(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111381622.X (22)申请日 2021.11.22 (65)同一申请的已公布的文献号 申请公布号 CN 113821863 A (43)申请公布日 2021.12.21 (73)专利权人 中南大学 地址 410083 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 金亮星　姬宇杰　韦俊杰　 (74)专利代理 机构 长沙七源专利代理事务所 (普通合伙) 43214 代理人 刘伊旸　周晓艳 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 112926117 A,2021.0 6.08CN 113051775 A,2021.0 6.29 CN 108304674 A,2018.07.20 CN 111209708 A,2020.0 5.29 崔京华等. 《基于RMO-BP算法的感应电动机 转子断条故障诊断》 . 《电气传动》 .2019, 金亮星等. 《条 形基础地基极限承载力的改 进径向移动算法研究》 . 《铁道科 学与工程学报》 .2017, Liangxing Jin等. 《Application of improved radial movement optimizati on for calculati ng the up per bound of ultimate bearing capacity of shal low foundati on on unsaturated so il》 . 《Computers and Geotechnics》 .2019, Liangxing Jin等. 《The use of improved radial movement optimizati on to calculate the ultimate beari ng capacity of a nonhomogeneous clay foundati on adjacent to slopes》 . 《Computers and Geotec hnics》 .2019, 审查员 陈欢 (54)发明名称 一种桩基竖向极限承载力预测方法 (57)摘要 本发明提供了一种桩基竖向极限承载力预 测方法， 包括步骤S1、 建立初始种群； 步骤S2、 采 用改进径向移动算法的适应度函数计算初始种 群中各个个体的适应度值， 通过对个体的适应度 值进行逐个比较来确定当代最优位置， 并将其定 义为初始中心位置； 步骤S3、 采用更新条件在第 k 代中心位置的 ±0.5 （xjmax‑xjmin）wk范围内生成新 的预位置点， 并计算适应度值， 更新位置信息； 步 骤S4、 确定全局最优位置， 并计算全局最优位置 的适应度值； 步骤S5、 将全局最优位置的权值和 阈值赋值给BP神经网络模型， 对BP神经网络模型 进行训练和仿真得到最优的桩基竖向极限承载 力预测值。 本发 明便于确保预测值更加接近真实值。 权利要求书2页 说明书6页 附图2页 CN 113821863 B 2022.03.01 CN 113821863 B 1.一种桩基竖向极限承载力预测方法， 其特 征在于， 包括以下步骤： 步骤S1： 获取桩基竖向极限承载力的试验数据， 并将数据集划分为训练集和 测试集； 步骤S2、 将BP神经网络模型的权值和阈值作为改进径向移动算法中桩基竖向极限承载 力的预测值的位置点信息， 建立初始种群； 步骤S3、 采用改进径向移动算法的适应度函数计算初始种群中各个个体的适应度值， 通过对个体的适应度值进行逐个比较来确定当代桩基竖向极限承载力的预测 值的最优位 置， 并将其定义 为初始中心位置； 所述 适应度函数为BP神经网络模型的性能函数， 具体为： 其中， N为BP神经网络模型数据集中测试集的个数； ti为BP神经网络模型数据集中第i个 测试集输出变量的预测值； yi为BP神经网络模型 数据集中第i个测试集输出变量的真实值； 步骤S4、 采用更新条件在第k代中心位置的 ±0.5(xjmax‑xjmin)wk范围内生成新的预位置 点， 并计算适应度值， 更新位置信息； 其中， k是指当前迭代次数； xjmin为第j个权值或阈值的 最小值； xjmax为第j个权值或阈值的最大值， wk为惯性权值； 步骤S5、 由步骤S4更新的位置信息， 确定全局最优位置， 并计算全局最优位置的适应度 值； 若迭代次数达到上限或全局最优位置的适应度值小于0.001， 则更新结束； 反之， 则重复 步骤S4‑S5直至更新结束； 步骤S6、 将全局最优位置的权值和阈值赋值给BP神经网络模型， 采用训练集对BP神经 网络模型进行训练和仿真得到最优的桩基竖向极限承载力预测值， 算法结束； 其中， 所述 步骤S4包括以下步骤： 步骤S4.1、 确定生成新的预位置点的更新条件， 具体的， 其中， 是指第k代新生成的第i个 位置点的第j个权值或阈值； Centrejk是指第k代中心 位置的第j个权值或阈值； G是指最大迭代次数； 步骤S4.2、 采用更新条件生成新的预位置点Yik， 并通过计算式(1)适应度函数计算出各 预位置点Yik对应的适应度值； 步骤S4.3、 更新位置信息， 具体的， 将第k代预位置点的适应度值fitness(Yik)与第k‑1 代位置点的适应度值fitness(Xik‑1)进行比较， 若fitness(Yik)<fitness(Xik‑1)， 则需要更 新位置点信 息， 令fitness(Xik)＝fitness(Yik)， Xik＝Yik； 否则， 令fitness(Xik)＝fitness (Xik‑1)， Xik＝Xik‑1； 其中， Xik为第k代第i个位置点； Xik‑1为第k‑1代第i个位置点； Yik为第k代 生成的第i个预位置点； 所述步骤S5包括以下步骤： 步骤S5.1、 确定当代最优位置Rbestxk和全局最优位置Gbestxk， 具体的， 将更新后的第k 代中的fitness(Xik)中的最小值的位置点作为当代最优位置Rbestxk； 当k＝1时， 当代最优 位置Rbestx1为第一代的全局最优位置Gbestx1； 步骤S5.2、 当k＝2时， 更新全局最优位置， 具体的， 比较当代最优位置的Rbestxk的适应权　利　要　求　书 1/2 页 2 CN 113821863 B 2度值fitness(Rbestxk)与全局最优位置Gbestxk‑1的适应度值fitness( Gbestxk‑1)； 若 fitness(Rbestxk)<fitness(Gbestxk‑1)， 则需要更新全局最优位置， 令fitness(Gbestxk)＝ fitness(Rbestxk)， Gbestxk＝Rbestxk； 否则， 令fitness(Gbestxk)＝fitness(Gbestxk‑1)， Gbestxk＝Gbestxk‑1。 2.根据权利要求1所述的桩基竖向极限承载力预测方法， 其特征在于， 所述步骤S2包括 以下步骤： 步骤S2.1、 计算BP神经网络模型的权值和阈值的总个数， 具体通过以下计算式得 出： nod＝w1+w2+w3   式(2) w1＝n1×n2    式(3) w2＝n2×n3   式(4) w3＝n2+n3   式(5) 其中， nod为权值和阈值的总个数； w1为输入层 到隐含层的权值个数； w2为隐含层到输出 层的权值个数； w3为阈值总个数； n1为输入层个数； n2为隐含层个数； n3为输出层个数； 步骤S2.2、 确定 权值和阈值的取值范围xjmax和xjmin， 其中， 1≤j≤n od； 步骤S2.3、 在步骤S1.2的取值范围内随机生成nop个初始位置点， 由nop个初始位置点 建立初始种群， 所述初始位置点的数值信息通过计算式(6)得 出； 所述计算式(6)为Xi,j＝xjmin+rand(0， 1)(xjmax‑xjmin) 其中， Xi,j为生成的第i个初始位置点 的第j个权值或阈值； rand(0， 1)为在0到1之间的 随机数。 3.根据权利要求2所述的桩基竖向极限承载力预测方法， 其特征在于， 在步骤S4中， 中 心位置随着当代最优位置的Rbestxk和全局最优位置Gbestxk的移动而移动， 具体的， Centrek+1＝Centrek+0.4(Gbestxk‑Centrek)+0.5(Rbestxk‑Centrek), 其中， Cent rek为第k代的中心位置； Cent rek+1为第k‑1代的中心位置 。权　利　要　求　书 2/2 页 3 CN 113821863 B 3