作者：王伟1, 李永恒1, 李思琪1, 姚亚锋1,2
作者单位：1. 南通职业大学建筑工程学院, 江苏 南通 226001;
2. 安徽建筑大学土木工程学院, 安徽 合肥 230022
关键词：井壁承载力;钢筋混凝土;改进bp网络;随机预测
摘要：
钢筋混凝土井壁模型试验分析发现最能影响极限承载力的是混凝土抗压强度，影响最弱的因素为配筋率。工程勘探发现：在深部井筒工程中，井壁极限承载力具有较大的不确定性。针对传统bp神经网络在解决随机性工程问题中的不足，采用随机因子和层间均方误差修正网络模型评价函数。在此基础上，以混凝土抗压强度、厚径比和配筋率为输入量，以井壁极限承载力为输出值，建立改进bp神经网络的井壁极限承载力随机预测模型。工程实例表明该模型在实际工况中能较好地预测深厚沉积层钢筋混凝土井壁的极限承载能力，且误差控制在4%以内，相比传统的计算公式方法精度有明显的提高。同时，改进的模型具有较小的权值和偏置，比传统网络的响应更趋于平滑，大大减少过度拟合的现象。
random analysis of the ultimate bearing capacity of reinforced concrete shaft lining based on improved bp neural network
wang wei1, li yongheng1, li siqi1, yao yafeng1,2
1. school of architectual engineering, nantong vocational university, nantong 226001, china;
2. department of civil engineering, anhui jianzhu university, hefei 230022, china
abstract: the analysis of reinforced concrete shaft lining model test shows that the compressive strength of concrete is the most influential factor of ultimate bearing capacity and the ratio of reinforcement is the least influential factor.in deep shaft engineering, the ultimate bearing capacity of shaft lining has great uncertainty.aiming at the shortcomings of traditional bp neural network in solving stochastic engineering problems, random factor and interlayer mean square error correction network model are used to evaluate the function.on this basis, taking concrete compressive strength, thickness-diameter ratio and reinforcement ratio as input and shaft lining ultimate bearing capacity as output, a random prediction model of shaft lining ultimate bearing capacity is established by improved bp neural network.the engineering example shows that the model can predict the ultimate bearing capacity of reinforced concrete shaft lining in deep sedimentary layer well under actual working conditions, and the error is controlled within 4%, which is obviously better than the traditional calculation formula method.in addition,the improved model has smaller weight and bias, and the response tends to be smoother than the traditional network, which greatly reduces the over-fitting phenomenon.
keywords: bearing capacity of shaft lining;reinforced concrete;improved bp network;random prediction
2023, 49(6):36-41 收稿日期: 2021-11-15;收到修改稿日期: 2021-12-20
基金项目: 江苏省高等学校大学生创新创业训练计划项目(202111052016y)；南通市级科技计划项目(ms12021028)
作者简介: 王伟(1986-),女,江苏南通市人,讲师,硕士,主要从事深部采矿工程中的安全分析
参考文献
[1] 荆国业, 刘志强, 韩博. 竖井掘进机钻井工艺及装备研究[j]. 中国煤炭, 2018, 44(5): 65-70
[2] 荆国业, 高峰. msj5.8/1.6d 型竖井掘进机自动纠偏系统研究[j]. 煤炭科学技术, 2018, 46(12): 27-34
[3] 曹文贵, 谭建辉, 胡卫东. 水平加筋地基极限承载力的极限上限分析法[j]. 岩土力学, 2018, 39(6): 1955-1962
[4] 姚直书, 程桦, 荣传新. 西部地区深基岩冻结井筒井壁结构设计与优化[j]. 煤炭学报, 2010, 35(5): 760-764
[5] 姚直书, 程桦, 荣传新. 深冻结井筒内层钢板高强钢筋混凝土复合井壁试验研究[j]. 岩石力学与工程学报, 2008, 27(1): 153-160
[6] 雷勇, 尹君凡, 陈秋南, 等. 基于极限分析法的溶洞顶板极限承载力研究[j]. 岩土力学, 2017, 38(7): 1926-1932
[7] 李超, 李涛, 荆国业, 等. 竖井掘进机撑靴井壁土体极限承载力研究[j]. 岩土力学, 2019, 41(增1): 227-236
[8] 王雪松, 薛维培, 杨龙, 等. 基于加权双剪强度理论的井壁竖向承载力研究[j]. 煤炭工程, 2018, 50(10): 33-36
[9] 姚直书, 程桦, 居宪博. 深厚冲积层井筒修复内层钢板高强钢纤维混凝土复合井壁研究及应用[j]. 煤炭学报, 2017, 42(9): 2295-2301
[10] 彭飞. c80-c90的高强钢筋混凝土井壁结构承载力研究[d]. 北京: 煤炭科学研究总院, 2021.
[11] 王磊, 刘志强, 李方政, 等. 西部软岩地层基于内外壁联合承载的冻结井壁减薄方法[j]. 煤炭学报, 2020, 45(s2): 773-780
[12] song h q, cai h b, cheng h, et al. physical model testing and numerical simulation for temperature distribution of mass concrete freezing shaft lining in deep alluvium[j]. aip advances, 2018, 8(7): 075328
[13] 李继清, 王爽, 段志鹏, 等. 基于esmd-bp神经网络组合模型的中长期径流预报[j]. 应用基础与工程科学学报, 2020, 28(4): 817-832
[14] 刘通, 秦正山, 何芳, 等. 基于神经网络的磁性活性炭吸附双酚a研究[j]. 磁性材料及器件, 2019, 50(1): 9-11
[15] 张皓, 高瑜翔. 前馈反馈smith预估模糊pid组合温度控制算法[j]. 中国测试, 2020, 46(11): 132-138 168
[16] 李新, 陈春俊. 基于模糊pid的高速列车车内压力主被动控制[j]. 中国测试, 2020, 46(1): 105-109
