基于知識推理和二階振蕩粒子群算法的樁基礎優化設計

于 亞 洲，王 胤，楊 慶*，陳 龍

(1.大連理工大學 海岸和近海工程國家重點實驗室， 遼寧 大連 116024；2.大連理工大學 土木工程學院， 遼寧 大連 116024 )

基于知識推理和二階振蕩粒子群算法的樁基礎優化設計

于 亞 洲1，王 胤1，楊 慶*1，陳 龍2

(1.大連理工大學 海岸和近海工程國家重點實驗室， 遼寧 大連 116024；2.大連理工大學 土木工程學院， 遼寧 大連 116024 )

為輔助設計者準確高效地完成樁基礎設計工作，降低工程造價，基于知識推理和二階振蕩粒子群算法開發出一套樁基礎優化設計系統．系統通過結合C#語言和CLIPS推理機實現樁基礎埋深推理功能，進而求出當前場地條件下的最優樁長．選擇以工程造價為目標函數設計優化數學模型，根據已知的最優樁長簡化優化變量．選用二階振蕩粒子群算法作為優化算法，結合樁基礎規范設計約束條件，編制出樁基礎優化程序．最后以某十層實驗教學樓為例進行分析，證明了本優化算法的可行性．

知識推理；二階振蕩粒子群算法；樁基礎優化設計；工程造價

0 引 言

樁基礎是一種歷史悠久、發展迅速、應用廣泛的深基礎，因其具有承載力高、穩定性好、沉降量小且均勻等優點而廣泛應用于高層建筑和對沉降要求較高的建筑．然而樁基礎設計和施工是一個復雜的系統工程，如果能在設計上進行系統的優化，將在很大程度上節約工程造價．近年來，隨著計算機科學技術的迅速發展，樁基礎優化設計理論可以通過高效率的計算機程序實現和應用，這將有助于從設計上解決群樁基礎的優化問題，具有較高的實用性．

樁基礎優化設計主要包括設計理論、數學模型和優化算法三部分，其中優化算法的優劣會影響到計算結果的精確性和計算效率．目前，有關學者已將數學規劃法[1-2]、人工神經網絡法[3]、遺傳算法[4]和粒子群算法[5-6]引入樁基礎優化中，并可以結合工程案例進行優化分析．令人遺憾的是，以上算法對于求解樁基礎優化設計問題都存在自身局限．數學規劃法要求目標函數顯式表示，而且需要滿足一定理論條件才能收斂；人工神經網絡法難以精確分析優化數學模型中的約束變量，計算結果精度有限；遺傳算法難以準確選取參數，程序編寫復雜，計算效率不高；粒子群算法在初始粒子不滿足約束條件時不易實現自我調節，無法兼顧計算效率與計算精度．

考慮到以上困難，本文提出一種基于知識推理和二階振蕩粒子群算法的樁基礎優化方法，通過CLIPS定性推理得出最優樁長，從而簡化優化數學模型中的約束條件；再運用二階振蕩粒子群算法在求解空間內定量搜索最優解，并以此方法為依據開發出一套樁基礎優化設計系統，在兼顧計算精度和計算效率的前提下輔助用戶實現樁基礎優化設計．本文重點闡述優化設計方法及其程序設計，并通過工程算例分析說明此方法的合理性．

1 優化設計原理

1.1 知識推理基本原理

樁基礎優化設計系統的知識推理模塊是通過引入人工智能領域廣泛應用的專家系統開發工具CLIPS實現的．

CLIPS是由美國國家航天局(NASA)約翰遜空間中心人工智能部在1985年用C語言開發的通用專家系統開發工具，屬于典型的正向推理產生式系統，具有便于設計、表達方式靈活、運行效率高和兼容性好等優點[7]．CLIPS實現推理的基本構造如圖1所示.

圖1 推理實現的基本構造Fig.1 Basic structure of reasoning implementation

推理過程需要利用CLIPS在給定知識庫下進行，知識庫和推理機是CLIPS的核心．建筑樁基礎規范內容和工程經驗作為規則存儲在知識庫中，工程場地條件和上部結構設計參數等作為事實存儲在數據庫中，當事實與規則的前提條件相匹配時，則規則被激活；將所有被激活的規則按照既定優先級放入堆棧結構，再從堆棧頂部依次將規則取出，執行相應的動作，包括插入事實、刪除事實和打印消息等，直到無已激活的規則或滿足最大循環次數為止[8]．知識獲取可以將處理后的事實反饋給知識庫，實現知識庫的更新．解釋機制可以對求解思路進行追蹤, 有助于系統的更新和維護．

CLIPS工具本身不具備用戶圖形界面開發能力，需要通過動態鏈接庫的方式實現與C++語言或C#語言的接口調用[9-10]．本系統的知識推理模塊采用C#語言內嵌CLIPS推理機實現，充分融合了CLIPS在知識推理方面開發效率高和C#語言便于設計、用戶界面友好的特點．CLIPS還支持面向對象的編程風格，可與C#語言相互取長補短，將除推理以外的數值計算問題交給C#語言來實現．對于樁基礎埋深確定中遇到的不確定性問題，通過引入確信度因子推理出具有最高確信度的備選情況[11]．

1.2 粒子群優化算法

粒子群優化算法(PSO)是受到鳥群捕食行為啟發而提出的一種智能搜索算法，其基本思想是通過群體中個體之間的協作和信息共享來尋找最優解，最早由Kennedy等[12]提出．

粒子群優化算法的求解思路是初始化一群位置和速度都隨機的粒子，通過評價每個粒子的適應值找到個體最優位置和全局最優位置，粒子根據這兩個最優位置來不斷更新自己的速度和位置，追隨當前最優粒子在解空間內搜索并反復迭代求解，迭代終止條件為達到預設的最大迭代次數或最小適應度閾值．

如果粒子在n維空間的位置表示為矢量Xi=(x1x2…xn)，飛行速度表示為矢量Vi=(v1v2…vn)，粒子i當前的位置和飛行速度分別為xi和vi，pbest i和gbest i分別為粒子i目前為止找到的最優位置和整個群體目前為止找到的最優位置，粒子i通過下面的公式來更新自己的速度和位置：

vi=ωvi+c1r1(pbest i-xi)+c2r2(gbest i-xi)

(1)

xi=xi+vi

(2)

式中：ω為慣性因子，取值范圍在(0,1)，ω的取值可以對算法的全局搜索能力和局部搜索能力進行平衡調整；c1和c2是學習因子，能調整微粒自身經驗與群體經驗在其運動中所起作用的權重，通常取c1=c2=2；r1、r2是介于(0,1)的隨機數；每個粒子都有一個最大限制速度vmax，如果超過vmax，那么速度就被限定為vmax，故粒子i的速度vi∈[-vmax,vmax]．

1.3 二階振蕩粒子群算法

標準粒子群優化算法主要依靠粒子間的合作，粒子本身沒有變異機制，容易受制于局部極值約束陷入局部最優解，而無法得到全局最優解．

考慮到以上缺陷，國內外許多學者在標準粒子群優化算法的基礎上提出了自己的改進方法，目的是加快收斂速度，以跳出局部最優解．比較典型的粒子群改進算法有Clerc提出的通過使用收斂因子控制粒子的飛行速度[13]；Shi等提出按照線性遞減規律動態修改慣性因子的值[14]；文獻[15]提出學習因子同步變化和異步變化的思想；Angeline將遺傳算法的思想引入粒子群算法中，增加了變異機制[16]；文獻[17]通過結合模糊規則實現收斂因子的動態自適應調整．本文考慮到優化數學模型經簡化后目標函數復雜度較低，程序耗時較短，故選取了搜索精度較高的二階振蕩粒子群算法作為優化算法[18]．

二階振蕩粒子群算法的思想是將粒子速度的更新用粒子位置的改變來描述，并引入了振蕩因子，粒子i的速度更新公式為

vi=ωvi+c1r1[pbest i-(1+ε1)xi(t)+(1+ε1)xi(t-1)]+c2r2[gbest i-(1+ε2)×xi(t)+(1+ε2)xi(t-1)]

(3)

2 優化數學模型

2.1 目標函數

前人對于樁基礎優化數學模型中目標函數的設計已有研究，主要有以下兩種方案：一種是何水源等[19]提出的以承臺混凝土用量最小作為目標函數，從樁的幾何排布角度進行優化；另一種是李海峰等[20]、王成華等[5]提出的以樁基礎總造價最小作為目標函數，在滿足約束條件下通過總造價公式將可優化的設計參數聯系到一起，通過求造價的最小值對設計參數進行優化．

本文采用第二種方案，假定樁基礎造價與鋼筋混凝土用量成正比，以承臺和基樁總造價最小為目標函數進行優化．與其不同的是，樁長在樁基礎設計階段已通過知識推理模塊設計成最優長度，故在優化過程中可視為常量，這樣不但降低了樁基礎總造價函數的復雜度，而且能夠在選擇合理持力層的前提下對樁長進行優化，更符合實際工況．

以樁基礎總造價F為目標函數可表示為

F=F1+F2

(4)

式中：F1為承臺造價，F2為基樁造價．

承臺造價F1的表達式為

F1=C1abt+C2(Asaa+Asbb)ρs

(5)

式中：C1為承臺單位體積混凝土綜合單價，C2為承臺單位質量鋼筋綜合單價；a、b、t分別為承臺的長度、寬度、厚度；Asa和Asb分別為沿承臺長和寬兩個方向的配筋面積；ρs為鋼筋的密度，一般取為7.8 t/m3．

基樁造價F2的表達式為

F2=∑C3Al+2C4Alρiρs/3

(6)

式中：C3為樁單位體積混凝土綜合單價，C4為樁單位質量鋼筋綜合單價；A為樁身截面積；l為樁長；ρi為截面配筋率．

2.2 優化設計變量

由目標函數可知，在給定鋼筋混凝土造價和配筋參數的前提下，樁長、樁徑、樁數、承臺長度、承臺寬度和承臺厚度都是影響樁基礎總造價的重要因素，應選為優化設計變量．但樁長已通過CLIPS推理為最優樁長，故不再選為優化設計變量．樁間距的大小會影響到承臺尺寸和樁基礎最終沉降量，也應選為優化設計變量．

2.3 約束條件

樁基礎優化設計需要滿足三個方面的約束條件：強度約束、變形約束和構造約束．

強度約束包括單樁承載力約束、樁身強度約束、承臺抗彎承載力約束、承臺抗沖切承載力約束、承臺抗剪切承載力約束和局部受壓承載力約束，以上樁基礎設計公式參見《建筑樁基技術規范》(JGJ 94—2008)．

變形約束主要指沉降約束：

S≤[S]

(7)

式中：S為樁基礎最終沉降量；[S]為規范規定的沉降允許值．

構造約束條件限制樁徑、樁長、樁間距和承臺厚度，表達式如下：

dmin≤d≤dmax

(8)

H1≤l+z≤H2

(9)

3d≤s≤6d

(10)

t≥t0

(11)

式中：dmax和dmin分別為施工條件允許的最大和最小樁徑，一般可取dmax=1 m，dmin=0.3 m；z為承臺相對于天然地面的埋深；H1和H2分別為持力層頂面和底面的高度；s為樁間距；t為承臺厚度，t0為某一下限值．

3 樁基礎優化設計系統

3.1 系統組成結構

樁基礎優化設計系統在輔助用戶參照規范完成樁基礎設計的基礎上實現優化，系統由樁基礎埋深推理、樁基礎設計參數控制、樁基礎設計模型控制和圖形控制等模塊組成，組成結構如圖2所示.

圖2 樁基礎優化設計系統組成結構Fig.2 Composition structure of pile foundationnoptimum design system

系統通過樁基礎設計參數控制模塊獲取建筑場地的工程地質條件、上部結構荷載和鋼筋混凝土材料等參數，它為樁基礎埋深推理模塊與樁基礎設計模型控制模塊提供數據支持，由于涉及的數據量不大，選用Microsoft Office Access數據庫．

樁基礎埋深推理模塊通過CLIPS對樁基礎設計參數控制模塊提供的數據進行推理分析，得出當前條件下最優土層作為樁端持力層，然后根據樁基礎規范規定確定樁端嵌入持力層的最小深度，進而得出當前建筑場地條件下最優的基礎埋深，最優樁長通過基礎埋深減去承臺埋深得到．

樁基礎設計模型控制模塊通過面向對象方法在類內部實現樁基礎設計功能，包括單樁承載力計算、樁數初步估算、初選承臺尺寸、單樁承載力驗算、軟弱下臥層驗算、樁基礎沉降計算、樁身結構強度驗算和承臺設計驗算．如設計不滿足規范要求，系統會提示用戶修改相應設計參數重新計算，樁基礎設計界面如圖3所示.

圖3 樁基礎設計界面Fig.3 Pile foundation design interface

圖形控制模塊通過ObjectARX技術對CAD進行二次開發并建立圖形庫，為樁基礎設計模型控制模塊提供工程圖例支持．

3.2 樁基礎優化程序

作者基于知識推理和二階振蕩粒子群算法運用C#語言編制了樁基礎優化程序，程序流程圖如圖4所示．優化程序可通過調用樁基礎設計程序檢驗初始化粒子是否滿足樁基礎設計要求，如不滿足要求，則重新初始化粒子．程序的隨機數生成通過C#語言自帶的Random類實現.

圖4 樁基礎優化程序流程圖Fig.4 Flow chart of pile foundation optimum program

4 工程算例分析

某十層實驗教學樓位于市中心區，上部結構為框架結構，主梁、次梁、樓板均為現澆整體式，混凝土強度等級為C30．建筑場地地勢平坦，位于非地震地區．場地地下水為潛水，距離地表 2.1 m，根據已有資料，地下水對混凝土沒有腐蝕性．各土層的分布情況及物理力學性質指標見表1．

表1 各土層物理力學性質指標Tab.1 Physical and mechanical properties of soil layers

本工程選用預制樁基礎，為避免對環境的噪聲污染和對地層的擾動，采用靜壓法施工．系統的埋深推理模塊通過分析各土層的參數，選擇壓縮性較低、承載力較高的第4層粉土層作為樁端持力層，然后系統會自動根據知識庫中存儲的《建筑樁基技術規范》對當前的粉土持力層工況進行匹配，最終確定樁端全斷面進入持力層的最小深度為2d，其中d為樁徑．為防止地下水對承臺的影響，承臺埋深設計為1.8 m．最終確定樁基礎的最小埋深為20+2d．待設計階段確定樁基礎尺寸后可求出最優樁長．

下面以J6樁基礎設計為例進行分析．框架柱截面尺寸300 mm×400 mm，傳至樁基礎的荷載效應標準組合為豎向力N=5 080.6 kN，x方向彎矩Mx=62.4 kN·m，y方向彎矩My=-13.4 kN·m，x方向水平力Qx=35.0 kN，y方向水平力Qy=4.6 kN．預制樁的樁徑0.5 m，最優樁長最終確定為21 m．承臺設計成6樁承臺，兩排，承臺尺寸4 500 mm×2 500 mm，承臺厚度1.1 m．混凝土強度等級為C25，鋼筋采用HRB335型號．經單樁承載力驗算、軟弱下臥層驗算、樁基礎沉降計算、樁身結構強度驗算和承臺設計驗算，均滿足規范要求．

本文對J6樁基礎進行優化，優化變量選擇樁徑、樁數、樁間距、承臺長度、承臺寬度和承臺厚度，優化結果如表2所示．

表2 J6樁基礎優化計算結果Tab.2 Optimization calculation results of J6 pile foundation

由表2可知，相比于原設計方案，優化方案的樁徑、樁間距、承臺長度、承臺寬度及承臺厚度都有所減少．優化后的混凝土用量為27.13 m3，與原設計方案的37.12 m3相比節約了近27%．

5 結 論

(1)本系統通過C#語言內嵌CLIPS推理機的方式實現樁基礎埋深推理功能，可以推理出最優樁長，從而簡化優化數學模型中的優化變量．

(2)以承臺和基樁總造價為目標函數，將各優化變量通過數學公式聯系到一起，以規范要求的樁基礎設計強度、地基變形和承臺構造為依據建立約束條件．

(3)引入二階振蕩粒子群算法作為樁基礎優化算法，結合優化數學模型和約束條件編制出樁基礎優化程序，該算法能夠避免陷入局部最優解，同時具有收斂速度快、搜索精度高的優點．

(4)通過一個十層實驗教學樓案例對系統的設計優化功能進行測試分析，程序計算結果對于近一步研究樁基礎優化問題具有一定的指導意義．

[1]陽吉寶,趙錫宏. 高層建筑樁箱(筏)基礎的優化設計[J]. 計算力學學報, 1997, 14(2):241-244.

YANG Jibao, ZHAO Xihong. Optimum design for piled box (raft) foundation of tall building [J]. Chinese Journal of Computational Mechanics, 1997, 14(2):241-244. (in Chinese)

[2]陽吉寶,任 臻,周小剛. 帶裙房的高層建筑基礎的優化設計[J]. 土木工程學報, 1998, 31(5):39-47.

YANG Jibao, REN Zhen, ZHOU Xiaogang. Optimum design of foundations for high-rise buildings with podiums [J]. China Civil Engineering Journal, 1998, 31(5):39-47. (in Chinese)

[3]楊 敏,殷海濤. 人工神經網絡確定和優化樁基持力層[J]. 同濟大學學報(自然科學版), 2007, 35(2):156-160.

YANG Min, YIN Haitao. Defining and optimizing bearing stratum of piles with ANN [J]. Journal of Tongji University (Natural Science), 2007, 35(2):156-160. (in Chinese)

[4]蔣曉靜. 多高層建筑上部結構和樁筏基礎優化方法研究[D]. 上海:上海交通大學, 2007.

JIANG Xiaojing. Optimization research on superstructure of tall buildings and piled raft foundation [D]. Shanghai:Shanghai Jiao Tong University, 2007. (in Chinese)

[5]王成華,曾超峰,劉偉鵬. 基于混沌粒子群算法的樁基礎優化設計方法[J]. 建筑結構, 2016, 46(2):76-81.

WANG Chenghua, ZENG Chaofeng, LIU Weipeng. Optimal design method for pile foundation based on chaotic particle swarm algorithm [J]. Building Structure, 2016, 46(2):76-81. (in Chinese)

[6]劉偉鵬. 豎向荷載作用下群樁的混沌粒子群優化設計方法研究[D]. 天津:天津大學, 2007.

LIU Weipeng. Researches of the chaotic particle swarm optimization design method for group piles under vertical loadings [D]. Tianjin:Tianjin University, 2007. (in Chinese)

[7]鄧海平,何玉林,杜 靜,等. CLIPS嵌入VC++技術的實現與應用[J]. 計算機工程與應用, 2005, 41(15):88-90, 132.

DENG Haiping, HE Yulin, DU Jing,etal. The realization and application of the technology embedding CLIPS within VC++ [J]. Computer Engineering and Applications, 2005, 41(15):88-90, 132. (in Chinese)

[8]吉奧克 J C,賴利 G D. 專家系統原理與編程[M]. 印 鑒,陳憶群,劉星成,譯. 北京:機械工業出版社, 2006.

GIARRATANO J C, RILEY G D. Expert Systems Principles and Programming [M]. YIN Jian, CHEN Yiqun, LIU Xingcheng, trans. Beijing:Machinery Industry Press, 2006. (in Chinese)

[9]韋 遼. 在C#.NET中調用CLIPS的技術實現與應用[J]. 機械工程師, 2015(2):39-41.

WEI Liao. Implementation and application of calling the CLIPS technology in the C#.NET [J]. Mechanical Engineer, 2015(2):39-41. (in Chinese)

[10]周海清,王權明,陳正漢. 內嵌CLIPS推理引擎的中文專家系統開發工具及其在廈門市深基坑支護結構選型專家系統中的應用[J]. 巖石力學與工程學報, 2002, 21(z2):2558-2561.

ZHOU Haiqing, WANG Quanming, CHEN Zhenghan. Realization of a Chinese expert system developing tool with the CLIPS reasoning engine embedded [J]. Chinese Journal of Rock Mechanics and Engineering, 2002, 21(z2):2558-2561. (in Chinese)

[11]李正良,楊 光,晏致濤. 高層建筑基礎設計智能決策支持系統研究[J]. 地下空間, 2004, 24(2):208-211, 219.

LI Zhengliang, YANG Guang, YAN Zhitao. Research on intelligent decision support system for design of high-rise buildings foundation scheme [J]. Underground Space, 2004, 24(2):208-211,219. (in Chinese)

[12]KENNEDY J, EBERHART R C. Particle swarm optimization [C] // Proceedings of the 1995 IEEE International Conference on Neural Networks. Piscataway:IEEE Press, 1995.

[13]CLERC M. The swarm and the queen:towards a deterministic and adaptive particle swarm optimization [C] // Proceedings of the 1999 Congress on Evolutionary Computation-CEC99. Piscataway:IEEE, 1999.

[14]SHI Yuhui, EBERHART R C. Parameter selection in particle swarm optimization [J]. Lecture Notes in Computer Science, 1998, 1447:591-600.

[15]SHI Yuhui, EBERHART R C. Modified particle swarm optimizer [C] // Proceedings of the IEEE Conference on Evolutionary Computation, ICEC. Piscataway:IEEE, 1998:69-73.

[16]ANGELINE P J. Evolutionary optimization versus particle swarm optimization:philosophy and performance differences [C] // Proceedings of the 7th Annual Conference on Evolutionary Programming. Berlin:Springer-Verlag, 1998:601-610.

[17]SHI Yuhui, EBERHART R C. Fuzzy adaptive particle swarm optimization [C] // Proceedings of the 2001 Congress on Evolutionary Computation. Piscataway:IEEE, 2001:101-106.

[18]李武軍,周 洲,許 放,等. 基于二階振蕩粒子群算法的高空長航時無人機翼型設計方法研究[C] // 2014(第五屆)中國無人機大會論文集. 北京:航空工業出版社, 2014.

LI Wujun, ZHOU Zhou, XU Fang,etal. Research on high-altitude long-endurance UAV airfoil based on second order oscillating particle swarm optimization algorithm [C] // Proceedings of 2014 (the 5th) China UAV Congress. Beijing:Aviation Industry Press, 2014. (in Chinese)

[19]何水源,鄧安福,王 成. 群樁基礎優化設計及其在工業廠房中的應用[J]. 重慶建筑大學學報, 1999, 21(2):23-27.

HE Shuiyuan, DENG Anfu, WANG Cheng. Optimum design for pile group foundation and its application in factory building [J]. Journal of Chongqing Jianzhu University, 1999, 21(2):23-27. (in Chinese)

[20]李海峰,陳曉平. 高層建筑樁筏基礎優化設計研究[J]. 巖土力學, 1998, 19(3):59-64.

LI Haifeng, CHEN Xiaoping. Research on optimizing design of pile raft foundation for high-rise building [J]. Rock and Soil Mechanics, 1998, 19(3):59-64. (in Chinese)

Pile foundation optimum design based on knowledge reasoning and second order oscillating particle swarm algorithm

YU Yazhou1,WANG Yin1,YANG Qing*1,CHEN Long2

(1.State Key Laboratory of Coastal and Offshore Engineering, Dalian University of Technology, Dalian 116024, China；2.School of Civil Engineering, Dalian University of Technology, Dalian 116024, China )

In order to assist designers to complete pile foundation design work efficiently and reduce the construction cost, a pile foundation optimization design system based on knowledge reasoning and the second order oscillating particle swarm algorithm is developed. By combining C# language and CLIPS inference engine, the system can realize the reasoning function of pile foundation depth and find out the optimum pile length under current site condition. The objective function of optimum mathematical model is designed based on the construction cost, and the optimum variables are simplified according to the optimum pile length. The second order oscillating particle swarm algorithm is selected as the optimization algorithm, and the pile foundation optimization program is worked out according to the constraints of code for pile foundation design. Finally, a ten-storey experimental teaching building is chosen as an example to prove the feasibility of the optimization algorithm.

knowledge reasoning; the second order oscillating particle swarm algorithm; pile foundation optimum design; construction cost

1000-8608(2017)04-0383-07

2016-12-10；

2017-05-12．

國家自然科學基金資助項目(41572252)；國家自然科學基金青年基金資助項目(51409036).

于亞洲(1990-)，男，碩士，E-mail:yazhou_yu@163.com；楊 慶*(1964-)，男，博士，教授，博士生導師，E-mail:qyang@dlut.edu.cn.

TU473.12

A

10.7511/dllgxb201704008