VI Международная студенческая научная конференция Студенческий научный форум - 2014

Сваи — деревянные, металлические, или железобетонные стержни, которые заглубляют в грунт в основании зданий и сооружений для придания прочности фундамента.

В строительной практике часто возникает необходимость в определение фактической несущей способности сваи. Для этого сваю подвергают различным испытаниям. Одним из таких метод является испытание сваи вдавливание статической нагрузкой, данный метод регламентируется ГОСТ 5686-94 Грунты. «Методы полевых испытаний сваями».

Испытание статической нагрузкой наиболее приближено к реальному условию работы сваи. Для того, чтобы определить значение разрушающей нагрузки, нагрузку, прикладываемую к свае, увеличивают ступенями. Каждая ступень соответствует определенному проценту от проектной несущей способности сваи.

Время перехода к следующей ступени определяется как время стабилизации осадки на данной ступени нагружения и в среднем составляет 2 часа. ГОСТ 5686-94 Грунты. «Методы полевых испытаний сваями» регламентирует делить ступени под 20 % и 10 % от несущей способности, но часто приходится увеличивать число ступеней до 15. Как видно общая продолжительность испытания может достигать 30 часов, что и определяет основную его сложность.

Рис. 1 - Схема установки для испытания

1 - испытываемая свая; 2 - анкерная свая; 3 - реперная система с прогибомерами; 4 - домкрат с манометром; 5 - система упоров, балок; 10 - термометрическое устройство;

Рис 2 – график испытания сваи. Вертикальная ось – осадка мм; Горизонтальная – время, ч.

Рис. 3 – График зависимости осадки от нагрузки. Вертикальная ось – осадка мм; – горизонтальная вдавливающая сила т.с.

Как видно, продолжительность испытания составила 20 часов. На рис. 2 отчетливо видны ступени загружения, выражающиеся резкими скачками функции.

По очертанию функции осадки, видно, что её производная по времени является кусочно-гладкой убывающей функцией, имеющую скачок в точках перехода к новым ступеням. В рамках одной ступени, она является непрерывной.

Зная вид для этой функции можно предсказать дальнейшее поведение сваи. К сожалению её нахождение является сложной нелинейной многофакторной задачей, что не позволяет найти простое аналитическое решение и требует применение аппроксимации.

Нелинейность и многофакторность модели «свая-основания» не позволяют применять классические методы аппроксимации для её описания. Наиболее притягательным в этом случаи становится применение персептрона Румельхарта – модели нейронной обучаемой сети.

Одно из основных преимуществ нейронных сетей – это определение скрытых зависимостей между данными, что делает возможным применение их для описания нелинейных моделей.

Персептрон Румельхарта представляет из себя систему из входных, выходных и скрытых слоев. Каждой связи соответствует вес .

Скалярное умножение вектора весов на вектор входных сигналов дает аргумент для активационной функции , результат которой является ответом искусственного нейрона.

Часто в качестве активационной применяется сигмоида:

Для того, чтобы сделать возможным использование нейронной сети её нужно обучить. Задача обучения нейронной сети сводится к определению значения вектора весов связей.

Функция будучи представленная в виде персептрона позволяет проводит значительно более качественную экстраполяцию своих значений, и пригодна для анализа эволюции модели «свая-основание».

Для нахождения значений весов связей в данном случаи лучше подходит метод обучения с учителем – то есть обучение на имеющихся результатах.

Нейронная сеть при помощи метода обратного распространения ошибки (модификации метода градиентного спуска) корректирует свои веса так, чтобы входные и выходные данные соответствовали предоставляемым ей на обучение.

Исследования по применению персептрона для аппроксимации функций показывают, что средняя ошибка обученной сети составляет около 4 %, что является приемлемым для инженерных расчетов. При этом, чем на большом количестве данных нейронная сеть обучена, тем более точный она дает результат.

Применение персептрона теоретически позволит уже на первых ступенях определить фактическую несущую способность сваи, что означает значительное снижение времени и, соответственно, себестоимость испытания.

Таким образом мы имеем следующие преимущества:

1. Уменьшение трудоемкости испытаний.

2. Возможность изучения зависимости осадки от произвольных факторов.

3. Не обязательный учет инженером всех факторов. Факторы учитываются самим персептроном автоматически.

4. Простой алгоритм обучения.

5. Относительно высокая прогнозируемая точность.

6. Алгоритм работы персептрона хорошо распараллеливается между процессорами.

Недостатки:

1. Ресурсоёмкость вычислений – персептрон может состоять из огромного числа узлов.

2. До ввода персептрона в эксплуатацию необходимо обучить его на достаточном количестве примеров.

3. Обслуживание персептрона требует высокую математическую подготовку у инженера. Данный недостаток можно минимизировать за счет создать более умного терминала нейросеть-человек.

На базе испытательного центра института УралНИАС г. Екатеринбург планируется разработка прототипа нейронной сети. В течение 2014 года будут получены необходимые данные для его обучения.

Используемая литература:

• Ф. Уоссермен Нейрокомпьютерная техника: Теория и практика. — М.: «Мир», 1992.

• Саймон Хайкин Нейронные сети: полный курс = Neural Networks: A Comprehensive Foundation. — 2-е изд. — М.:«Вильямс», 2006. — С. 1104. — ISBN 0-13-273350-1

• Минский, М., Пейперт, С. Персептроны = Perceptrons. — М.: Мир, 1971. — 261 с.

• ГОСТ 5686-94 Грунты. Методы полевых испытаний сваями

Код для цитирования: Скопировать