[摘要]总结概括了国内近年来有关于软土地基沉降预测方法的研究以及应用进展,通过分层总和法、曲线拟合法、仿生优化算法三个类别对我国相对应的软土地基沉降预测进行阐述,同时对各类方法的预测精度以及研究原理做了简要的介绍,可为土木工程中对软土地基的沉降计算以及加固处理提供相关参考。
[关键词]软土地基,沉降预测,仿生算法,曲线拟合
地基的沉降尤其是不均匀沉降会引起上部建筑结构的倾斜,引起建筑结构产生裂缝,严重时甚至会引起建筑物的倒塌,因此对于地基进行沉降预测以及沉降观测十分有必要。
1.分层总和法
分层总和法是计算软土地基沉降的常用方法,也是我国规范中推荐使用计算地基沉降的方法。该种方法是基于太沙基所建立的均质土层竖向固结微分方程进行计算,该法假设软土地基是具有分层的各向异性的半无限体,同时软土地基在受荷载作用下的沉降以竖向固结沉降为主,忽略侧向的膨胀变形,采用有侧限条件下软土的固结压缩指标进行计算,利用软土地基中心点以下的附加应力计算软土地基各个分层的土体变形量Si,最后将各层土体的变形量进行累加得到软土地基的总沉降量s,计算公式如式(1)
分层总和法在计算过程中,只计算土体的竖向变形而忽略掉其侧向变形,同时,在计算过程中附加应力计算值误差较大,孔隙比以及压缩指数等软土参数的选取有较大的人为性,因此计算得到的沉降量与实测值往往有较大误差。但是由于分层总和法计算原理简单,容易得到计算结果,因此常常利用分层总和法对软土地基沉降做初步预测。
2.曲线拟合法
曲线拟合法是现在实际工程中对于软土地基沉降预测的最广泛方法,其原理是假设实际的沉降曲线与某种类型的曲线形式是相符合的,用实际沉降曲线中选取的若干点进行回归分析得到拟合预测曲线,再根据预测曲线进行软土地基的沉降预测。我国现在常用的曲线拟合办法主要有双曲线以及抛物曲线。在我国最早对软土地基沉降值进行曲线拟合时,大量的统计数据表明我国软土地基沉降的变化趋势较为符合双曲线变化趋势,因而根据实际数据所得到的趋势拟合曲线方程如下式:
式中:St一时间t时的沉降量;Sf——最终沉降量(t=∝);So——初期沉降量(t=o);a、b——将荷载不再变化后的3组早期实测数据代入上式组成方程组求得的系数。
随着研究的不断深入以及统计数据的增多,发现除了双曲线变化趋势意外,软土地基沉降还呈现出其他曲线的变化形式,河海大学在对一系列路基沉降数据分析的基础上,发现其沉降曲线在初期变化是并不是以双曲线形式变化,而是可由两部分组成,在s—Int的对数坐标轴上,第一部分沉降可以用抛物线进行拟合,此时发生的是主固结沉降;而第二部分可以用用直线进行模拟,为次固结沉降。而根据实测数据发现,除了高有机质含量土体以外,第一部分沉降量占据绝大多数,因此沉降趋势方程如下式
式中参数a,b,c为常数,可用优化方法求得。
除此以外,近年来我国还有学者研究了利用其他曲线预测软土地基沉降。高燕希等优化了指数曲线法的计算过程,用于实际道路工程中,提高了软土地基沉降预测精度,也降低了软土地基的观测频率。吕秀杰提出了一种新型的双曲线沉降预测模型,能够反映沉降速率以及沉降半立方的非线性关系,且通过实例证明该种模型的预测值可靠度较传统的双曲线模型更高。李洪峰等运用指数曲线法以及双曲线法对季冻地区软土地基进行沉降预测,得到了较好的预测结果。尹利华等以费尔哈斯曲线为拟合曲线对软土地基沉降进行预测,不需要人为的确定参考点的沉降,减少了人为的干扰,而且预测值与双曲线法相比也是偏于安全的。
3.优化算法
徐新跃根据软土地基建筑结构物的沉降特点,运用灰色模型利用较少的沉降观测数据建立相关的预测模型。张慧梅等将BP神经网络用于软土地基的路基沉降预测中,实验结果表明BP神经网络模型对于软土地基沉降预测有较高的预测精度。朱红霞等提出了一种基于ANN神经网络的软土地基沉降预测方法,通过对实际观测数据形成的相关数据样本进行训练,建立了ANN神经网络模型,并利用该模型预测软土地基沉降量得到了较好的结果。
李凡等运用小波神经网络预测高速公路软土地基沉降量,利用其在非线性建模中的快速收敛等优势,在实例分析中显示该方法的预测精度较高,收敛性较好。夏江等运用遗传算法预测了某加固纠偏软土地基沉降问题,结果表明运用该算法得到的预测结果与实测数据基本一致,遗传算法在非线性优化、全局优化以及多参数优化等方面具有较大的优势。黄仁东基于动力系统自记忆原理建立地基沉降自记忆模型,通过该模型对汕汾高速公路软土地基进行沉降预测,结果表明该模型提高了预测的精度与可靠度。易富将小波降噪与灰色模型相结合,对降噪后的实测数据运用灰色模型进行预测,结果表明经过降噪的灰色模型预测结构精度比原有模型要好。
4.结语
软土地基沉降预测是我国软土地基工程的重要一环,精准的沉降预测数据可以更好的分析软土地基上部的结构物变形。我国对于软土地基沉降预测已有了一定的发展,从最初的分层总和法过渡到曲线拟合法以及现在不断发展的各类仿生优化算法的组合模型,其预测结果的精度得到大大提高,但是仍有许多参数选择的地方有较多的人为干扰因素,再进一步的预测中需要优化。