下载文档原格式
基于MATLAB的CFG桩复合地基优化设计研究的开题报告题目：基于MATLAB的CFG桩复合地基优化设计研究一、研究背景和意义近年来，随着城市化的加快，建筑物的高度和重量也越来越大，对地基的要求越来越高。
而传统的单一地基形式已经无法满足大型建筑物的要求，因此复合地基已成为解决这一问题的有效方式。
其中，CFG桩因其高稳定性、适应性强、施工方便等优点而受到广泛关注。
然而，在CFG桩复合地基的设计过程中，需要考虑很多因素，如土体的特性、地下水位、荷载的大小等。
为了使CFG桩复合地基的性能达到最优状态，需要进行优化设计。
而MATLAB作为一种强大的计算工具，可以使优化设计过程更加高效、精准和可靠。
因此，本研究旨在研究基于MATLAB的CFG桩复合地基优化设计，探究其在实际工程中的应用价值。
二、研究内容和方法1.研究内容：（1）分析CFG桩复合地基在实际工程中的应用情况和优势；（2）探究CFG桩复合地基设计的优化方法和流程；（3）建立MATLAB模型，对不同因素对CFG桩复合地基性能的影响进行模拟和分析；（4）对模拟结果进行优化设计，得出最优方案；（5）通过实际工程验证优化设计的可行性和效果。
2.研究方法：（1）文献调研法：对CFG桩复合地基的相关文献和已有研究进行调研、归纳和总结，为研究提供理论和实践基础。
（2）数值模拟法：建立MATLAB模型，对不同因素对CFG桩复合地基性能的影响进行模拟和分析，以实现对优化设计的预测和验证。
（3）实验室模型法：通过实验室模型建立CFG桩复合地基性能评估体系，验证优化设计方案的可行性和效果。
三、预期结果和意义通过本研究，可得出以下预期结果：（1）研究CFG桩复合地基在实际工程中的应用情况和优势，为该技术的推广应用提供理论支持；（2）探究CFG桩复合地基设计的优化方法和流程，使其设计效率和准确性得到提高；（3）建立MATLAB模型，实现对CFG桩复合地基性能的精准预测和优化设计，为实际工程提供科学依据；（4）实验验证优化设计方案的可行性和效果，为实际工程的施工和使用提供技术支持。
基于MATLAB的搅拌机轴的强度计算作者：高路高胜寒姚璐来源：《河南科技》2018年第28期摘要：本文基于搅拌轴的扭转变形量计算和弯曲强度计算，建立了搅拌轴扭转变形和强度计算的数学模型，运用MATLAB算法对搅拌轴的扭转变形量和弯曲强度进行快速、精确计算求解，并验证该计算方法的可行性与准确性。
通过研究可知，该计算方法计算效率高，为搅拌轴的强度计算提供了便利，也对其他机械设计问题具有借鉴作用。
关键词：MATLAB;搅拌轴;强度计算中图分类号：TH132.44 文献标识码：A 文章编号：1003-5168（2018）28-0047-03Abstract： Based on the calculation of torsional deformation and bending strength of stirring shaft， a mathematical model for calculating torsional deformation and bending strength of stirring shaft was established. The MATLAB algorithm was used to calculate the torsional deformation and bending strength of stirring shaft quickly and accurately， and the feasibility and accuracy of the calculation method were verified. The research showed that the calculation method had high efficiency， provided convenience for strength calculation of mixing shaft， and also had reference value for other mechanical design problems.Keywords： MATLAB;mixing shaft;strength calculation攪拌机是搅拌反应器的重要组成部分。
基于正则化RBF神经网络的混凝土强度预测李钢;吕国芳【摘要】针对目前混凝土28天强度值的预测需时长、精度低的现状,建立了基于正则化RBF神经网络的混凝土强度预测模型,并运用MATLAB 7.13进行仿真实验.实验结果表明该模型综合考虑了影响混凝土强度的各种因素,能够实现非线性关系,具有较高的预测精度,并且训练速度快,可以节约大量的时间、人力、物力和财力,在混凝土强度预测领域具有广泛的应用前景.【期刊名称】《电子设计工程》【年(卷),期】2014(022)013【总页数】4页(P52-54,57)【关键词】神经网络;混凝土强度;预测;仿真【作者】李钢;吕国芳【作者单位】河海大学能源与电气学院,江苏南京211100;河海大学能源与电气学院,江苏南京211100【正文语种】中文【中图分类】TN06在混凝土领域，强度是一个主要的力学性质，是结构设计和施工的重要依据，实际工程中，混凝土的配合比设计大部分以强度为基础进行。
传统的混凝土强度预测方法主要以线性为主，以水灰比定则为代表，采用线性回归公式，认为强度完全由水灰比控制，而与其他因素无关[1]。
但由于混凝土不断向高强、高性能化发展，强度影响因素相互作用呈非线性化，使得传统的方法已不再适用。
近年来，随着计算机技术和相关软件的发展，神经网络被广泛应用于各个科学领域，由于能够考虑多种因素，拥有很强的非线性建模能力，为解决非线性问题提供了新的方法和手段[2]。
已有研究表明，采用人工神经网络技术进行混凝土强度预测，具有适应性强、准确有效等优点，目前模型多采用BP神经网络[3-5]，但BP网络容易陷入局部最优且样本依赖性和初始权重敏感性较强，而正则化RBF网络具有结构简单、收敛速度快、能够逼近任意非线性函数的特点，因此，本文尝试利用正则化RBF神经网络预测混凝土强度。
为了将一个不适定问题转变为一个适定问题，Tikhonov于1963年提出了正则化方法。
正则化的基本思想是通过某些含有解的先验知识的辅助泛函来使函数的解趋于稳定,通常利用映射函数的光滑性来表示输入与输出之间的对应关系[6]。
基于MATLAB的搅拌机轴的强度计算
高路;高胜寒
【期刊名称】《吉林化工学院学报》
【年(卷),期】2018(035)011
【摘要】基于搅拌轴的扭转变形量计算和弯曲强度计算,建立了搅拌轴扭转变形和强度计算的数学模型,运用MatLab算法对搅拌轴的扭转变形量和弯曲强度的快速、精确计算求解,说明和验证该计算方法的可行性与准确性,计算效率高,为搅拌轴的强度计算提供了方便,也对其它机械设计问题具有借鉴作用.
【总页数】4页(P18-21)
【作者】高路;高胜寒
【作者单位】吉林化工学院机电工程学院,吉林吉林132022;中南大学数学与统
计学院,湖南长沙410083
【正文语种】中文
【中图分类】TQ051
【相关文献】
1.基于流体分析的发酵釜搅拌器强度计算 [J], 马腾;丁健华;陈涛;李伟忠;杨象岳;刘延雷
2.基于MATLAB的船用柴油机轴承负荷计算分析 [J], 程鹏
3.基于UG的搅拌轴强度计算 [J], 杨春雨;高路;欧阳邓培
4.基于MATLAB的搅拌机轴的强度计算 [J], 高路;高胜寒;姚璐
5.基于VB、 MATLAB语言的柴油机轴系振动计算软件开发 [J], 刘良德;吴炎君
因版权原因，仅展示原文概要，查看原文内容请购买。
基于模糊控制的单桩竖向极限承载力预测薛新华;魏永幸;赵晓彦【摘要】为合理、准确地预测单桩竖向极限承载力,借助模糊神经网络较强的学习能力和模糊逻辑推理功能,建立了基于模拟退火算法的单桩竖向极限承栽力预测模型,对收集到的样本进行了训练预测,并与常规的减法聚类算法预测结果进行了对比.分析结果表明:基于模拟退火算法的模糊神经网络模型预测单桩竖向极限承载力是可行有效的,具有较大的工程实用价值.【期刊名称】《建筑科学与工程学报》【年(卷),期】2010(027)004【总页数】6页(P25-30)【关键词】单桩竖向极限承载力;模拟退火算法;模糊神经网络;预测模型【作者】薛新华;魏永幸;赵晓彦【作者单位】中国中铁二院工程集团有限责任公司,四川,成都,610031;浙江大学,建筑工程学院,浙江,杭州,310058;中国中铁二院工程集团有限责任公司,四川,成都,610031;西南交通大学,土木工程学院,四川,成都,610031【正文语种】中文【中图分类】TU473.10 引言桩基作为建筑物中传递应力的下部结构,既要保证建筑物的安全稳定,又要充分发挥桩基技术的经济效益,如何科学合理地确定单桩的承载力是桩基设计中的一个关键技术问题[1-12]。
目前,确定单桩极限承载力的方法主要以下几种:静载荷试验法、动测法、触探测试法以及规范经验公式法等。
静载荷试验法虽然是最常用、最基本的方法之一,但往往受到荷载装置、费用、施工进度以及试验条件等方面的限制,得到的单桩极限承载力误差较大,因此,如何利用实测数据预测单桩极限承载力具有较大的工程实用价值。
近年来,人工神经网络技术已被成功用于单桩极限承载力的预测,如刘勇健利用遗传算法优化神经网络来预测单桩极限承载力;杨磊等[13]利用常规的模糊神经网络来预测单桩极限承载力;郑俊杰等[14]利用生物免疫系统的免疫算法对单桩极限承载力进行预测;童瑞铭等[15]利用基于遗传算法的灰色理论进行单桩极限承载力预测;赵岚等[16]利用微分进化算法对灰色模型参数进行优化以预测单桩极限承载力;郑永保等[17]利用径向基函数神经网络预测单桩极限承载力等。
RBF神经网络在复合地基承载力预测中的应用王林鹏;马巧花;马细霞【摘要】利用径向基函数(RBF)神经网络,建立复合地基承载力预测模型,有效解决复合地基承载力预测中的非线性问题.以历史数据为依据,对所建立的RBF神经网络预测模型进行模拟和检验.实例结果表明:应用RBF神经网络所建立的复合地基承载力预测模型,能真实地表达要素之间的高度非线性关系,具有较高的预测精度和较强的实际应用价值.%The nonlinear problems of bearing capacity of composite foundation for prediction was solved effectively by using radial basis function (RBF) neural network and establishing the forecast of bearing capacity of composite foundation model. According to historical data, we carry out the simulation and experiment of RBF neural network predictive model. The results show that the application of RBF neural network in the forecast of bearing capacity of composite foundation model can truly express between elements of the highly nonlinear relationship, has high accuracy and strong practical value.【期刊名称】《河南科学》【年(卷),期】2011(029)009【总页数】3页(P1091-1093)【关键词】RBF神经网络;复合地基;承载力【作者】王林鹏;马巧花;马细霞【作者单位】郑州建工集团有限公司,郑州450000;河南城源建设工程有限公司,郑州450008;郑州大学水利与环境学院,郑州450001【正文语种】中文【中图分类】TU473复合地基承载力是地基设计中的重要参数，合理评价和确定复合地基承载力关系到整个工程的安全与经济.工程上往往通过载荷试验来确定复合地基承载力，但由于载荷试验限制和费用较高，应用上存在一定的局限性，因此通过载荷试验资料数据预估复合地基承载力就显得尤为重要.由于影响复合地基承载力的因素众多，且各因素之间存在高度复杂的非线性关系，因此复合地基承载力较难预测.麻王斌等[1]采用支持向量机对地基承载力进行了预测，该方法从复合地基试验结果中提取特征参数，组成反映复合地基竖向承载力的特征向量，并利用一种改进的支持向量机的非线性映射特性和学习能力，建立了特征向量和复合地基承载力之间的非线性隐式方程，用以预测复合地基承载力.薛新华等[2]在分析自适应模糊神经网络原理及其结构的基础上，利用减法聚类获得模糊推理规则数目，确定网络结构，建立了适用于复合地基承载力预测的自适应模糊神经网络模型，预测结果表明：自适应模糊神经网络比BP网络和最小二乘支持向量机LS_SVM模型具有更高的精度和适应性，为复合地基承载力的判别提供了一条新的途径.但由于复合地基承载力预报是一个复杂的非线性问题，就现有的数学模型而言，各有各的适用条件.考虑到径向基函数神经网络（Radial Basis Function Neural Network，RBF）是一种3层前向局部逼近网络，虽然其输入到输出的映射是非线性的，但是其隐含空间到输出空间的映射是线性的，所以可以大大加快学习速度并避免局部极小问题，在逼近能力、泛化能力和学习速度等方面均优于BP神经网络，而且RBF神经网络所需的训练样本量较少、训练结果唯一，特别适合于预测数据少的问题[3-4]，本文尝试利用RBF神经网络理论建立复合地基承载力预测模型，以历史数据为依据进行模拟，通过模拟训练和测试得到预测模型，并据此进行承载力预测，以期为复合地基承载力预测提供一种新思路.径向基函数神经网络是由Monody和Darken于20世纪80年代末提出的一种具有单隐层的3层前馈网络.输入层节点传递输入信号到隐层，隐层节点的基函数对输入信号在局部产生响应，当输入信号逼近基函数的中央范围时，隐节点将产生较大的输出.由此可见，RBF神经网络具有局部逼近能力. 高斯函数是最常使用的基函数，其形式为：其中，cj是第j个基函数的中心，σj是第j个基函数的均方差（也叫宽度）.如果网络的输入为 X=（x1，x2，…，xn），隐层单元的输出为：输出单元k的输出为：则网络的输入和输出关系为：由于地基承载力是一个一维的时间序列，故输出层只有一个单元，故RBF神经网络的拓扑结构如图1所示.利用RBF神经网络逼近非线性系统时，在给定了训练数据后，网络学习算法主要是对两组参数的学习：①确定隐层的结构和参数，即隐单元数m、RBF中心cj和宽度参数σj.隐层单元数决定了RBF网络要将训练集数据拟合到何种程度，隐含层神经元数目过多，会降低网络的泛化能力，产生过拟合；神经元数目太少，训练集误差太大，拟合效果不好，因此RBF网络进行建模时，关键是隐含层参数的选择.本文隐含层参数采用试算法确定.②确定隐含层与输出层间的连接权wjk.文中以影响复合地基承载力的因子作为RBF神经网络承载力预测模型的输入项，以复合地基承载力为模型的输出项，通过对学习样本的训练和对测试样本的检验，求得网络连接权值，即建立起各影响因子与地基承载力之间的隐函数关系，用于复合地基承载力的预测.选取某地区6个试验区26次水泥搅拌桩的载荷试验资料[1]（见表1），各区在地质条件相近的部位进行了单桩复合地基试验.将单桩复合地基承载力作为因变量，桩长、桩径、置换率、侧摩阻加权平均值、桩端土承载力、土的承载力标准值、单桩承载力7个因子作为自变量，建立复合地基承载力预测模型.建模过程中，取1～15次载荷试验资料为训练样本，16～20次载荷试验资料为测试样本，其余6次为检验样本.设定训练误差的平方和为10－4.训练和测试过程中，随机选取RBF 中心，基函数的均方差即宽度和隐含节点数采用试算确定.结果发现宽度取0．9时，模拟和测试结果均较好，而最大隐含节点数在15～30之间变化时，对模拟和测试结果影响不显著.表2列出了5个样本的测试结果，其相对误差在－3%～11%之间，精度较高，说明可以用来进行复合地基承载力的预测.将检验样本中的桩长、桩径、置换率、侧摩阻加权平均值、桩端土承载力、土的承载力标准值、单桩承载力数据代入训练好的模型中，得出其相应的预测复合地基承载力，结果也一并列入表2中，其相对误差介于0．7%～11%之间，显见模型也具有较高的预测精度.为进一步验证本文模型和方法的有效性，现将BRF神经网络预测模型预测结果与文献［1］的支持向量机预测模型结果进行对比分析.表3列出了两种方法预测值及其相对误差，表中数据显示，本文平均相对误差3．77%，支持向量机平均相对误差5．98%.此外，对于支持向量机而言，模型选择包括核函数的类型选取以及相关参数取值.在实际工程中，模型中核函数的类型和参数的大小对预测效果影响非常大，而且对于不同的具体工程，合适的预测模型的核函数形式和参数取值往往有很大区别；而RBF神经网络具有参数少，收敛快、结果稳定等优点，因此，本文所建立的基于BRF神经网络的复合地基承载力预测模型更为可行、有效.径向基函数神经网络是一种性能良好的前馈网络，具有最佳逼近性能，而且训练速度快，不存在局部最优问题.从实例应用结果看，本文提出的基于RBF神经网络的复合地基承载力预测模型，结构较为简单、使用方便，在对历史数据的分析中，模拟（检验）结果与真实数据之间的误差均较小，说明该模型真实地表达了要素之间的高度非线性关系，具有较高的预测精度，可以推广应用于其它复杂的非线性问题的预测.【相关文献】［1］麻王斌，张文杰．基于支持向量机的复合地基承载力预测方法研究［J］．人民珠江，2010（5）：14－56．［2］薛新华，魏永幸．基于ANFIS的CFG桩复合地基承载力预测研究［J］．铁道工程学报，2010（5）：42－47．［3］张雅，向虎，郭芳瑞．RBF网络模型参考自适应控制在温度控制中的仿真研究［J］．系统仿真学报，2008（2）：429－432．［4］张亚平，张立伟．基于径向基函数神经网络的投资预测模型［J］．吉林师范大学学报：自然科学版，2011（2）：75－78．［5］卢涛，陈德钊．径向基网络的研究进展和评述［J］．计算机工程与应用，2005（4）：60－62．。
收稿日期:2002-10-16作者简介:曹茂森(1971-),男,山东淄博人,山东农业大学讲师,博士,从事土木工程结构地基处理及无损检测研究1文章编号:1003-5990(2003)02-0015-06基于Matlab 的RBF 网络的深层搅拌桩承载力建模曹茂森1,任青文1,李妮2(11河海大学土木工程学院,江苏南京210098;21山东农业大学水利土木工程学院,山东泰安271000)摘要:探讨了Matlab 语言环境下R BF 神经网络在深层搅拌桩复合地基承载力建模中的应用,针对建模中的网络参数优化、样本集重构等技术问题进行了深入的研究。
提出一种以泛化预测值为目标函数对参数进行优化的技术路线,并提出在样本少的情况下通过合理插值重构样本集可以提高预测精度。
工程实例说明,R BF 网络在技术改进下优势得到充分发挥,所建模型比BP 网络及传统经验公式有着更好的性能。
文中建模方法也为研究多变量复杂工程系统提出了一条新的思路。
关键词:Matlab ;R BF 神经网络;深层搅拌桩;承载力;参数优化;样本重构中图分类号:T U473 文献标识码:AModel construction based on RBF net w ork for bearing capacityof compound foundation with deep mixing pileCAO Mao 2sen 1,RE N Qing 2wen 1,LI Ni 2(11Civil Engineering Institute ,Hehai University ,Nanjing 210098,China ;2.School of Water C onservancy and Civil Engineering ,Shandong Agriculture University ,T aian 271000,China )Abstract :Based on the RBF artificial neural netw ork (RBF 2ANN ),the m odel of the bearing capacity of com 2pound foundation with deep mixing pile was created ,and the main techniques were further studied such as the optimization of net coefficients and reconstruction of sam ple collection.A technical path was presented for coef 2ficients optimizing ,which set the widening predicting value as aim function.C om pared with the BP and em pir 2ical formula m odels in practical engineering ,the RBF 2ANN m odel is m ore advanced than the other tw o and very ideal.The method of creating m odel used in this paper brings up a new way to the study of com plicated engineering systems of much variables.K ey w ords :Matlab ;RBF neual netw ork ;deep mixing pile ;bearing capacity ;parameter optimization ;sam ple reconstructing 在水利、公路、建筑等行业的基础处理中,深层搅拌桩以其施工工艺简单、效率高、造价低、场地污染小、布置随意性强等诸多优点,在工程中得到了广泛的应用。
但工程设计中深层搅拌桩复合地基承载力的确定却一直没有成熟的办法,传统经验公式计算出的设计值和工程实测值往往存在着较大的差距。
因此,如何开发新技术实现设计值与实测值的符合是一个很有实际意义的研究课题。
人工神经网络作为一门新兴学科在非线性系统的建模与辨识中得到了广泛的应用,它可不受非线性模型类的限制,而且便于给出工程上易于实现的算法,给复杂系统的建模带来了一种新的、非传统的第18卷第2期2003年6月 山东建筑工程学院学报JOURNA L OF SH ANDONG UNI VERSITY OF ARCHITECT URE AND E NGI NEERI NG V ol.18N o.2June 2003表达工具[1]。
目前应用最广泛、直观、易理解的是基于误差逆传播算法的多阶层前向神经网络,简称BP (Error back2propagation)网络,但该网络存在着收敛速度慢和局部极小,而且隐含层结点个数不易确定等缺陷。
而最近几年开始研究的另一种前向神经网络———径向基函数人工神经网络(Radial basis func2 tion2artificial neural netw ork,简记RBF2ANN)较为有效地解决了上述问题,其在分类能力、学习速度等方面均优于BP网络[2],尤其在处理多变量的情况下,其优势可以得到充分发挥。
在人工神经网络的功能实现上,与传统的利用Basic、F ortran、C等语言编程相比,直接应用第四代计算机语言Matlab的神经网络工具箱更加简便易行。
Matlab是由美国Mathw orks公司发布的面向科学计算、数据可视化以及交互式程序设计的高技术语言,其诸如小波分析、鲁棒控制、模糊逻辑、神经网络等丰富的工具箱代表了当今一流专家学者在这些领域的前沿工作[3]。
利用其工具箱,可以跟踪国际先进的数学理论和模型,避免繁锁的编程,把主要精力用在工程对象的分析研究上。
本文将基于Matlab的RBF网络用于深层搅拌桩复合地基承载力的计算中,利用区域已建此类工程的典型资料,建立科学的网络模型,为指导该区域今后工程提供可借鉴的方法,具体探讨了建模中的几个关键技术问题,建立了一种新型的数学模型,取得了较好的效果。
1 RBF网络及学习算法 Chen等在文献[4]中证明了用径向基函数可以简化神经网络的层数,任何过程可以由至多三层RBF网络逼近。
神经网络模型的拓扑结构十分类似于多层感知器(MP L),分为输入层、隐含层、输出层三层(图1)。
输入层节点只传递输入信号到隐含层,隐含层节点由像高斯函数那样的辐射状作用函数(基函数)构成,这些作用函数对输入信号将在局部产生反应,因此,RBF网络为局部感知场网络[2]。
输出层节点采用线性函数。
用X表示输入矢量, V j、O i分别为隐含层、输出层单元的输出;C j是第j 个基函数的中心,它是与X具有相同维数的向量;δj表示隐含层单元基函数宽度。
N,M,L分别表示输入单元、隐层单元和输出单元的数量。
隐含单元的输出V j通常用如下高斯函数求得:V j=exp[-‖X-C j‖22δ2j], j=1,2,…,m(1)图1 R BF网络的拓扑结构式中:m<M,为感知单元的个数;‖X-C j‖是向量范数,表示X和C j之间的距离,V j在C j处有一个惟一的最大值,随着‖X-C j‖的增大,V j迅速减小到零。
对于给定的输入X∈R n,只有一小部分被激活。
由图1可以看出,输入层到隐含层实现从X到C j的非线性映射,而输出层实现由C j到O i的线性映射:O i=∑mj=1ωjiV j, i=1,2,…,L(2)从(1)、(2)式可知,在RBF网络中,隐含层执行的是一种固定不变的非线性变换,C j,δj,ωji需通过学习和训练来确定,一般可分为三步进行:(1)确定基函数的中心C j,思路是利用一组输入来计算M个C j,j=1,2,…,N,使C j尽可能均匀地对数据抽样,在数据点密集处C j也密集。
一般采用“K均值聚类法”。
(2)确定基函数的宽度δj,基函数中心C j训练完成后,可以求得归一化参数,即基函数的宽度δj,表示与每个中心相联系的子样本集中样本散布的一个测度。
常用的是令其等于基函数中心与子样本集中样本模式之间的平均距离,即δj=1k j∑u∈θj(X u-C j)2,u=1,2,…,p(3)式中:p为样本模式数;θj为与C j相联系的样本子集;k j为子样本集p中的样本模式数。
(3)确定从隐含层到输出层的联接权值ωji, RBF连接权ωji的修正仍采用BP算法中的Lease2 mean2square误差测度准则进行。
61 山东建筑工程学院学报 2003年 2 深层搅拌桩复合地基承载力的RBF 网络建模2.1 输入矢量的确定建立网络模型之前要分析深层搅拌桩复合地基承载力的影响因子,从而确定输入矢量。
依据《建筑地基处理技术规范》,深层搅拌桩复合地基承载力计算公式为:f sp,k=m R d kA p+β(1-m)f s,k(4)式中:f sp,k为复合地基的承载力标准值;m为面积置换率;A p为桩的截面积;f s,k为桩间土承载力;β为桩间土承载力折减系数;R d k单桩竖向承载力标准值,应通过现场单桩载荷试验或按以下二式计算:R d k=η・f cu,k・A p(5) R d k=q s・U p・l+α・A p・q p(6)式中:f cu,k为与搅拌桩桩身加固土配比相同的室内加固土试块的无侧限抗压强度平均值;η为强度折减系数; q s为桩周土的平均摩阻力;U p为桩周长;l 为桩长;q p桩端天然地基土的承载力标准值;α桩端天然地基土的承载力折减系数。
经分析,深层搅拌桩复合地基承载力主要是由桩身强度、面积置换率、土的力学性质指标及桩的几何尺寸所决定,而桩身强度在其中起着关键作用。
据文献[5]影响桩身强度的因素主要有:水泥掺入比、水泥标号、土的含水量及土的重度等。
因此,本文采用面积置换率、水泥掺入比、水泥标号、桩径、桩长、土的含水量、土体重度、凝聚力、内摩擦角、弹性模量及桩端土层的承载力标准值等11个参数作为RBF网络的输入矢量。
输出矢量为深层搅拌桩复合地基承载力预测值。
2.2 RBF网络工具箱的应用及参数的优化2.2.1 工具箱的应用[2]利用Matlab提供的RBF网络工具箱实现人工神经网络的功能十分方便,工具箱函数为newrb()、sim()和mse()。
将取自区域内已建深层搅拌桩典型工程的源样本集分为训练集和测试集,网络设计过程如下:(1)设计一个径向基网络:语法格式:net=newrb(P,T,err goal,spread)(7)其中:P、T分别为训练集的输入、输出矢量;err goal为目标误差,默许值为0;spread为径向基函数的分布,默许值为1.0。
