摘要：通过数学回归分析法制定的数学模型是很难解决桩基工程当中存在的问题。因为以智能决策与知识发现基础上形成的人工神经网络系统有着能够处理大量不确定信息的能力，且具有很强的学习性能与非线性映射以及预测的能力，可以很好解决难以构建数学模型但可以收集训练样本的问题。本文立足于人工神经网络方法，对其在桩基检测中的应用进行了简要的探讨，希望对建筑工程发展有所帮助。
关键词：桩基；检测；人工神经网络
引言
因为桩基是一项隐蔽的工程，在建筑施工完成以后，一般会选取动测的方法来测定桩身的完整程度。比如判断桩体是否断裂、存在夹泥或者是混凝土离析等。当前可以分析桩基动测数据的方法有很多，但其原理基本相同，都是利用频域分析或者说时域分析法。其中频域分析利用傅立叶变换及谱分析来探讨其特征，尽管可以得到很多的分析结果，但对结果的分析完全依赖测验人员的经验[1]。而对于时域分析是以时间作为横坐标绘制的桩身曲线，尽管可以根据理论找出曲线的传递函数，但函数中系数的取值却难以确定。因此桩土体自身的复杂性为传统信号的处理方法带来了挑战。所以引入人工神经网络法来识别桩基完整性具有重要意义。
1.人工神经网络方法
与传统信息处理系统相比较而言，人工神经网络具有显著的优势，它是在模仿人的神经结构与信息处理过程的基础上而构造的，是由多个相互连接的人工神经单元构成，但其连接强度并非是相同的，其中每个人工神经单元代表的是一次数学运算。人工神经网络在桩基检测中应用的特点集中表现在以下几个方面：（1）具有较强的自适应性，能够借助之前的学习，对未进行学习的样本进行处理而得到合理的结果；（2）具有较强的记忆能力，能够实现对大量不同输出、输入关系的记忆；（3）具有较强的学习能力，并不需要已知的输出、输入关系。
2.基于桩基识别的设计思路
通过人工神经网络方法对桩基检测数据进行处理流程为：首先，对桩基检测数据进行快速傅立叶变换；然后，构造科学合理的神经网络，并通过已知的某一缺陷所对应的频谱响应来对已经建立好的神经网络进行设计[2]。如此一来，在自动处理数据的基础上，已经训练好的人工神经网络就能够完成对桩基中缺陷的识别，在此过程中，桩基检测人员并不需要参与其中。
理解网络是掌握整个过程的重点，多层神经网络B-P算法的主要思路就是先进行前向计算，也就是根据输入、中间以及输出三个层次的路径得出三位输出值，然后再将输出的值与教师进修比对，如果存在偏差，那么再按照输出、中间、输入反向的顺序进行计算，且对网络中间连接节点的阈值及其权值进行修改，一般情况下这种过程要重读几百次或是几千次才可使结果与教师相匹配[3]。当结果与教师的结果相匹配的时候，此段学习过程就此结束。
3.单桩极限承载力预测
3.1根据动测资料预测
动测方法是一种现场测量桩基承载力的方法，具有便于普查、经济、简便的优点。但是，由于打桩公式的建立所考虑的因素比较少，因此，桩基承载力的预测结果常常与工程实际具有较大的出入。现在所使用的基于动测资料的神经网络模型的构建大部分是以打桩公式为基础的，而水电效应法、机械阻抗法、共振法等其他动测方法仍然被广泛地应用于桩基承载力预测中，但相应的神经网络尚未构建。同时，目前通过人工神经网络所能够预测到桩基承载力的桩型具有局限性，大多为打入桩，然而，现如今工程中所用的桩趋向于超大超长，因此，工程界对于桩基承载力的确定更加倾向于小应变动力测桩并与静载法相配合。
期刊文章分类查询,尽在期刊图书馆
3.2根据土的物理力学指标预测
桩周土、桩径和桩长等物理力学指标是影响单桩极限承载力发挥的重要因素，此外，工程实际表明成桩加荷速率、工艺以及桩的类型、几何形状等因素也会对桩基的承载力造成不可忽略的影响。因此，将人工神经网络方法引入到基于土的物理学指标桩基承载力预测工作中时，不仅需要对传统影响因素进行考虑，同时还需要考虑到这些非数值型和非确定性的因素，从而确保预测结果的稳定性和精确度更高。因此，要想确保人工神经网络方法在桩基预测竖向极限承载力功能得到有效发挥，一方面要加强网络技术的完善，资料的收集，同时，在应用中对其进行进一步的检验和优化；另一方面，加强对非确定性和非数值型影响因素的分析和研究，找出这些影响因素的理论公式和数值计算方法。
4.预测单桩荷载位移的形状
4.1单桩沉降预测
首先，收集有关的单桩试桩的有关资料，并通过信息扩散方法对其进行分析；然后，再以桩的长径比为主要影响因素构建预测单桩沉降的BP神经网络模型。值得强调的是，信息扩散方法的应用有效地增加了信息源的数量，从而使得神经网络预测结果的可靠性和稳定性得到了有效提高。实际检验结果表明，大多数神经网络预测值的误差都小于25%，同时，与半理论半经验、线性有限元和弹性理论等方法相比较而言，在预测的精度和稳定性方面，神经网络方法都具有明显的提高。
4.2预测荷载一侧移关系曲线
在人造堤坝、地下结构以及桥墩等处会用到侧向受荷桩。当前在我国用来计算桩侧向位移的方法主要为m法。其中m法将桩周土的作用化作是一系列的水平弹簧，这一比喻很难真实反映实际的建筑工程中存在的问题。针对这一情况，本文用通用回归神经网络以及BP神经网络来预测荷载桩的位移。其网络结构和预测桩基竖向承载力的结构基本相同。此网络将标准贯入度值、随深度变化、配筋量、周长、桩截面积以及桩长作为输入元，涉及到的方面比较广。经试验得出利用BP神经网络预测的桩位移偏差在10%～17%范围内，而用通用回归神经网络预测的偏差则在10%～20%范围内。另外还研究了桩在特定荷载情况下水平位移的神经网络，其结构不变。最终结果表明BP神经网络的预测偏差为9%～15%，而通用回归神经网络预测偏差则低于10%，这两种方法很明显优于m法。以上的应用仅限用于灌注桩，对于其它桩型还有待进一步研究。
4.3荷载-沉降关系曲线预测
以沉降为标准来对桩基承载力进行设计时，对荷载与沉降之间的关系进行预测是非常重要的，此外，要想对群桩下单桩承载力进行确定，也需要对荷载与沉降之间的关系进行了解和预测。对于工程实际而言，将神经网络引入荷载-沉降关系的预测具有重要意义，然而，目前就这方面的研究还需要进一步的优化和加强，并不断地对所构建的BP神经网络模型进行优化。有关单桩荷载传递分析的理论方法种类有很多，因此，可以将神经网络方法和这些理论方法进行有机地结合，从而形成“半神经网络”，推动人工神经网络方法在荷载-沉降关系预测中的应用。
结语
总而言之，目前利用人工神经网络法来检测桩基的理论已经获得了一定的成果，但在实际的推广应用中还有很大的发展空间，需要工作人员对其进行深入的完善。如今应该加大对多种桩基工程问题的研究，探讨非数值型因素的表达技术以及新的神经网络结构类型等。并且也要构建区域性的样本库，为研究中进行样本训练或样本学习提供支持，以实现神经网络技术为桩基工程服务的目的。
参考文献：
[1]李平.人工神经网路在高层建筑桩基工程中的应用研究[D].内蒙古科技大学，2102.
[2]周水林，朱桂春.桩基检测技术在神华厂房基础工程中的应用研究[J].山西建筑，2014,40（1）：80-81.
[3]崔雍，楚小刚，董嘉，等.基于神经网络的基桩竖向承载力预测研究[J].铁道工程学报，2016,33（4）：65-69.
论文作者:李鑫
论文发表刊物:《基层建设》2017年4期
论文发表时间:2017/5/22
标签：神经网络论文; 桩基论文; 承载力论文; 方法论文; 荷载论文; 工程论文; 因素论文; 《基层建设》2017年4期论文;