钻孔灌注桩基坑支护结构参数优化设计.docVIP

钻孔灌注桩基坑支护结构参数优化设计 　　摘要：将遗传算法用于基坑地下连续墙支护优化设计中，通过编辑自动计算程序对地下连续墙支护结构参数优化。算法全部约束均按基坑相关规范要求给出，通过工程实例和监测结果证明该优化设计方法有效性。 　　关键词：钻孔灌注桩;基坑支护;遗传算法;优化设计 　　Abstract: The genetic algorithm is used for excavation of underground continuous retaining wall optimization design, by editing the automatic calculation program of underground continuous wall supporting structure parameters optimization. Algorithm of all constraints is requirements of related codes are given according to the foundation; through the project example and the results prove the validity of the optimization design method. 　　Key words: bored pile; foundation pit; genetic algorithm; optimization design 　　中图分类号：U443.15+4文献标识码：A文章编号： 　　 　　 　　深基坑支护结构随着城市化建设大量出现，同时支护选型和设计极为保守造成浪费，如何选取合理设计基坑同时保障基坑及周围环境安全前提下使工程造价最低是工程设计最关心的问题，所以深基坑支护结构优化设计具有显著技术经济意义。 　　深基坑支护优化设计设计参数复杂，目标函数与设计参数之间的关系是复杂的非线性关系[1]，神经网络遗传算法是具备智能性、全局优化性和内在学习性等特点一种优化计算方法，可解决深基坑支护优化设计的非线性关系。 　　1 遗传算法基本原理 　　遗传算法采用编码的技术，效仿了生物物种由低级到高级的进化过程，从初始种群开始，采取“优胜劣汰，适者生存” 的自然法则对个体进行选择、交配、变异，进而产生新一代种群，重复逐代演变进化，直到产生出满足条件要求的个体为止，它是基于种群的智能优化法的一种。 　　遗传算法具有智能性、全局优化性和隐含并行性三个特点。遗传算法具有智能算法中的自适应、自组织和自学习等特点，由于交叉算子的作用，使得搜索方向集中在空间中期望值最高的部分，同时由于变异算子的作用，确保了群体的多样性，防止了搜索被引导到局部最优。遗传算法具有潜在的并行性，由于搜索过程是同时从多个点出发，使得这种多智能体的协作过程是异步并发进行的，同时搜索解空间内的多个区域，相互交流信息，这种分布式并行模式大大提高整个算法的快速反应能力和运行效率。除此之外，遗传算法还具有通用性、内在学习性、多解性、非定向性等特点，这些特点使遗传算法在实际的工程优化中，得到了很大范围的应用。 　　遗传算法常用步骤如下：①目标函数确定；②根据约束条件生成解的初始成员种群；③译码染色体使其适合评价并给予适应值；④以根据优胜劣汰，去掉适应值差的染色体，并按概率随机选择幸存的染色体进行复制形成新的群体；⑤根据概率随机选择染色体进行杂交和变异的操作；⑥对子代群体重复步骤③-⑤的操作，不断进行遗传进化，让种群平均适应值和最优个体提高，直到适应值趋于稳定，即完成最优参数。 　　2 数学模型的建立 　　某工程基坑支护采用钻孔灌注桩，本文以三层钢支撑形式为例进行数学模型。 　　2.1优化参数的选取 　　根据优化参数的选取原则，将钻孔灌注桩支护结构[2]中的桩径D、支撑位置m、嵌固深度hd、桩间距S作为优化参数变量，而将混凝土强度等级、配筋方式、钢筋等级、直径和土层计算参数等变量均作为设计参量预先固定下来，则变量空间为：X=[hd,D,m1,m2,m3,S]T 　　hd ∈[0.5h , 1.5h] D ∈[0.6 ,1.2]S∈[0.5D , 2.5D] 　　m1∈[0.1h , h-hs′] m2∈[m1+hs, h-hs′ ]m3∈[m2+hs, h-hs′ ] 　　其中：hs′为最后一道支撑与基坑底的最小间距；hs为钢支撑竖向的最小间距； S指的是两个桩之间的中心距；h为基坑的开挖深度。将所求解空间X=[hd,D,m1, m2,m3,S]确定每个变量的精度后，利用二进制编码对所求变量的解空间进行转换，形成初始种群。 　　2.2约束条件处理 　　用构造罚