《岩土工程数值模拟分析8页》由会员分享，可在线阅读，更多相关《岩土工程数值模拟分析8页（8页珍藏版）》请在金锄头文库上搜索。
1、哈尔滨工业大学土木工程学院哈尔滨工业大学研究生课程作业课程名称 岩土工程数值模拟分析 导师姓名 胡老师 研究生姓名 XX 所在院系 土木工程学院（岩土与地震工程研究中心）类 别 学术型硕士 日 期 2013 年 6月 09日 评 语老师评语:平时成绩：课程作业成绩：总 成 绩：评阅人签名：注：1、无评阅人签名成绩无效；2、必须用钢笔或圆珠笔批阅，用铅笔阅卷无效；3、如有平时成绩，必须在上面评分表中标出，并计算入总成绩。GABP网络在岩土体力学参数的位移反分析研究中的应用摘要：本文以长春地铁1号线解放大路站基坑开挖为工程背景，综合运用了正交试验法、有限差分法以及BP神经网络方法进行了基坑岩土体力
2、学参数的位移反分析研究。根据正交试验对各土层土体力学参数进行分组设计，运用有限差分软件FLAC3D对基坑开挖工况进行模拟计算，根据FLAC3D计算结果构建BP神经网络训练样本，通过GA-BP(遗传BP神经网络)算法进行位移反分析研究，并利用由该网络得到的岩土体参数对基坑位移作正向分析，结论表明了该方法在土性参数反演中的适用性，可以作为地铁深基坑开挖设计施工的参考和借鉴。关键词：FLAC3D，遗传算法，BP神经网络，正交试验设计，岩土体参数反演引言岩土体的力学性态及原始应力状态等参数是数值方法能否成功应用的关键，试图从改进实验技术和采用新的实验手段解决有关岩土工程设计参数是很困难的12，利用现场
3、量测信息为数值分析提供实用的“计算参数”的所谓“反分析”就由此而产生。从系统角度来看，基坑工程是一个复杂的巨系统，人们对其进行的各种施工活动，均可看成系统输入，而人们量测到的位移、变形破坏则为系统对输入的响应，即系统的输出。而反分析则是根据一个灰色系统的输出确定输入的过程12。参数反分析可归为三类：反演法，即直接按量测位移求解逆方程得到参数；正演法，即首先给定参数的试探值，通过迭代运算和误差函数的优化技术求得参数的“最佳值”； 考虑先验信息及量测误差的贝叶斯(Beyes)方法或卡尔曼(Caiman)滤波法34。由于岩土体介质的非线性，难以建立待反演参数与量测信息之间的显式关系，目前主要采用正演
4、优化反分析方法实现上述参数识别过程，即第二种方案土的工程性质受应力历史、应力路径及自身结构影响，呈现出非线性性质，因此在基坑工程反分析中采用非线性土的本构模型日益受人们采纳56。人工神经网络是一种建立输入和输出的映射关系，具有高度的学习能力、容错能力，三层以上(含三层)的神经网络可以逼近任意非线性函数34，可用来描述土的力学参数和位移之间的非线性关系。工程概况本工程为长春地铁1号线一期工程解放大路站工程，工程包括内部竖井、风道施工。竖井井口位于人民大街和解放大路十字路口东北角绿地上。竖井采用矩形截面形式，支护外缘尺寸为15.55m7.20m，竖井深约29.89m，采用倒挂井壁法施工，钢筋格栅+
5、型钢支撑+喷射混凝土支护形式。竖井锁口圈梁为C30钢筋混凝土。井身采用注浆锚管+钢筋格栅型钢支撑喷射混凝土联合支护形式，喷射混凝土为C20湿喷早强混凝土，厚度为350mm。施工开挖模拟和反分析参数选择根据基坑开挖和支护的施工步序，计算共考虑4个工况：开挖至第一道支撑底标高并并设置第一道支撑为工况1，开挖至第二道支撑底标高并设置第二道支撑为工况2，开挖至第三道支撑底标高并设置第三道支撑为工况3，开挖至第四道支撑底标高并设置第四道支撑为工况4，计算中将每一个工况作为一个计算步时，按增量法近似模拟施工过程反分析结果的准确性很大程度上依赖于现场实测数据的可靠性与代表性57。反分析所得的岩土体参数一般来
6、说是代表某一基坑土层变形与强度特征的“综合参数”，即要求实测数据也能充分体现这一点，所以从以下三个方面选取反分析实测数据：实测数据初分析，剔除因局部软弱带、监测失真等因素导致的不合理位移；考虑数据点的时间分布特征，选取不同开挖层的典型位移；考虑数据点的空间分布，选取围护结构顶部的水平位移和沉降位移及周边建筑物的沉降位移。综合以上分析，我们选择四种参数：E,C,。基于FLAC3D的计算模型FLAC3D一种基于三维显示有限差分法的数值分析软件，在计算求解中它采用了动态松弛法，能够较好地模拟岩土材料的塑性流动、软化、屈服，尤其适合做材料的弹塑性分析，大变形和模拟施工期的开挖过程及支护模拟。因此本文采
7、用FLAC3D做数值分析的手段8。模型计算域范围：基坑开挖深度为15m，当前开挖长64m，基坑宽18.5m。根据基坑开挖影响长度方向约为开挖深度的3-4倍，深度方向约为开挖深度的2-4倍，取基坑沿长边方向延伸约46m，基坑两侧短边各延伸约40m，基坑底部以下取45m，到达下部含碎石粉质粘土层，对计算结构不会有大的影响，即模型尺寸为110m100m60m（长宽高）。在FLAC3D模型中，地下连续墙和土体采用三维六面体8节点的实体单元模拟，钢支撑采用3节点的梁单元模拟，材料模型选用Mohr-Coulomb弹塑性本构关系和强度判据。由于模型范围选取足够大，因此我们在基坑的长边方向（X方向）两端（X=
8、0,X=90）施加X方向约束，基坑的短边方向（Y方向）两端（Y=0,Y=70）施加Y方向约束，而在模型的底面（Z=-55）施加了XYZ三个方向的约束。计算模型材料参数如表1，计算模型如图1。表1计算模型围岩及支护结构力学参数Table 1 Mechanical parameters for calculating model of surrounding rock and supporting structures土层名称杂填土 粘土 粉沙质粘土190018741810C12 21 22 18 12 110.330.330.3K/MPa7.93 6.548.28G/MPa4.0 2.39 3.
9、30层厚2.64.722图1FLAC3D数值计算模型Fig.1 Numerical calculation model of FLAC3DGA-BP模型的建立1 目标函数的建立本文选取现场实测位移增量值与神经网络映射值的残差平方和作为目标函数，也是遗传算法的适应度函数，即：式中：为需要确定的参数向量，为参数约束条件，即待反演参数应满足本构关系理论规则和参数允许的取值范围；和分别为第测点某一施工步或某几个施工步前后位移增量的网络映射值和实测值，优化反分析的目标就是求得使取得最小值时的参数值。2基于GA-BP算法的位移反分析采用神经网络建立岩土体力学参数和位移之间的映射关系，在数据进行更新的时候，
10、需要进行复杂的数值计算，很大程度上降低了反分析的效率910。而将神经网络和遗传算法结合7，即利用了神经网络的高度非线性映射和预测的功能，又利用了遗传算法全局寻优特性，克服了神经网络学习陷入局部极小问题11。采用的遗传神经网络(GA-BP)反分析步骤如下；(1) 基于正交试验设计生成神经网络学习样本和测试样本的参数组合，通过FLAC3D正算程序获取样本的输出，并进行归一化处理。(2) 给定BP神经网络隐含层及每个隐含层神节点数的范围，随机抽取一个样本，利用GA搜索最佳ANN结构。利用搜索得到的网络进行样本学习，建立岩土体力学参数与输出位移之间的映射关系1213。(3) 利用测试样本，对网络进行训
11、练。对训练成熟的网络进行初始化设置，并确定待反演参数的取值范围。(4) 在待反演的参数取值范围内随机生成可能参数群体，逐个代入训练好的神经网络进行位移预测，计算目标函数值(适应度)。若适应度满足精度要求，则当前对应参数即为最优参数组合1415；若适应度不满足要求，则进行复制、杂交、变异操作，产生下一子代可能的参数群体16。(6) 重复进行(5)步操作，直到获得满足目标函数精度的最优参数组合。3 BP神经网络样本构造为了使选取的样本能够全面反映土体的力学影响因素，使试验样本具有充分的代表性11，采用正交试验设计BP神经网络样本。利用SPSS软件来设计正交试验13，采用正交表L25(54)分别构造
12、网络的学习样本和测试样本，参数输入部分如上表2，对于样本输出则采用FLAC3D正算获取监测点位移增量，如上表31213。其中，前20个样本作为网络的学习样本，后5个为测试样本。表2 BP网络输入样本Table 2 Sample input of BP network编号输入（FLAC计算位移mm）123416.345.229.987.3425.135.8410.778.6535.235.456.389.2145.146.358.2910.6355.746.358.726.6665.825.439.878.2474.314.799.659.4383.315.929.478.5897.368.66
13、8.557.76106.258.378.699.35116.266.987.967.64126.417.0210.308.31137.457.849.178.68146.817.926.268.51156.257.908.758.48167.267.167.266.44177.387.187.758.83187.557.018.396.75198.637.678.438.57207.716.899.567.37217.346.758.929.14227.325.898.768.35236.716.9711.499.77246.536.619.759.64256.467.028.948.19表3 BP网络输出样本Table 3 Sample output of BP network试验编号样本参数E0/GPaC/KPa/。u16.2634.2180.3426.2637.1200.2836.2638.4220.3646.2639.9240.3956.2642.0260.3367.3634.2180.3977.3637.1200.3687.3638.4220.3397.3639.9180.34107.3642.0200.34118.7434.2220.28 128.7437.1260.34138.7438.4200.33148.7439.9180.39158.7442.02
