《岩石力学与工程学报》排版格式与论文书写要求-岩土与结构工程研究中心.docVIP

预测钢筋混凝土预制 张志军1,2，丁德馨2，饶 龙1,2，毕忠伟1,2 (1. 南华大学 建筑工程与资源环境学院，湖南 衡阳 421001；2. 中南大学 资源与安全技术学院，湖南 长沙 410083) 摘要：传统的预制桩极限承载力预测方法，难以考虑单桩极限承载力影响因素的模糊性和相互作用关系。预测单桩极限承载力的人工神经网络方法则存在着收敛速度慢、过程重复等缺点。为此，本文提出并建立了预测预制桩极限承载力的自适应神经模糊推理方法。文中收集了上海某地区的4例钢筋混凝土预制桩，利用其中37例的实测数据建立了预测单桩极限承载力的ANFIS模型，利用另外的例检验了模型的预测性能。研究结果表明，所建立的ANFIS方法具有收敛速度快、预测精度高、训练过程具有可重复性等优点，是一种优异的预制桩极限承载力预测方法极限承载力；人工神经网络；自适应神经模糊推理系统 近年来，许多学者试图将人工神经网络(ANN)[5]应用于预测单桩极限承载力[4,6]。但是，ANN自身所存在的诸如需进行多次训练学习才有可能得到较好的预测结果以及训练过程难以重复等缺点[7]，都不同程度地阻碍了这种方法的推广应用。由此，本文提出并建立了预测单桩极限承载力的自适应神经模糊推理方法，并对其进行了检验。结果表明，该方法具有收敛速度快、预测精度高、训练结果可靠且重复性好等优点，是一种优异的预测单桩极限承载力的方法。 2 自适应神经模糊推理系统简介 ANN具有学习功能，而模糊逻辑推理具有处理模糊语言信息的能力，并可模拟人脑的判断和决策功能。因此，将ANN和模糊逻辑推理有机结合，构成神经-模糊系统，是当前颇受关注的研究方向。自适应神经模糊推理系统（ANFIS）正是基于这种思想而诞生的[8]。它属于Sugeno型模糊系统，由前件和后件构成，其典型的模糊规则形式为： 如果 是，且 是 ，则 其中 和 是前件中的模糊集合，而是后件中的精确函数。通常是输入变量 和 的多项式。如果是一阶多项式时，所产生的模糊推理系统即为一阶Sugeno模糊模型。 图1所示为一阶Sugeno模糊模型的模糊推理过程，它有两个输入 和，一个输出，因此具有两条“”模糊规则： 是 是 是 是 此外，ANFIS还将模糊系统的模糊化、模糊推理和反模糊化三个基本过程全部用ANN来实现，并利用ANN的学习机制自动地从输入输出数据中提取规则，使得它既具备ANN自适应学习的功能，又具备描述模糊逻辑和处理模糊信息、进行判断和决策的功能，尤其是对残缺不全或模糊随机的不确定信息具有较强的容错能力。它与ANN的不同之处在于后者用权值来描述系统，而它则用自适应推理所得出的“”模糊语言规则来描述系统。因此，它使系统朝着自适应、自学习的方向发展，是一类新型的自适应网络。 图1 一阶Sugeno模糊系统的推理过程 Fig.1 The inference procedure of one-order Sugeno fuzzy system表1 37根钢筋混凝土预制桩实例 Table 1 37 Examples of precast reinforced concrete piles 序号 桩长 m 桩径 cm 入土 深度 m 侧摩阻加权平均值 kPa 桩端土承载力 kPa 桩的极限承载力实测kN 序号 桩长 m 桩径 cm 入土 深度 m 侧摩阻加权平均值 kPa 桩端土承载力 kPa 桩的极限承载力实测kN 1 17.80 45 16.47 22 800 950 20 35.00 45 33.58 33 1600 2200 2 26.00 45 25.32 35 1200 1900 21 28.50 45 26.65 50 1300 2400 3 25.00 50 24.25 38 1200 2000 22 26.00 45 25.33 34 1300 1550 4 27.20 45 25.55 40 1200 1620 23 12.09 30 10.29 44 2500 890 5 14.50 45 13.00 28 1500 1147 24 24.30 40 23.70 23 1500 1500 6 50.10 50 48.85 67 7800 8250 25 31.50 45 30.30 58 2600 4080 7 27.80 50 20.08 33 1100 1650 26 61.00 50 60.05 48 6000 6000 8 29.20 45 28.13 31 2500 1637 27 22.20 45 21.22 37 1400 1650 9 17.00 45 16.40 16 800 600 28 35.00 45 33.78 27 2000 1950 10 26