基于RBF神经网络模型的砂土液化震陷预估法

以我国海城地震、唐山地震和日本新漏地震中建筑物地基的液化震陷实测资料为基础，地震动方面选取地震烈度，，上部结构特征方面选取基底压力P、基础类型r、宽深比BD。和建筑物的长高比L/H，地基土方面选取土的相对密度Dr、上覆非液化土层厚度Da、地下水位dw，共8个影响建筑物地基震陷的主要因素作为神经网络模型的输入参数，地基震陷量与液化土层的深度之比SD作为神经网络模型的输出，采用径向基函数神经网络模型建立建筑物地基的液化震陷预估模型，并利用该模型建立了因素影响趋势线，通过对该神经网络模型的建立、运行和检验，得到了各因素对砂土液化引起的地基震陷量大小的若干影响规律。     

人工神经网络在预测深基坑周边地表沉降变形中的应用研究

深基坑开挖引起的周边地表变形预测是一个复杂非线性问题,引起地表沉降的影响因素很多,各因素之间呈高度的非线性关系。传统的基坑用边地表沉降变形预测方法存在着一定的局限性,其预测精度有待提高,而人工神经网络是一种多元非线性动力学系统,可以灵活方便地对多成因的复杂未知系统进行高度建模,实现全面考虑各种主要影响因素的深基坑周边地表沉降变形预测。本文介绍了误差反向传播(BP)网络模型的结构、学习过程及其算法的改进,径向基函数(RBF)网络模型的结构及其学习过程;分析了影响深基坑开挖周边土体沉降变形的主要影响因素;以25个基坑工程的地表沉降实测资料为训练样本,建立了11个输入影响因素的BP神经网络模型和RBF神经网络模型,通过对样本的学习训练过程及对5个检验样本的预测精度,说明了人工神经网络用于预测基坑周边地表沉降的可行性和准确性。     

淮安市砂土地震液化势的综合评估

建立了BP神经网络模型LM算法的砂土地震液化判别方法,采用LVQ模式分类网络对数据进行分类,选取唐山地震时76个场地、320组现场液化勘察资料为研究对象,训练和检验网络模型的数据各160组,结果表明,该方法的砂土液化预测准确度为96.8%。根据淮安市典型场地土的钻孔资料,采用《建筑抗震设计规范法》液化判别法(规范法)、美国国家地震研究中心建议的液化判别简化方法(NCEER法)和谢君斐-陈国兴液化判别方法(谢-陈法)等3种液化判别方法及本文提出的BP神经网络模型液化判别方法对22个钻孔、120标贯点进行了液化判别,结果表明:14种地震液化判别方法的计算结果基本一致;2NCEER法比谢-陈法的计算结果要保守;3谢-陈法与规范法的计算结果很吻合,预测正确率相差不大;4规范法相对BP神经网络模型法的计算结果要保守;5BP神经网络模型法比其他3种方法的预测结果更符合实际的液化规律。最后,综合4种方法的液化判别结果给出了该地区地震液化势的评估结果,并给出了部分典型地质剖面土层地震液化势分布图。     

饱和南京细砂孔压增量模型的普适性研究

循环荷载作用下饱和砂土的孔压增长规律是土动力学的核心内容之一。基于笔者在给定相对密度、均等固结条件下饱和南京细砂的不排水等幅循环三轴试验结果建立的孔压增量模型,进一步进行了不同相对密度、不同固结比务件下饱和南京细砂的不排水等幅循环三轴试验,将上述均等固结的孔压增量模型拓展为适用于不同相对密度、均等和非均等固结条件的孔压增量模型。采用拓展后的孔压增量模型对试验结果进行分析的结果表明:通过该孔压增量模型预测验证试验的孔压与验证试验测试的孔压具有较好的一致性,说明该孔压增量模型具有普适性。     

多层建筑物地基震陷的简化计算方法及其影响因素分析

简要阐述了震陷的机理,探讨了估算建筑物震陷的简化计算方法,讨论了建筑物的基底压力、地震动强度及基础埋深、尺寸、形式的改变对地基震陷量的影响,初步给出了这些因素对地基震陷量影响的基本规律:1地基震陷量随基底压力的增大、基础埋深的增加、地震动强度的增大而增加;2对于特定的多层建筑物和地基条件,当地面运动峰值加速度大于某临界加速度值时,地基震陷量急剧增大;3对于片筏基础,在基础宽度不变的情况下,震陷量随基础长度的减小而逐渐减小;在基础长度不变的情况下,震陷量随基础宽度的增大而增大;4在其它条件相同的情况下,基底压力相同时片筏基础的震陷量远大于条形基础的震陷量,且条形基础的宽度B=1.2m时,其震陷量最小。     

基于BP神经网络的饱和砂土液化判别方法

基于唐山地震中大量的砂土液化现场实测资料,选取描述地震动特性的烈度、震中距、地面峰值加速度和描述砂土层埋藏环境条件的地下水位、标贯点深度(土层深度)、上覆非液化覆盖土层厚度、有效覆盖压力,以及表示砂土自身属性的标准贯入锤击数、平均粒径、不均匀系数、修正标贯击数共11个指标的不同组合作为输入变量,采用快速BP算法和LM算法构造了饱和砂土液化判别的BP神经网络预测模型.通过所建网络模型的训练、验证和应用,结果表明:(1)所建14个BP神经网络模型都是有效的,液化判别的准确度与模型输入变量的不同组合有关;(2)增加网络模型的节点(考虑因素较多)并不一定能够提高BP神经网络模型的液化判别准确度,反而增加了BP神经网络模型的复杂性和学习时间;(3)两种算法的BP神经网络模型都有很高的液化判别准确度,LM算法的计算速率要比快速BP算法快得多,但在计算过程中需要更多的内存,建议采用LM算法;(4)采用所提BP神经网络模型的权值与阈值进行其它预测样本的液化判别时,判别结果可能偏于保守;(5)从影响砂土液化的主要因素、获取指标难易程度考虑,在与<建筑抗震设计规范>砂土液化判别公式考虑指标一致的情况下,建议采用BP神经网络模型M4或M5a,该模型简单、方便,且其预测准确度远高于<建筑抗震设计规范>的砂土液化判别准确度.     

软土层地连墙施工对邻近浅基础房屋影响研究

以深厚软土层地下连续墙施工对邻近浅基础房屋的影响为研究对象,采用数值模拟计算房屋长期沉降,并与实测值对比分析,通过房屋不均匀沉降引起的结构内力变化,判断房屋安全性。结果表明:(1)房屋长期沉降由地连墙成槽土体损失、超孔压消散土体固结和土骨架蠕变引起的,其沉降是长期的;(2)房屋的沉降主要为工后沉降,施工阶段房屋沉降较小,仅为455 d沉降量的15%,软土变形有较大的滞后性;(3)软土层中地连墙施工引起的房屋沉降,在施工阶段采用HS硬化土模型,工后采用SSC蠕变模型,模拟计算结果与实测值较为接近;(4)剪应力最大值主要集中在沉降较大部位附近,部分横墙剪应力超过砂浆抗剪强度,需要对相应墙体进行加固。