考虑桩土耦合时桩端后注浆对灌注桩承载力的影响分析

桩端后注浆技术是提升灌注桩承载能力非常有效的方法之一.依托某工程实例,考虑了桩土耦合作用,采用库伦剪切接触本构模型,并优化了注浆体模型,运用数值模拟软件FLAC3D,分析了桩端后注浆影响钻孔灌注桩承载力的规律.分析表明:桩端后注浆能提高钻孔灌注桩30%-50%左右的极限承载能力;只桩端注浆,桩身的承载力并不会提升太多,建议联合桩侧一起注浆.     

基于遗传算法的BP神经网络模型在桩孔质量检测中的应用

目的将改进的神经网络模型应用于钻孔灌注桩桩孔质量的智能化识别,从而减少人为的误判、漏判情况.方法将遗传算法与神经网络模型有机地结合起来,建立桩孔质量检测的智能化模型,先利用遗传算法对神经网络的权值和阈值进行优化,再结合训练完成的神经网络模型对桩孔质量进行预测,同时根据现场数据建立三维分析图,通过预测结果与三维分析图的比对来验证模型的准确性.结果测试样本的仿真误差为0.005 75,训练样本的仿真误差为0.022 4;5、6号桩孔的预测结果为(0.001 2,0.999 9),(0.002 7,0.005 1),即5号桩质量为合格,6号桩质量为良好.结论通过预测结果与三维分析图的比对结果,可以得出基于遗传算法的神经网络模型能够较好地对孔灌注桩进行智能判别.     

基于模糊理论的钻孔灌注桩塌孔风险评价

沿海地区钻孔灌注桩易发生缩孔、塌孔现象,正确地对钻孔灌注桩孔壁行稳定性进行分析与评价,对地基处理效果具有重要影响。首先,对钻孔灌注桩孔壁稳定性有关的参数进行了分类,建立了指标相互独立的钻孔灌注桩塌孔风险指标体系,并应用模糊理论建立了钻孔灌注桩塌孔风险评价模型;其次,基于钻孔灌注桩专家系统对风险指标体系中各指标的评估,得出了各指标的权重,并将风险指标划分为3个级别,建立了分级标准后,提出了钻孔灌注桩施工是孔壁稳定性等级的划分方法;最后,基于MATLAB软件编制了灌注桩塌孔风险评价和等级分区的计算评价软件。工程应用实例表明建立的钻孔灌注桩塌孔风险指标体系和风险评价模型可应用于评估钻孔灌注桩施工时孔壁稳定性等级。     

利用钻孔灌注桩形成地下连续墙进行基坑止水支护

通过对钻孔灌注桩与地下连续墙两种技术的发展状况及支护形式和一个深基坑工程处理的实例介绍,提出了利用钻孔灌注桩紧密成拂形成地下连续墙的概念,总结了在深基坑围护工程中利用钻孔灌注桩紧密成排形成地下连续墙技术的可行性.     

岩溶区钻孔桩施工技术及其对承载能力的影响

施工实践表明,对钻孔灌注桩施工最不利的是岩溶发育完善的溶洞地层。本文根据岩溶区地基的特点进行分析,通过施工实践总结了岩溶区钻孔桩的施工程序、方法和施工应注意的要点,最后深入探讨了钻孔桩施工技术对承载能力的影响。     

浅谈钻孔混凝土灌注桩施工工艺

浅谈了桥梁钻孔灌注桩的施工工艺。钻孔灌注桩的主要特点是承载能力大、抗冻性强、耐冲刷及经济效益好，在甘肃省的桥梁建设中，广泛用于桥梁基础。钻孔灌注桩是一项质量要求高、施工工序多、工艺细节要求严，并在一个较短时间内连续完成的地下隐蔽工程。     

GA-SVM和神经网络组合模型预测充填钻孔寿命

 充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,因此对矿山充填钻孔使用寿命进行预测十分重要。通过建立支持向量机（SVM）和BP神经网络组合预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为SVM适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型进行预测,并结合BP神经网络进行残差修正,最终得到预测结果。以某矿为例,通过GA得到SVM模型最优参数：适应值（均方误差mse）=0.0111,惩罚系数C=47.0768,核函数参数σ=2.2638。通过优化的SVM模型,对预测集充填钻孔寿命进行预测,经BP神经网络残差修正,预测结果的相对误差均控制在3%左右。对比单一预测模型,组合预测模型预测结果更加理想,精度更高,在类似的预测工程中有良好的推广价值。     

桥梁钻孔桩施工质量控制分析

钻孔灌注桩是桥梁施工中易出现各种事故的一项重要隐蔽工程,为避免给工程带来的隐患,应采用合适的方法对灌注桩事故进行预防和处理.文章介绍钻孔灌注桩施工质量控制要点,对施工中出现的事故原因进行分析,并提出处理方法.     

钻孔灌注桩施工工艺的要点分析

该文主要分析了钻孔灌注桩的施工工艺,在钻孔灌注桩施工过程中,施工单位应采取合理的施工工艺,对其施工质量进行控制。笔者首先对各钻孔灌注桩的成孔方法的使用条件和优势进行分析,并以某高速公路工程为基础,选择旋挖钻成孔法进行施工,对其施工工艺以及各问题控制措施进行分析,旨在为今后类似工程钻孔灌注桩施工奠定基础。     

钻孔灌注桩桩底后注浆施工技术

本文以某三跨单索面预应力混凝土部分斜拉桥为工程背景介绍了后注浆的施工方法．并根据钻孔灌注桩事故的特点,尤其对后注浆技术在处理孤石层钻孔灌注桩时的原理和方法进行了详细的阐述。     

BP神经网络预测水泥搅拌桩单桩承载力

利用某工程38根水泥搅拌桩的单桩静载试验资料,采用BP(Back Propagation)神经网络的方法对建立的神经网络进行训练,根据训练好的网络对两个工程的单桩竖向承载力特征值进行预测.结果表明,预测值与采用其他方法的拟合值及实测值相吻合.最后,通过工程实例进行验证.     

BP神经网络在单桩承载力预测中的应用

BP网络（Back Propagation Neural Network）是工程中广泛应用的一种神经网络模型。根据试验数据，运用BP网络对横向承载桩和竖向承载桩的工作性态进行模拟并对单桩承载力进行预测，将预测结果与实测值进行比较。结果表明，神经网络方法预测的结果与实测值的误差满足工程要求。     

桩承载力自平衡测试技术在钻孔灌注桩中的应用

采用桩基自平衡法对贵阳某超高层建筑场区钻孔灌注桩进行桩基承载力测试,对测试数据进行整理和分析。应用结果表明,测试取得很好的工程效果,该法可以在类似工程中推广应用。     

公路桥梁桩端后压浆灌注桩技术研究

结合后压浆灌注桩与常规灌注桩静载对比试验,分析了桩端压浆灌注桩作用机理及后压浆对单桩轴向受压承载力容许值增大的贡献.     

基于径向基神经网络的风电场无功补偿优化算法

 针对风电场无功补偿容量计算工作量大、计算过程复杂的问题,提出了应用径向基神经网络优化风电场无功补偿容量计算的方法。首先建立了含风电场的电力系统潮流计算模型,以某风电场实际有功功率作为模型的输入,计算该风电场所需的无功补偿容量;以有功功率作为输入数据,以计算所得的无功补偿容量作为目标输出,建立径向基神经网络,并对该神经网络进行训练。用训练后的径向基神经网络代替潮流计算模型,对该风电场所需无功功率进行计算,结果表明,该方法计算复杂度比潮流计算模型低,计算量少。研究表明可用训练后的径向基神经网络模型代替潮流计算模型,实时计算风电场无功补偿容量。     

基于BP神经网络的自密实混凝土梁受弯承载力预测

采用神经网络方法对自密实混凝土受弯梁的正截面承载力进行模拟。以影响自密实混凝土梁受弯承载力的主要因素(抗压强度、截面尺寸、配筋率等)为参数,以构件的受弯极限承载力为网络输出,建立多层前馈神经网络来描述其非线性关系。利用不同研究者的32组试验数据对网络进行训练和测试。测试表明,建立的神经网络模型对32组试验数据具有良好的模拟精度,可作为预测自密实混凝土梁受弯承载力的一种新的计算方法。     

泥岩地基钻孔灌注桩承载力试验评价

依据某高速公路桥梁工程3根钻孔灌注桩的单桩竖向抗压静载试验,以及桩身轴力传递和桩侧阻力的测试,对其静载试验Q-S曲线的特性、桩身轴力传递机理、桩侧阻力和桩端承力发挥性状的分析,探讨了钻孔方法、泥浆循环等施工因素对钻孔灌注桩的工程性状的影响,揭示了泥岩地基中钻孔灌注桩的承载力特性和破坏机理模式。     

RBF神经网络在复合地基承载力预测中的应用

利用径向基函数(RBF)神经网络,建立复合地基承载力预测模型,有效解决复合地基承载力预测中的非线性问题.以历史数据为依据,对所建立的RBF神经网络预测模型进行模拟和检验.实例结果表明:应用RBF神经网络所建立的复合地基承载力预测模型,能真实地表达要素之间的高度非线性关系,具有较高的预测精度和较强的实际应用价值.     

钻孔灌注桩的施工工艺及常见问题处理

介绍了几种用于钻孔灌注桩施工的钻机,阐述了钻孔灌注桩的施工工艺,针对钻孔灌注桩施工中的常见问题,提出了相应的处理措施。     

加速BP网络在单桩沉降预估中的动态适应

提出一种学习率自适应加速算法,即采用动态的网络学习率代替在整个学习过程中根据经验选取的传统的学习率,使ＢＰ神经网络的收敛速度得到显著的提高。应用这种神经网络,对单桩沉降预估过程以及信息扩散原理所取得的样本－教师模式匹配,可进行动态的学习。数值模拟表明,加速的学习算法使这种神经网络对问题的解具有动态适应性。