1.一种基于BP神经网络的桩体极限承载力计算方法,其特征在于,包括以下步骤:通过工程试验,确定对基桩承载沉降影响显著的敏感性参数;
采集敏感性参数及相应敏感性参数下的桩基极限承载力,构建训练样本,形成样本数据集;
构建BP神经网络模型并利用样本数据集训练,保存好训练参数,得到极限承载力预测模型;
采集待计算的桩基的敏感性参数,输入到极限承载力预测模型中,得到桩体极限承载力;
其中,确定对基桩承载沉降影响显著性的敏感性参数方法如下:确定桩基参数;
根据桩基参数设计正交试验表;
根据正交试验表进行桩基沉降试验或者对桩基沉降进行有限元分析,记录桩基沉降量;
对桩基沉降影响因素进行分析,采用极差分析法确定对桩基沉降影响因素,得到敏感性参数;
所述桩基参数包括弹性模量、粘聚力、泊松比、内摩擦角、膨胀角;
其中,构建训练样本的方法如下:
采用工程桩试验或者有限元仿真分析获取敏感性参数下的桩基极限承载力;
以敏感性参数作为输入,桩基极限承载力作为标签,构建训练样本;
其中,构建BP神经网络模型并利用样本数据集训练的方法如下:构建BP神经网络模型,确定输入层的节点个数n、隐含层节点个数l,隐含层节点个数l的一般按照公式来选取,其中t取[0,10]内的常数,输出层的节点个数m,将输入层与隐含层之间的连接权值、隐含层与输出层之间的连接权值、隐含层的阈值a、输出层的阈值b初始化,得到BP神经网络模型的初始结构;将样本数据集输入到BP神经网络模型中,通过连接权值和阈值来计算隐含层至输出层的输入值;
式中:表示输入层到第j个隐含层节点的阈值;f为传递函数;
根据隐含层的输出值H、连接权值和阈值b,计算出神经网络的预测输出值O;
式中:表示隐含层到第k个输出层节点的阈值,表示隐含层到第k个输出层节点的预测输出值,表示隐含层第j个节点的输出值;
通过得出的预测输出值O和期望输出值y计算预测误差e;
表示隐含层到第k个输出层节点的误差,通过预测误差e反过来更新网络连接权值、和阈值a、b;
直至预测误差e满足设定阈值,完成训练。
2.根据权利要求1所述的一种基于BP神经网络的桩体极限承载力计算方法,其特征在于,确定对基桩承载沉降影响显著性的敏感性参数方法时,构建了双溶洞地基基桩有限元模型。
3.根据权利要求1所述的一种基于BP神经网络的桩体极限承载力计算方法,其特征在于,通过预测误差e反过来更新网络连接权值、、和阈值a、b的计算公式如下:式中:η为学习的速率,表示更新后的输入层与隐含层之间的连接权值,表示更新后的隐含层与输出层之间的连接权值,表示更新后的输入层到第j个隐含层节点的阈值,表示更新后的隐含层到第k个输出层节点的阈值。
4.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述基于BP神经网络的桩体极限承载力计算方法。
5.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述基于BP神经网络的桩体极限承载力计算方法。
6.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述一种基于BP神经网络的桩体极限承载力计算方法。