一种基于BP神经网络的桩基缺陷检测方法

魏明强，张乐婷

（1.西北民族大学，甘肃兰州 730124；2.甘肃交通职业技术学院，甘肃兰州 730070）

0 引言

目前，人工神经网络应用最多的模型之一是BP神经网络，是能够解决多层神经网络权值修正的算法，也称为误差反向传播法（Error Back Propagation又称BP网络）。它的实质是实现了一个从输入到输出的映射功能及关系，它不需要预先建立模型和定义所描述映射关系的函数，也不需要详细了解其内部过程，就可以直接学习并储存数据输入模式，从而获得输出数据。从数学理论方面来看，BP神经网络是一种误差逆向传播算法，也已经证明其具有实现任何复杂非线性映射的能力，这使得它特别适合于求解内部机制复杂的问题。

本文通过室内模型试验得到了桩顶部受到瞬态激振作用力下的轴向速度曲线及波形数据，利用回传射线矩阵法编制的程序验证该速度曲线的正确性，然后将相应的数据输入BP神经网络中进行识别，说明BP神经网络能够较准确的判断桩基缺陷的类型。

1 室内模型试验简介

1.1 室内模型试验的概况

同时考虑桩底土和桩侧土对桩的作用，用小手锤在桩顶部施加瞬态激振力，采用加速度传感器接收加速度时程响应曲线，以辛普森公式为原理编写MATLAB程序，对实验数据进行处理，将桩顶部加速度时程响应曲线换算为速度时域响应曲线，然后通过Origin软件对所生成的波形图进行拟合。用MATLAB编写理论速度时域响应曲线的程序生成理论波形图，并与试验得到的波形图进行对比。

1.2 室内模型试验的装置

本次室内模型试验采用的是低应变反射法，见图1，采用的模型桩的参数如下：混凝土预制桩，桩长为2 m，截面为0.2 m×0.2 m的正方形截面，试验容器采用如图1所示的钢槽。

图1 室内模型试验装置示意图

试验仪器主要有：电源、波形接收器、加速度型传感器等。

1.3 室内模型试验的方法

模型试验中加速度传感器的安装时关键，既要保证紧密粘贴，又要便于松动变换不同的检测位置。

试验具体操作步骤如下：

（1）粘贴传感器；

（2）传感器、电荷放大器以及示波器之间相互连接；

（3）测试设备；

（4）敲击桩顶；

（5）记录数据并进行处理和分析。

1.4 室内模型试验结果分析[1-6]

整理室内模型试验所得结果，完整桩-土相互作用模型共得到53组数据，缺陷桩-土相互作用共得到20组数据。袁春辉运用与上述同样的方法运用两种类型的土质进行了室内模型试验，并得出如下结论：

（1）桩底土为黄河砂

试验结果与理论结果对比见图2（a）和图2（b），可看出桩顶点的速度曲线随着砂子密实度的增大而衰减加快。

图2 桩底为黄河砂时的试验与理论结果对比

（3）桩底为盐渍土

试验结果与理论结果对比见图3，可看出桩顶点的速度曲线同样是随着盐渍土密实度的增大而衰减加快。

综上所述，通过袁春辉的分析，说明由室内模型试验数据得到的波形曲线与理论曲线拟合较好，表示室内模型试验数据有效并可以使用，本文在后面处理波形曲线时，程序中相关参数将依据为上述袁春辉所得结果进行调试和修改。

2 神经网络模型的建立与识别

2.1 建立网络模型

首先将室内模拟试验得到的桩的波形数据进行分组，将具有代表性的数据作为教师数据，其余的数据作为学生数据（测试数据），以检测BP神经网络的可行性，学习和检测的具体过程见图4。

图3 桩底为盐渍土时的试验与理论结果对比

图4 BP神经网络学习和检测流程示意图

其次使用神经网络内部函数premnmx将输入数据归一化到（-1，1），归一化的目的是为了加快训练网络的收敛性，然后建立三层BP神经网络的模型，即输入层、隐含层和输出层，其中输入层为8组数据，每组数据有51个分量组成；中间层即隐含层节点个数取4；输出层有8组数据，每组数据有5个分量，即将桩身完整性的状态分为5类，分别为：完整桩代码为（1，0，0，0，0）；离析桩代码为（0，1，0，0，0）；扩径桩代码为(0，0，1，0，0）；缩颈桩桩代码为（0，0，0，1，0），即BP神经网络的输出层节点个数为5。

网络模型输入层和中间层的激活函数选用正切S型激活函数tansig，输出层的激活函数选用线性激活函数purelin。

为验证回归程序的有效性，取一具有如下映射特性的模型：

该模型具有强非线性映射关系，网络精度取为1.0E-5时，仅经过5次训练，网络即达到预定精度，具体结果见表1，网络训练精度见图5。

表1 预测结果表

图5 神经网络训练结果精度示意图

从表1和图5可见，本文的神经网络程序非线性映射能力极强，运算步数极快。

2.2 识别与结果分析

各项参数设置完毕之后开始训练BP神经网络的教师数据，经过不断的调试和训练，网络总共训练50次，发现训练效果已经达到理想状态，终止误差为0.000 001，训练结果见图6。

图6 神经网络训练结果精度示意图

横坐标为网络训练次数，纵坐标为误差量级。由于每次初始化网络时都是随机的，而且训练终止时的误差也不完全相同，训练后的权植和阀值也不完全相同（大致相同），所以每次训练后的结果也略有不同。找到比较好的结果后，用命令save filename netname保存网络，可使预测的结果保持不变，在需要时调用时用命令load filename载入即可。

整理识别结果，见表2。

表2 神经网络识别结果判断表

从表2中可以看出：神经网络对于判断室内模型试验所得数据情况良好，识别桩身类型成功率较高。

3 结论

本文首先阐述了室内模型试验的装置与方法，然后对得到的实测波形曲线和以回传射线矩阵法为理论得到的理论曲线进行对比，发现拟合较好，说明试验数据真实有效。然后建立BP神经网络模型，将试验所得数据输入网络，进行教师数据的训练和学习，训练到理想精度后，输入待测的学生数据进行识别，识别结果正确率达到100%，验证了BP神经网络识别桩身完整性的可行性和准确度。

由于试验条件有限，数据中包括的仅仅是少数几种情况下的桩，没有将该方法拓展到各种情况，如不同的桩长、桩身截面、弹性模量、缺陷位置等，有待其他学者进行进一步的分析和研究。

[1]余云燕，鲍亦兴，陈云敏.有损伤框架结构中的波动分析[J].震动工程学报，2004，17（1）：20-24.

[2]余云燕.回传射线矩阵法分析埋置框架的瞬态动力响应[D].浙江杭州：浙江大学，2004.

[3]余云燕，鲍亦兴，陈云敏.埋置框架的质量检测的探讨[J].力学学报，2006，38（3）：339-346.

[4]程翠.应力波反射法基桩完整性检测结果影响因素及对策[D].辽宁大连：大连海事大学，2008.

[5]张乐婷，余云燕.基于ANSYS/LS-DYNA的应力波反射法的数值模拟[J].山西建筑，2010（32）：1-2.

[6]袁春辉.桩—土相互作用土参数的室内模型试验研究[D].甘肃兰州：兰州交通大学，2010.