总第１９２期 舰船电子工程 Ｓｈｉｐ Ｅｌｅｃｔｒｏｎｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ Ｖｏ１．３０ Ｎｏ．６ １５９ ２０１０年第６期 基于智能方法的桩基承载力检测 刘春燕 （武汉理工大学华夏学院信息工程系武汉４３００７０） 摘要针对房屋建设工程中由于桩身出现缺损造成承载力下降等问题，引入科学有效的智能方法可以有效地保证 桩基检测质量。在现有的神经网络理论模型应用研究成果的基础上，结合多种人工智能方法对桩基承载力进行了系统的研 究，建立了基于智能方法的测试系统，运用ｍａｔｌａｂ神经网络工具箱实现了对桩基承载力的可行性分析和预测研究。 关键词桩基；智能方法；承载力 ＴＰ３１１ 中图分类号Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｐｉｌｅ Ｆｏｕｎｄａｔｉｏｎ Ｓｕｐｐｏｒｔｉｎｇ Ｃａｐａｃｉｔｙ Ｂａｓｅｄ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｍｅｔｈｏｄｓ Ｌｉｕ Ｃｈｕｎｙａｎ （Ｗｕｈａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ Ｈｕａｘｉａ Ｃｏｌｌａｇｅ，Ｗｕｈａｎ ４３００７０） Ａｂｓｔｒａｃｔ Ｆｏｒ ｔｈｅ ｐｒｏｂｌｅｍ ｃａｕｓｅｄ ｂｙ ｓｕｐｐｏｒｔｉｎｇ ｃａｐａｃｉｔｙ ｄｒｏｐ ｂｅｃａｕｓｅ ｏｆ ｔｈｅ ｄａｍａｇｅ ｏｆ ｐｉｌｅ ｉｎ ｔｈｅ ｈｏｕｓｅ ｃｏｎｓｔｒｕｃｔｉｏｎ ｐｒｏｊｅｃｔ，ｔｈｅ ｉｎｔｒｏｄｕｃｔｉｏｎ ｓｃｉｅｎｃｅ ｅｆｆｅｃｔｉｖｅ ｉｎｔｅｌｌｉｇｅｎｃｅ ｍｅｔｈｏｄ ｍａｙ ｇｕａｒａｎｔｅｅ ｔｈｅ ｐｉｌｅ ｆｏｕｎｄａｔｉｏｎ ｅｘａｍｉｎａｔｉｏｎ ｑｕａｌｉｔｙ ｅｆｆｅｃｔｉｖｅ一 １ Ｉｎ ｔｈｅ ｆｏｕｎｄａｔｉｏｎ ｏｆ ｒｅａｓｅｒｃｈ ａｃｈｉｅｖｅｍｅｎｔ’Ｓ ｅｘｉｓｔｉｎｇ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｔｈｅｏｒｅｔｉｃａｌ ｍｏｄｅｌ ａｐｐｌｉｅｄ，ｃｏｍｂｉｎｉｎｇ ｍａｎｙ ｋｉｎｄｓ ｏｆ ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ ｍｅｔｈｏｄｓ ｔＯ ｒｅｓｅａｒｃｈ ｔｈｅ ｐｉｌｅ ｆｏｕｎｄａｔｉｏｎ ｓｕｐｐｏｒｔｉｎｇ ｃａｐａｃｉｔｙ，ｅｓｔａｂｌｉｓｈｅｄ ｔｅｓｔ ｓｙｓｔｅｍ ｂａｓｅｄ Ｏｎ ｔｈｅ ｉｎｔｅｌｌｉ— ｇｅｎｔ ｍｅｔｈｏｄ，ｕｓｉｎｇ ｔｈｅ ｍａｔｌａｂ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｔｏｏｌｂｏｘ，ｒｅａｌｉｚｅｄ ｆｅａｓｉｂｉｌｉｔｙ ａｎａｌｙｓｉｓ ａｎｄ ｔｈｅ ｆｏｒｅｃａｓｔ ｒｅｓｅａｒｃｈ ｔＯ ｔｈｅ ｐｉｌｅ ｆｏｕｎ— ｄａｔｉｏｎ ｓｕｐｐｏｒｔｉｎｇ ｃａｐａｃｉｔｙ． Ｋｅｙ Ｗｏｒｄｓ ｐｉｌｅ ｆｏｕｄａｔｉｏｎ，ｉｎｔｅｌｌｉｇｅｎｔ ｍｅｔｈｏｄｓ，ｓｕｐｐｒｏｔｉｎｇ ｃａｐａｃｉｔｙ Ｃｌａｓｓ Ｎｕｍｂｅｒ ＴＰ３１１ １ 引言 随着现代建设事业的发展，房屋建设的安全性 也日趋重大。桩基作为房屋建设的基础，起着将结 构上部荷载传递到较深和较好地层中的作用，它的 承载力和安全性在工程结构质量起着至关重要的 的结合对桩承载力进行了可行性分析和预测。通 过工程实例验算论证了该方法具有一定的工程应 用价值。 ２智能方法在桩基承载力分析系统 的建立 桩基承载力智能分析，不同于传统的数值法， 是基于改进的ＲＢＦ神经网络的分析方法。通过神 作用。但桩基深埋于地下，是个隐蔽工程，由于地 质条件的复杂性，岩土性质的多变性，致使桩承载 力的设计值与桩的实际承载力有时还有较大差别。 本文针对桩应力波检测分析方法＿１］的不足，对 工程实例馨都雅同桩基低应变动力试桩法检测报 告数据进行分析，结合多种人工智能方法对桩基承 载力理论进行了系统的研究，建立了多种智能方法 经网络的桩基缺陷诊断方法，神经网络对故障信息 进行学习，对桩身质量作出预测和判断［２ｑ］。本文 建立的桩基承载力智能分析系统具体实施步骤如 下： 第一步：收集训练和测试样本。提取与桩基相 收稿日期：２０１０年１月９日，修回日期：２０１０年２月２２日 作者简介：刘春燕，女，硕士，助教，研究方向：智能算法。 １６Ｏ 刘春燕：基于智能方法的桩基承载力检测 总第１９２期 桩身 高速数据采集 特 特 征 征 关的属性参数，并在其中选择出 关键的属性参数。将归一化后 样本 】 １ ５ １２ ２３ ２８ １４ ３５ 表１ 部分样本及特征参数 ３２２ ３ ｚ４，７２５ 波速 桩长 的参数与实际测量的属性参数 作为原始训练样本集，样本由多 个输入、一个输出构成。然后将 收集的输入／输出样本（ ， ） ０．９７５３ ０．２１３３ ０．１００１ ０．０２５８ ０．００６３ ０．９３７５ Ｏ．９３７５ ０．９１８６ ０．１８６７ ０．１１８４ ０．０２９７ ０．００１９ ０．８９４６ ｏ．９１２０ ０．８６２５ ０．２６４８ ０．１２０１ ０．０２４８ ０．ｏｏ１Ｏ ０．９２５０ ０．９３７５ ０．９５８７ ０．３７４２ ０．１２３５ ０．０１２４ ０．０１００ ０．８９７５ ０．９７５０ ０．８９７６ ０．２８４３ ０．１５７８ ０．０１２８ ０．０１１１ ０．９１５０ ０．８５２２ ０．７９５４ ０．２６５４ ０．２０２０ ０．０２０１ ０．００１４ ０．９０２５ ０．８５０７ ０．９８７６ ０．１９１６ ０．０９２２ ０．０２５１ ０．０１２５ ０．８７５０ ０．８４５７ 数 数 据 据 采 采 集 集 特 征 数 据 采 集 适当分成两部分，一部分用来训 练网络，另一部分用来测试和评 选择关键特征 参数并归一化 ＝］＝二二二＝］＝ 价求得的系统的性能。 基于ＤＮＡ进化 计算的ＲＢＦ网 第二步：利用粗糙集智能分 络训练 析数据，消除训练样本中的冗余 输出检测结果 信息和噪声数据，对训练样本进 图ｌ基于ＤＮＡ行属性约简，从而抽取最简规 进化计算的 则，根据这些规则合理地确定神 ＲＢＦ网络桩基 经网络的输入节点数。 检测流程图 第三步：用改进的算法训练 用于桩身检测的ＲＢＦ神经网络。经过上一步的粗 糙集预处理训练样本集，最后确定此神经网络的基 本结构由７个输入、１个输出构成。而中间隐含层 节点数的确定，首先随机产生，通过Ｐ￣ｒｅｔｏ最优解 集［ ］和ＤＮＡ进化计算［ ］找出最佳的ＲＢＦ网络。 第四步：整个系统稳定后，即最优的ＲＢＦ网络 选定并训练稳定后，进行桩身损伤度检测。 ３ 工程实例 工程实例来自馨都雅园基桩低应变动力试桩 法检测报告（采用低应变发射波法）。本次低应变 试验共检测７８根工程桩，占总桩数的５０．３ ，实测 波速平均值３．６ｋｍ／ｓ。 为了说明基于改进ＤＮＡ计算的ＲＢＦ网络用 于桩基损伤识别的优点和可行性，分别采用改进的 ＲＢＦ神经网络和ＲＢＦ网络进行桩基损伤程度的识 别。利用收集到的６００个训练样本，采用５００个样 本空间作为“学习样本”，采用１００个样本空间作为 未学习过的样本用于检测网络识别桩基损伤程度 的正确性。部分样本空间（波速、桩长都是归一化 结果）如表１所示。 根据粗糙集的智能数据分析，对神经网络的训 练样本集做预处理。经过分析得出样本５、２８、１００ 与其余的样本具有重复的属性，属于冗余信息。消 除这些冗余信息后，并没有损失任何有效信息。而 样本５ｌ与样本２３具有相同条件属性，但具有不同 决策属性值，属于噪声，予以删除。最后得到约简 后的神经网络训练样本集，如表２所示。 ５１ ０．９７１２ ０．３７８４ ０．１１２９ ０．０１２８ ０．０９２８ ０．９１８１ ０．９３６５ ７６ ０．９０１４ ０．２００１ ０．０９１１ ０．００１７ ０．０１２３ ０．８７５５ ０．８６５１ １００ ０．９５６３ ０．１９４１ ０．１２３４ ０．０１１３ ０．００２０ ０．７９６１ ０．９３２８ 表２约简后的部分样本及特征参数 样本 ｌ ２Ｊ７２ ｚ３ ｚ４ ｚ５ 波速 桩长 ｌ ０．９７５３ ０．２１３３ ０．１００１ ０．０２５８ ０．Ｏ０６３ ０．９３７５ ０．９３７５ １２ ０．８６２５ ０．２６４８ ０．１２０１ ０．０２４８ Ｏ．００１０ ０．９２５ ０．９３７５ ２３ ０．９５８７ ０．３７４２ ０．１２３５ ０．０１２４ ０．０１Ｏ０ ０．８９７５ ０．９７５ １４ ０．７９５４ ０．２６５４ ０．２０２０ ０．０２０１ ０．Ｏ０１４ ０．９０２５ ０．８５０ ３５ ０．９８７６ ０．１９１６ ０．０９２２ ０．０２５１ ０．０１２５ ０．８７５ ０．８４５ ７６ ０．９０１４ ０．２００１ ０．０９１１ ０．００１７ ０．０１２３ ０．８７５ ０．８６５ 根据约简后的训练样本，构造出Ｌ个ＲＢＦ神 经网络，计算目标函数＿厂１和－厂２，将训练样本输入基 于改进ＤＮＡ进化计算的ＲＢＦ神经网络进行训练。 达到精度后，对桩基缺损程度识别。同时ＲＢＦ网 络（在相同网络拓扑结构和学习参数下）也进行了 训练并与之对比。训练结果如表３所示（其中带＊ 号的为性能测试样本）。 表３基于ＤＮＡ进化计算的ＲＢＦ网络 及ＲＢＦ网络预测与统计值对比表 基 ，的 网络 ＤＮＡ ＲＢＦｉ 十算 传统ＲＢＦ网络’ 样本 预 绝对 相对预 绝对 相对 测 误差 误差测 误差 误差 值 （ ）值 （％） 表３是在相同的网络拓扑结构和学习参数下， 用基于ＤＮＡ进化汁算的ＲＢＦ网络和传统的ＲＢＦ 网络对同样的训练样本和测试样本的训练结果。 通过表３与测量结果对比，基于ＤＮＡ进化计算的 ＲＢＦ神经网络预测的最大绝对误差为０．０３６，最大 相对误差为４．８ ；传统的ＲＢＦ网络预测的最大绝 对误差为０．０９７，最大相对误差为１２．３ 。我们可 以得出结论基于ＤＮＡ进化计算的ＲＢＦ神经网络 （下转第１７６页） 王喜龙等：带法拉第旋转镜迈克尔逊干涉仪的设计与改进研究 总第１９２期 拉第旋转镜的迈克耳逊干涉仪就很好地控制了干涉 光的偏振态，且这两种干涉仪的原理在本质上是相 ２８～３６。６２～ ７１ ［２］靳伟，廖延彪，张志鹏．导波光学传感器：原理与技术 同，而光环行器的问世，将迈克耳逊干涉仪两臂干涉 ［Ｍ］．北京：科学出版社，１９９０ 后耦合向光源的一路光导引出来，使得迈克耳逊干 涉仪也有了相当于Ｍａｃｈ－Ｚｅｈｎｄｅｒ干涉仪的两路光 输出，这样整个干涉检测系统就克服了工作点相位 随机漂移和干涉光偏振态随机变化导致的输出信号 衰落。另外，由于一些被测对象往往呈一定空间分 ［３］廖延彪．光纤光学［Ｍ］．北京：清华大学出版社，２０００： １３１～１３９ ［４］张玉华．１２８元干涉型光纤水听器阵列数字化方案的研 究［Ｄ］．哈尔滨：哈尔滨工程大学硕士学位论文，２００１： １１～１５页 ［５］李守国，余重秀，等．光环行器结构、性能和应用的研究 布的场，最后充分利用光纤光栅传感的优势之一一 ［Ｊ］．光通信，２００３（８）：３５￣３７ 成阵，即用一种时分复用的光纤光栅传感阵列，用来 ［６］阮银兰，方罗珍，等．高隔离度偏振无关光环行器［Ｊ］． 检测温度场或应力场，达到基本理想效果。 光通信技术，１９９８（８）：５４４５６ ［７］李志能，沈梁，叶剑峰．偏振无关的Ｍｉｃｈｅｌｓｏｎ光纤传感 参考文献 的研究［Ｊ］．浙江大学学报（工学版），２００２（１）：４４￣４６ ［１］罗记成．光纤水听器动态范围及消偏振衰落技术的研 ［８］舒学文，张新亮，等．基于光纤光栅的分布式传感器 究［Ｄ］．哈尔滨：哈尔滨工程大学硕士学位论文，２０００： ＿Ｊ］．光通信技术，１９９７（４）：３１１￣３１５ 乔 侨 钥 镅 镅 铂 希 夼 ； 夼 （上接第ｌ６０页） 的训练误差、测试误差都小于ＲＢＦ网络，这说明基 据进行了学习，经训练结果对比发现，改进后的 于ＤＮＡ进化计算的ＲＢＦ神经网络进行桩基检测 ＲＢＦ网络具有更好的检测精度。基于ＤＮＡ进化 精度是较高的。 计算的ＲＢＦ网络无论是训练还是诊断都取得了较 训练完网络后，就可以用检测样本进行检测网 好的效果。因此在今后的实际检测工作中，可随时 络的诊断结果，其诊断结果如表４所示。 增加可靠的桩基缺陷学习样本进行网络的学习，则 表４网络的诊断结果 该ＲＢＦ网络的诊断能力会大大得到加强。 ５ 结语 本文提出了一种利用多智能方法相融合预测 分析桩结构的承载力的算法。该算法将传统的神 经网络算法应用于选择特征，在考虑到粗糙集可消 该网络经过３００００次迭代，收敛误差０．０００１。 除训练样本中的冗余信息和噪声数据的特点，通过 由表４可以看出，虽然检测结果仍然存在误差，但 ＤＮＡ进化计算对交叉和选择操作的改进，能够较 是误差在１ 范围之内，达到了实际的要求精度。 好地实现桩结构分析，对于控制变形、缺损、断裂等 因此该网络可用于定性判别桩基缺陷的缺损程度， 方面都十分有益。 且具有较高的精度，能为工程决策和工程检测提供 参考文献 有益的辅助参考。 ［１］周小勇，叶银忠．基于小波多分辨率分析的故障检测方 ４ 结果分析 法ＬＪ］．控制工程，２００５，１２（１）：１５７～１５９ ［２］钟珞，饶文碧，邹承明．人工神经网络及其融合应用技 由以上的诊断结果可以看出，基于ＤＮＡ进化 术［Ｍ］．北京：科学出版社，２００７ 计算的ＲＢＦ网络用于桩基检测的方法是可行的。 ［３］钟珞，李桂青．基于神经网络的结构损伤状态模拟ＥＪ］． 采用多分辨率分析对桩基功率谱数据进行分解，作 小型微型计算机系统，１９９９，２０（２）：２０￣２５ 为网络的输入向量；采用基于ＤＮＡ进化计算的 ［４］李学全，邹伟军．改进的多目标规划遗传算法［Ｊ］．数学 理论与应用，２００４，２４（２）：９４￣９６ ＲＢＦ网络对桩基缺陷信息进行学习和预测，在学 ［５］蒋宗华，等。ＤＮＡ计算研究的新进展［Ｊ］．上海大学学报 习样本充分的情况下，具有良好的检测效果。本文 （自然科学版），２００４，１０（３）：３０６￣３１１ 以馨都雅园工程实例的数据，通过传统的ＲＢＦ网 ［６］单晓娟．智能计算及其在网络优化中的应用［ｃ］／／山东 络和基于ＤＮＡ进化计算的ＲＢＦ网络分别对该数 大学，２００７