City in Sichuan Province,the abilityof index prediction model and LSTM network prediction model to effectively predict the long-term settl
7、ement defor鄄mation characteristics of the plant pile foundation under the surcharge action is compared and analyzed.The re鄄search results show that the LSTM network prediction model effectively and automatically identify key information incomplex data sources so that it can effectively characterize
8、the nonlinear characteristics of long-term settlement de鄄formation of plant pile foundation.Compared with the exponential prediction model,the LSTM network predictionmodel has significant advantages of high accuracy and small error.It can provide effective theoretical support for en鄄suring the long-
9、term stability and safety of similar factories.Keywords:long shortterm memory(LSTM)network model;surcharge action;pile foundation;long-term settlement第5期对于一般工业厂房建筑而言,厂房内部地坪大面积堆载现象经常出现1-3。在长期堆载作用下,厂房桩基将产生一定程度的沉降变形,随着桩基沉降的逐步发展,厂房整体的安全性和稳定性将受到严重威胁,因而精确地预测堆载作用下厂房桩基长期沉降变形特征可为解决该类问题提供有效的技术支撑。有学者4-5对建筑结构沉降
10、的预测方法进行了研究,实现了对建筑结构沉降变形特征的高精度预测。尽管现有方法可有效预测特定工况下结构沉降变形特征,但依然无法充分捕捉到复杂的外部影响因素和高度非线性的时序关联特征6。基于此,彭博荣等7利用向量回归机和粒子群算法构建了变形预测模型,实现了对复杂环境中结构的沉降变形特征灰色预测。此外,长短期记忆(LSTM)网络模型作为一种容错性和记忆功能较为强大的智能模型,被广泛应用于沉降预测之中,且取得了一定的成果。袁志明等8利用LSTM-GM神经网络模型预测了深基坑开挖过程中的沉降变形特征;郑罗春9利用LSTM网络模型有效地预测了高速公路软基的长期沉降变形特征;林菲菲10建立了可有效预测地铁隧
11、道运营期间沉降特征的LSTM网络模型。上述研究表明,LSTM网络模型在预测复杂环境作用下的结构沉降变形特征方面具有显著优势,因而利用其预测堆载作用下厂房桩基长期沉降变形特征不失为一种较好的科学方法。综上所述,笔者基于长短期记忆网络模型建立LSTM网络预测模型。利用该模型对四川省攀枝花市某工业厂房工程进行预测分析,并进一步对比分析LSTM网络预测模型和指数预测模型的预测结果,以深入分析LSTM网络预测模型对厂房桩基长期沉降变形特征的预测能力。该研究成果可为保障类似厂房长期的稳定性和安全性提供有效理论支撑。1LSTM网络预测模型构建与数据集处理1.1LSTM网络预测模型拓扑结构一般而言,典型的LS
12、TM网络模型拓扑结构由5个基本单元结构组成,分别为遗忘门、输入门、输出门、记忆细胞状态和隐藏状态,如图1所示。LSTM网络预测模型可有效地识别、提取并保存外部输入时间序列中的有效信息,并以保存的有效信息为基础实现对后续时间序列的高效预测。当信息输入后可通过遗忘门结构进行有效筛选,继而将筛选后的信息存入记忆细胞中,具体原理如式(1)所示。ft=(Wfxt+Rfht-1+bf)。(1)式中:Wf、Rf矩阵均表示遗忘门结构的权重;bf矩阵表示对应的偏置特征;xt表示t时刻所对应的信息输入情况;ht-1表示t-1时刻记忆细胞的状态效应;表示模型中的转换函数,该研究采用Sigmoid函数,即:(x)=1
13、1+e-x。(2)当数据信息经过筛选后,输入门将进一步采集数据信息中的特征信息,并将采集的特征信息存入细胞状态中。输入门it和临时细胞状态C軒t可分别由式(3)、(4)得到:it=(Wixt+Riht-1+bi);(3)C軒t=tanh(Wcxt+Rcht-1+bc)。(4)式中:Wi、Ri、Wc、Rc矩阵分别表示输入门和临时细胞状态的权重特征;bi、bc矩阵分别表示对应的偏置特征;tanh函数表达式为:tanh(x)=ex-e-xex+e-x。(5)当LSTM网络预测模型输入数据信息经过上述处理后,即可对处理结果进行综合分析,并对记忆细胞状态进行迭代更新,即:Ct=ftCt-1+itC軒t。
14、(6)当输入数据信息经过处理后,继续经过输出门进行对应的数据信息输出。Ot=(Wyxt+Ryht-1+by)。(7)式中:Wy、Ry矩阵均表示LSTM网络预测模型中输出门的权重特征;by矩阵表示对应的偏置特征。结合输出门获得的结果和当前记忆细胞的状态特征,采用式(1)即可计算出t时刻隐藏状态信息。图1LSTM网络模型拓扑结构Fig.1 LSTM network model structure欧晓春等:基于长短期记忆网络模型的堆载作用厂房桩基长期沉降预测113Journal of Municipal Technology第41卷ht=Ottanh(Ct)。(8)由此,LSTM网络预测模型即可进入
15、下一个迭代循环。1.2数据样本集的构建与处理对于一般桩基工程而言,其沉降值随着时间的变化呈现出十分显著的非线性特征。在沉降初期,沉降速率较大,随着时间的增加,沉降速率逐渐降低。在利用该类型沉降数据样本进行LSTM网络预测模型的训练和预测过程中,通常选取30%的沉降数据样本作为训练样本,并输入LSTM网络预测模型中。当训练完成后,即可进行时间序列预测。具体沉降数据样本如图2所示。LSTM网络预测模型输入信息的数值将对训练结果和最终的模型预测结果产生一定程度的影响,因而需对输入信息进行归一化处理,以消除输入信息数值浮动的影响。该研究采用式(9)对输入信息进行归一化处理,即:xn=x-xminxma
16、x-xmin。(9)式中:x表示LSTM网络预测模型中各训练样本数据;xmax、xmin分别表示训练样本中的最大值和最小值。采用式(9)对训练样本进行归一化处理后的数据范围为01。2LSTM网络预测模型工程应用与评价2.1工程概况依托四川省攀枝花市某工业厂房工程,采用LSTM网络预测模型对堆载作用下厂房桩基长期沉降变形特征进行预测研究。其场地地基土层可大致分为3层:第1层为稍密素填土,厚度约为6 m,经现场重型动力触探试验测试得到平均击数为6.94,变异系数为0.526,承载力特征值为300 kPa;第2层为中密素填土,厚度约为7 m,经现场重型动力触探试验测试得到平均击数为14.38,变异系
17、数为0.446,承载力特征值为450 kPa;第3层为灰质白云岩,该层厚度大,整体稳定,承载力特征值为550 kPa,为基础持力层。该厂房结构为单层排架结构,厂房柱为混凝土钢管柱,柱下基础为灌注混凝土端承桩,桩体长约20 m,桩体侵入持力层5 m。该厂房三维模型示意图如图3所示。A列柱之间长期存在一定量的钢渣堆载现象,导致钢渣堆载邻近柱下桩基产生一定程度的沉降,为更全面地验证LSTM网络预测模型的有效性,选取2个测点,并对2个测点的沉降量进行预测分析。不同测点实测沉降曲线如图4所示。图2桩基沉降数据样本集Fig.2 Sample set of pile foundation settlemen
18、t data图3某工业厂房三维模型示意图Fig.3 Schematic diagram of 3D model of an industrial factorybuilding图4不同测点实测沉降曲线Fig.4 Measured settlement curves of different measuring points114第5期由图4可知,2个测点的桩基沉降量变化特征相似,均呈现出典型的非线性变化特征。当实测时间大于60 d后,2个测点的沉降均趋于稳定,沉降量为1520 mm。选取前30%的实测值对该模型进行训练,即选取前40 d实测值作为模型输入数据,利用该模型对输入训练样本的关键信息
19、进行识别捕捉,以自动调整模型内部各权重值和偏置值,进而对后续实测值进行预测分析。2.2预测结果对比分析为更好地对比分析LSTM网络预测模型的桩基沉降表征能力,依托四川省攀枝花市某工业厂房工程,并采用指数预测模型9-10进行同步预测,将2种模型的预测结果进行对比分析。指数预测模型已被广泛应用于地基沉降预测中,并可有效表征复杂工况下地基沉降变形特征,该模型可由式(10)表示:s(t)=s-(s-s0)e(t0-t)/。(10)式中:s表示原始数据样本中的最终沉降值;t0表示原始数据样本中的监测时刻;s0表示t0时刻监测到的沉降值;表示指数预测模型的物理参数,与实际工程情况相关,可由拟合原始数据曲线
20、获得。基于LSTM网络预测模型和指数预测模型,分别对依托工程进行沉降特征预测,得到不同预测模型的预测结果与监测结果对比关系曲线,如图5所示。由图5可知,采用指数预测模型和LSTM网络预测模型均可大致反映厂房桩基沉降变形的非线性特征,但整体而言,指数预测模型的预测结果与实际情况仍存在较大偏差,原因可能是指数预测模型中的参数在一定程度上对实际工程的复杂环境特征具有较强的依赖性,难以考虑长期时效沉降变形过程中复杂环境的影响。对于不同工况而言,LSTM网络预测模型与实际情况吻合较好,不仅可以反映厂房桩基的时效沉降变形规律,而且各时刻预测的沉降量均与实测值较为接近。因此,可认为LSTM网络预测模型在堆载
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 长短 记忆 网络 模型 作用 厂房 桩基 长期 沉降 预测 欧晓春
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。