扭转荷载下PHC短桩基础界面特性试验研究

冯世进; 孙达明; 李红星; 张晓磊

doi:10.11779/CJGE202110006

扭转荷载下PHC短桩基础界面特性试验研究 English Version

冯世进^{1, 2,},
孙达明¹,
李红星³,
张晓磊^{1, 2}

1.
同济大学地下建筑与工程系,上海　200092
2.
同济大学岩土及地下工程教育部重点实验室,上海　200092
3.
中国电力工程顾问集团西北电力设计院有限公司,陕西　西安　710075

详细信息

作者简介:
冯世进(1978— ),男,博士,教授,博士研究生导师,主要研究方向为环境岩土工程和土动力学。E-mail：fsjgly@tongji.edu.cn

中图分类号: TU435
计量
- 文章访问数: 0123
- HTML全文浏览量: 0
- PDF下载量: 0151
出版历程
- 收稿日期: 2019-11-19
- 网络出版日期: 2022-12-02
- 刊出日期: 2021-09-30

Experimental study on interface characteristics of PHC short pile foundation under torsional loads

1.
Department of Geotechnical Engineering, Tongji University, Shanghai 200092, China
2.
Key Laboratory of Geotechnical and Underground Engineering of Ministry of Education, Tongji University, Shanghai 200092, China
3.
Northwest Electric Power Design Institute Co., Ltd. of China Power Engineering Consulting Group, Xi'an 710075, China

摘要

摘要: 太阳能电站中发电元件的数量十分庞大,建造工艺上的一点改进就可以造成可观的成本节约。为此,PHC短桩基础作为发电元件的新型支撑结构正在不断进行改良和测试。PHC短桩基础是将PHC管桩伸入2～3 m深的钻孔后灌注混凝土形成的,其内部的桩-混凝土界面一般是光滑的。循环作用的不平衡风荷载使短桩基础反复受到扭转作用,因此研究了静力和循环扭转荷载下不同管桩截面外缘形状对桩-混凝土界面特性和短桩基础受力变形规律的影响。通过10组不同扭转荷载工况下光圆和凸缘PHC短桩基础的足尺模型试验,结果表明：光圆PHC短桩基础在受扭进入非线性变形阶段后,桩-混凝土界面由浅到深发生弱化,在循环扭转荷载作用下塑性变形不断累积最终导致混凝土开裂。凸缘可以增大预制桩与混凝土之间的结合面,并提供界面间的咬合作用,从而抑制塑性变形的发展,有效提高了短桩基础抵抗循环扭转荷载的能力。
- 太阳能 /
- 短桩基础 /
- PHC管桩 /
- 扭转荷载 /
- 足尺模型
Abstract: The number of power generation elements in a solar power plant is so huge that a small improvement in construction can result in significant cost savings. Therefore, as a new-type supporting structure for the power generation element, the PHC short pile foundation is being continuously improved. The PHC short pile foundation is formed by pouring concrete into the borehole in which a PHC pipe pile is inserted. The interface between the pile and the concrete is usually smooth. The unbalanced wind loads cause the supporting structures to be subjected to cyclic torsional loads. Therefore, the influences of the pipe pile section on the characteristics of the pile-concrete interface and the torsional response of short pile foundation under static or cyclic torsional loads are considered. Ten groups of full-scale model tests on the PHC short pile foundation with round or flanged pile section under different torsional loads are carried out. The test results show that the shallow interface firstly weakens when the torsional deformation of the PHC short pile foundation meets the stage of nonlinear deformation. Under the cyclic torsional loads, the plastic deformation accumulates and eventually leads to concrete cracking. The flange can increase the joint surface between the precast pile and the concrete, which also can provide occlusion between the interface, so as to restrain the development of the plastic deformation and effectively improve the resistance of short pile foundation to the cyclic torsional loads.
- solar power /
- short pile foundation /
- PHC pipe pile /
- torsional load /
- full-scale model

HTML全文

0. 引言

随着城市化进程的推进,基坑工程向更深、更复杂的趋势发展,为了保证周边环境安全,基坑变形的现场监测和预报已成为基坑工程的重要内容。传统的理论分析、数值模拟等方法虽然理论上可以实现变形的预测,但是岩土工程的变形机理复杂,涉及的影响因素众多,这类方法无法全面考虑^[1]。

近年来,基于数据分析的时间序列建模方法被逐渐应用于岩土工程领域。其中灰色预测模型对样本数据量要求低,但对于非线性序列的预测效果较差^[2]；人工神经网络具有较强的非线性映射能力,但存在网络结构难以确定、容易陷入局部最优、样本数据量要求高等缺点^[3]；遗传算法、粒子群算法等优化算法与人工神经网络结合的组合模型改善了神经网络的性能,但仍然存在数据量要求高、泛化能力差的问题^[4]。现有方法在预测时都以单测点的监测数据作为输入变量,只关注数据在时间维度上的关联性,而忽略了邻近监测点之间空间维度上的关联性。实际工程会设置大量的监测点,如何充分利用多个监测点的监测数据以提高预测精度是值得进一步研究的问题。针对上述不足,本文提出运用卷积神经网络与长短期记忆神经网络（CNN-LSTM）结合的组合模型,考虑监测数据在时间维度和空间维度上的关联性,对基坑工程多维序列进行预测。该方法在上海云岭超深基坑工程的地表沉降实际监测数据预测中取得了令人满意的效果。

1. CNN-LSTM模型

1.1 卷积神经网络（CNN）

卷积神经网络（convolutional neural networks）是一类包含卷积运算的前馈神经网络。CNN通过对数据的卷积和池化操作,提取数据之间的相互关系,可以用少量参数表达数据的空间特征,具有优秀的高维特征提取能力,被广泛用于图像处理、计算机视觉等问题。CNN网络的核心结构如图1所示。卷积层通过设置卷积核,对输入数据按式（1）进行离散卷积运算,提取输入数据的空间特征。池化层通过对卷积核内的数据进行取最大值、取平均值等操作,实现数据的降采样,即去除杂余信息,保留关键特征。

$y_{i, j} = σ (W_{k} \otimes x_{i, j} + b_{k})$ ,

(1)

$W_{k} \otimes x_{i, j} = \sum_{m = 0}^{a - 1} \sum_{n = 0}^{b - 1} w_{m, n} \times x_{i + m, j + n}$ ,

(2)

图 1 CNN网络核心结构示意图

Figure 1. Structure of convolutional neural networks

下载: 全尺寸图片幻灯片

式中 x_ij为卷积层的输入数据；y_ij为卷积层的输出数据；为离散卷积运算；W_k和b_k分别为第k个卷积核的权重系数和偏置参数； $σ$ 为神经元的激活函数；a,b为卷积核的尺寸参数。

1.2 长短期记忆神经网络（LSTM）

LSTM神经网络（long short-term memory neural network）是循环神经网络RNN（recurrent neural network）的一种变体。LSTM神经网络通过设置特殊的“门”结构,可以有选择性地记忆长短期信息,解决了RNN结构的长时间依赖问题,在时序数据的预测问题上表现优异。LSTM单元结构如图2所示。

图 2 LSTM结构示意图

Figure 2. Structure of LSTM

下载: 全尺寸图片幻灯片

1.3 CNN-LSTM模型

卷积神经网络CNN与循环神经网络LSTM结合的CNN-LSTM神经网络结构如图3所示。CNN部分以多个监测点的标准化后的历史数据构成的多维时间序列X_t,n作为输入数据。X_t,n是一个二维矩阵,一行表示某一时刻n个监测点的监测值,一列表示某一监测点在时间步长t内的监测值。将该序列输入CNN部分后,进行卷积运算,提取空间特征,输出多个由空间特征组成一维序列。LSTM部分以CNN网络输出的一维序列作为输入数据。LSTM对序列进行回归预测,输出多个空间特征的预测值。最后通过全连接层整合空间特征预测值,输出监测数据的预测值。

图 3 CNN-LSTM模型结构示意图

Figure 3. Structure of CNN-LSTM model

下载: 全尺寸图片幻灯片

2. 工程实例验证

2.1 工程概况

云岭竖井基坑是上海苏州河深隧工程的一部分。竖井基坑为圆形,深度约60 m,支护结构为1500 mm地下连续墙。基坑位于上海软土地区,且基坑开挖深度范围内的深层土体力学特性尚不明确,给基坑周边地表沉降的计算带来了困难。为了实时地进行动态化施工反馈,在基坑周边布置了大量监测点。基坑周边对称布置DB-1、DB-2、DB-3和DB-4四条测线,其中DB-4的监测点在施工中被破坏,监测数据不完整。

本文选取其余三条测线的第一个测点（DB1-1、DB2-1、DB3-1）从2020年7月27日至2020年12月28日,共计155组数据,前135组数据用于训练模型,后20组数据用于验证模型的精度。

2.2 监测数据建模预测

现在以DB1-1测点的监测数据作为预测目标,详细描述如何利用CNN-LSTM模型进行时序预测。

（1）数据预处理

现场采集的数据受各种因素的干扰,包含大量噪声^[5]。为避免拟合噪声,在导入模型训练前,对原始数据进行降噪处理。降噪后数据如图4所示。此外,不同监测点的监测数据在绝对值上相差较大,为了避免模型训练时的梯度方向被某一监测点的数据控制,本文按式（3）标准化数据,标准化后的数据符合均值为0,方差为1的正态分布。

${x^{'}}_{t, i} = \frac{x_{t, i} - μ_{i}}{σ_{i}}$ ,

(3)

图 4 降噪后数据示意图

Figure 4. Curves of data after noise reduction

下载: 全尺寸图片幻灯片

式中,μ_i,σ_i为第i个测点全部监测数据的均值和方差。

（2）CNN-LSTM模型构建

本文基于Python的Keras库构建CNN-LSTM模型。第一层为卷积层,卷积核个数为80,即提取80个空间特征,卷积核尺寸为1×3；第二层为LSTM层,LSTM层的神经元个数对网络的性能影响最大,因此取初始值80,在训练过程中优化；第三层为Dense层。需要指出的是由于本文选取的数据集在空间维度上只有3个监测点,数据规模不大,不设置池化层可以取得更好的效果。

（3）训练样本构造与模型训练

本文采用“5+1”的样本构造模式,即以3个测点前5天的监测数据作为输入数据,输入数据为5×3的二维矩阵,第6天DB1-1测点的监测数据作为输出数据。训练集共135组监测数据构造130组训练样本。训练优化器选择Adam,迭代次数epoch取100次,损失函数为均方误差MSE,模型收敛。

（4）监测值预测

最后利用训练完毕的模型对最后20组数据进行滚动预测。考虑到前期数据的降噪预处理,本文同时对噪声采用统计学模型ARMA进行分析、预测后,与CNN-LSTM的输出结果合并,作为最终预测值。为了验证CNN-LSTM模型的预测效果,本文同时单独采用LSTM模型进行预测,两种方法的结果和预测相对误差对比如图5,6所示。对DB2-1、DB3-1测点采用同样方法的预测结果和误差如图7～10所示。

图 5 DB1-1测点监测值与预测值

Figure 5. Measured and predicted values of DB1-1

下载: 全尺寸图片幻灯片

图 6 DB1-1测点预测相对误差对比

Figure 6. Comparison of prediction relative errors of DB1-1

下载: 全尺寸图片幻灯片

图 7 DB2-1测点监测值与预测值

Figure 7. Measured and predicted values of DB2-1

下载: 全尺寸图片幻灯片

图 8 DB2-1测点预测相对误差对比

Figure 8. Comparison of prediction relative errors of DB2-1

下载: 全尺寸图片幻灯片

图 9 DB3-1测点监测值与预测值

Figure 9. Measured and predicted values of DB3-1

下载: 全尺寸图片幻灯片

图 10 DB3-1测点预测相对误差对比

Figure 10. Comparison of prediction relative errors of DB3-1

下载: 全尺寸图片幻灯片

图5和图6表明,CNN-LSTM组合模型的预测结果与单一LSTM模型相比,在所有观测时间点上都更接近实测值,但是两种模型预测结果的趋势仍然与实测值有明显不同,这是由于噪声的预测模型难以拟合本例的数据。采用CNN-LSTM模型时,预测结果的相对误差介于0.01%～3.44%之间,平均值为2.00%,而LSTM模型相对误差介于0.02%～4.36%,平均值为2.84%,说明前者预测精度更高,效果更为理想。

图7～10表明,DB2-1测点和DB3-1测点的预测结果与DB1-1测点基本一致,CNN-LSTM模型的预测结果更接近实测值。采用CNN-LSTM模型,DB2-1测点、DB3-1测点的预测平均相对误差分别为0.93%、1.35%,而采用LSTM模型的平均相对误差分别为1.84%和1.69%,综合来看,CNN-LSTM模型取得了更好的效果。

需要指出的是,CNN-LSTM的精度优化得益于测点之间的空间关联度,选择测点时可综合测点的几何分布和历史监测曲线两方面判断。本例测点对称分布于基坑周边,且历史监测曲线的趋势也具有一致性。

3. 结论

本文在已有岩土工程时间序列预测方法的基础上,提出可以考虑监测数据空间关联性的CNN-LSTM组合模型。通过基于上海云岭竖井超深基坑工程现场地表沉降监测数据的工程实例验证,得出以下结论：

（1）多个监测点的监测数据构成一个多维时间序列,不同监测点数据之间的空间关联特征可以用CNN网络中的卷积运算提取。

（2）CNN-LSTM模型采用CNN网络提取多维时间序列的空间特征,LSTM网络多空间特征序列进行回归预测。工程实例表明,该模型在预测精度上相较于基于单测点数据的LSTM模型具有更高的精度。

（3）本文预测的多维时间序列的均为地表沉降,即同一类监测数据。工程现场的不同监测项目之间,理论上也可采用CNN-LSTM模型建模预测,如何将该模型推广到任意监测项目组成的多维时间序列是值得深入研究的问题。

图 1 塔式太阳能发电站和定日镜

Figure 1. Tower solar power plant and heliostats

下载: 全尺寸图片幻灯片

图 2 PHC短桩基础及扭转荷载示意图

Figure 2. Diagram of PHC short pile foundation under torsional loads

下载: 全尺寸图片幻灯片

图 3 试件形状及其固定示意图

Figure 3. Schematic diagram of model shape and fixation

下载: 全尺寸图片幻灯片

图 4 凸缘截面的PHC预制管桩

Figure 4. PHC pipe pile with flanged section

下载: 全尺寸图片幻灯片

图 5 加载梁与试验加载系统

Figure 5. Loading arm and loading system in tests

下载: 全尺寸图片幻灯片

图 6 风功率谱及三角波型加载曲线

Figure 6. Power spectra of wind and loading curves of triangle waves

下载: 全尺寸图片幻灯片

图 7 试件详细尺寸及量测设备布置示意图

Figure 7. Schematic diagram of detailed dimensions of test models and layout of measuring equipments

下载: 全尺寸图片幻灯片

图 8 扭转荷载条件下柱顶扭转角随荷载变化关系曲线

Figure 8. Relationship between torsion angle of columns and torsional loads

下载: 全尺寸图片幻灯片

图 9 管桩^#5截面的斜向应变和扭矩内力与荷载的关系曲线

Figure 9. Relationship between measured strain and torque at section No. 5 of pipe pile and external loads

下载: 全尺寸图片幻灯片

图 10 预制管桩沿深度的扭矩分布

Figure 10. Distribution of torque along precast pipe pile

下载: 全尺寸图片幻灯片

图 11 侧向-扭转耦合荷载下柱顶扭转角随荷载变化曲线

Figure 11. Relationship between torsion angle of columns and combined lateral and torsional loads

下载: 全尺寸图片幻灯片

图 12 预制管桩截面的制造误差

Figure 12. Fabrication error of precast pipe pile section

下载: 全尺寸图片幻灯片

图 13 循环荷载试验中出现的径向裂缝

Figure 13. Radial cracks appearing in cyclic load tests

下载: 全尺寸图片幻灯片

图 14 循环扭转荷载为18 kN·m时初始循环和最后循环的柱顶扭转角随荷载变化曲线

Figure 14. Relationship between torsion angle of columns and torsional load at first and last cycles under peak torsional load of 18 kN·m

下载: 全尺寸图片幻灯片

表 1 试验加载方案一览表

Table 1 Loading schemes for tests

试验编号	管桩截面外缘类型	试验类型	试验荷载
A1	光圆	试验类型	试验荷载	扭转静载	扭转荷载6/12/18/24 kN·m ,并分级卸载
B1	凸缘			扭转静载	扭转荷载6/12/18/24 kN·m ,并分级卸载
A2	光圆	水平荷载作用下的扭转静载	水平荷载5/10/15 kN ,扭转荷载3/6/9/12 kN·m
B2	凸缘	水平荷载作用下的扭转静载	水平荷载5/10/15 kN ,扭转荷载3/6/9/12 kN·m
A3	光圆	循环扭转荷载	扭转荷载峰值6 kN·m ,周期2 min , 100次循环
B3	凸缘	循环扭转荷载	扭转荷载峰值6 kN·m ,周期2 min , 100次循环
A4	光圆	循环扭转荷载	扭转荷载峰值12 kN·m ,周期2 min,100次循环
B4	凸缘	循环扭转荷载	扭转荷载峰值12 kN·m ,周期2 min,100次循环
A5	光圆	循环扭转荷载	扭转荷载峰值18 kN·m ,周期2 min,100次循环
B5	凸缘	循环扭转荷载	扭转荷载峰值18 kN·m ,周期2 min,100次循环

下载: 导出CSV

表 2 循环荷载试验结果一览表

Table 2 Results of the cyclic loading tests

编号	循环荷载值/( kN·m )	桩型	第一次循环扭转角峰值/ mrad	第一百次循环扭转角峰值/ mrad
A3	6	光圆	0.46	0.46
B3	6	凸缘	0.39	0.39
A4	12	光圆	0.89	0.93
B4	12	凸缘	0.78	0.78
A5	18	光圆	2.23	4.39
B5	18	凸缘	1.56	1.60

下载: 导出CSV

表 3 立柱部分扭转角计算值与实测值

Table 3 Predicted and measured rotations of poles

荷载/( kN·m )	计算值/ mrad	凸缘实测值/ mrad	光圆实测值/ mrad
6	0.287	0.362	0.404
6	0.287	(26.25 %)^①	[+11.60 %]^②
12	0.573	0.766	0.808
12	0.573	(33.68 %)	[+5.48 %]
18	0.860	1.128	1.426
18	0.860	(31.20%)	[+26.42 %]
24	1.146	1.553	1.979
24	1.146	(35.53%)	[+27.43%]
注：①计算偏差百分比=\|（计算值-凸缘基础实测值）\|/凸缘基础实测值,下同；②管桩截面形状偏差百分比=（光圆基础实测值-凸缘基础实测值）/凸缘基础实测值,下同。

下载: 导出CSV

参考文献(18)

[1]	于静, 车俊铁, 张吉月.太阳能发电技术综述[J]. 世界科技研究与发展, 2008(1): 56-59. https://www.cnki.com.cn/Article/CJFDTOTAL-SJKF200801014.htm YU Jing, CHE Jun-tie, ZHANG Ji-yue. The overview of the technique of solar energy generating electricity[J]. World Sci-Tech R & D, 2008(1): 56-59. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SJKF200801014.htm
[2]	王莺歌. 塔式太阳能定日镜结构风荷载特性及风致响应研究[D]. 长沙: 湖南大学, 2011. WANG Ying-ge. Research on Wind Load’s Characteristics & Wind Induced Response of Solar Power Tower Heliostat[D]. Changsha: Hunan University, 2011. (in Chinese)
[3]	桩基工程手册(桩和桩基础手册)[M]. 2版. 北京: 人民交通出版社, 2008. Pile and Pile Foundation Handbook[M]. 2nd ed. Beijing: China Communication Press, 2008. (in Chinese)
[4]	HU Z, MCVAY M, BLOOMQUIST D, et al. Influence of torque on lateral capacity of drilled shafts in sands[J]. Journal of Geotechnical and Geoenvironmental Engineering, 2006, 132(4): 456-464. doi: 10.1061/(ASCE)1090-0241(2006)132:4(456)
[5]	于万聚. 高速电气化铁路接触网[M]. 成都: 西南交通大学出版社, 2003. YU Wan-ju. High-speed Railway Electrified Railway Contact Network[M]. Chengdu: Southwest Jiaotong University Press, 2003. (in Chinese)
[6]	王玉环. 哈大铁路客运专线季节性冻土区段接触网柱基础设计[J]. 铁道标准设计, 2012(10): 84-87. https://www.cnki.com.cn/Article/CJFDTOTAL-TDBS201210024.htm WANG Yu-huan. Foundation design for overhead contact system posts in seasonally foundation design for overhead contact system posts in seasonally[J]. Railway Standard Design, 2012(10): 84-87. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-TDBS201210024.htm
[7]	张旭中, 江远财, 陈康立, 等. 一种立柱式定日镜安装基座及其安装方法: CN104695461B[P]. 2015-06-10. ZHANG Xu-zhong, JIANG Yuan-cai, CHEN Kang-li, et al. Upright Post-Type Heliostat Mounting Base And Mounting Method Thereof: CN104695461B[P]. 2015-06-10. (in Chinese)
[8]	李红星, 易自砚, 何邵华. 一种定日镜基础: CN206376271U[P]. 2017-08-04. LI Hong-xing, YI Zi-yan, HE Shao-hua. One Kind of Heliostat Base: CN206376271U[P]. 2017-08-04. (in Chinese)
[9]	STOLL U W. Torque shear test on cylindrical friction piles[J]. Journal of Civil Engineering, 1972, 42(4): 63-64.
[10]	POULOS H G. Torsional response of piles[J]. Journal of Geotechnical Engineering Division, 1975, 101(10): 1019-1035. doi: 10.1061/AJGEB6.0000203
[11]	RANDOLPH M F. Piles subjected to torsion[J]. Journal of Geotechnical Engineering Division, 1981, 107(8): 1095-1111. doi: 10.1061/AJGEB6.0001177
[12]	GUO W D, RANDOLPH M F. Rationality of load transfer approach for pile analysis[J]. Computers and Geotechnics, 1998, 23(1): 85-112.
[13]	邹新军, 赵灵杰, 徐洞斌, 等. 双层非均质地基中单桩受扭弹塑性分析[J]. 岩土工程学报, 2016, 38(5): 828-836. https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC201605008.htm ZOU Xin-jun, ZHAO Ling-jie, XU Dong-bin, et al. Elastic-plastic torsional behavior of single pile in double-layered non-homogeneous subsoil[J]. Chinese Journal of Geotechnical Engineering, 2016, 38(5): 828-836. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC201605008.htm
[14]	CUDMANI R, GUDEHUS G. Settlements of sand due to cyclic twisting of a tube[C]//IUTAM Symposium on Theoretical and Numerical Methods in Continuum Mechanics of Porous Materials, 2002, Stuttgart.
[15]	STUEDLEIN A W, ARMIN W, BARBOSA A R. Evaluation of Torsional Load Transfer for Drilled Shaft Foundations[R]. Corvallis: Oregon State Univ, 2016.
[16]	李红星, 易自砚, 何邵华, 等. 一种凸缘式预制桩定日镜基础: CN206512740U[P]. 2017-09-22. LI Hong-xing, YI Zi-yan, HE Shao-hua, et al. Flanged Type Precast Pile Heliostat Basis: CN206512740U[P]. 2017-09-22. (in Chinese)
[17]	黄本才, 汪丛军. 结构抗风分析原理及应用[M]. 2版. 上海: 同济大学出版社, 2001. HUANG Ben-cai, WANG Cong-jun. Wind Resistance Analysis Principle and Application of Structures[M]. 2nd ed. Shanghai: Tongji University Press, 2001. (in Chinese)
[18]	ARMIN W S, ANDRE R B, QIANG L. Evaluation of Torsional Load Transfer for Drilled Shaft Foundations[R]. Washington: Federal Highway Administration, 2016.

施引文献(6)

期刊类型引用(3)

1.	符传邦，吴育麒，吴月磊. 水泥搅拌桩各项参数对软土路基沉降的影响. 市政技术. 2023(02): 73-77 . 百度学术
2.	赵楠. 地铁隧道基底围岩动三轴试验研究. 资源信息与工程. 2022(02): 116-120 . 百度学术
3.	魏丽，柴寿喜，张琳，李瑶. 冻融作用下三类纤维加筋固化土的抗压抗拉性能. 岩土力学. 2022(12): 3241-3248+3280 . 百度学术