加劲U型钢板桩失稳临界荷载动态配位系数法

沈才华; 于瀚森; 蒋新宇; 唐凯; 李菁文

doi:10.3969/j.issn.0258-2724.20220508

加劲U型钢板桩失稳临界荷载动态配位系数法

doi: 10.3969/j.issn.0258-2724.20220508

1.
河海大学土木与交通学院，江苏南京 210098
2.
宜兴市工程建设施工图审查中心，江苏宜兴 214200
3.
保利长大海外工程有限公司，广东广州 510623

基金项目: 国家自然科学基金（41830110，52278400）；浙江省交通运输厅科技计划（2022-GCKY-12）；江苏省交通运输厅科技项目（2022Y04）

详细信息

作者简介:
沈才华（1976—），男，副教授，博士，研究方向为地下土程渐进破坏理论及岩土工程，E-mail： shencaihua@163.com

中图分类号: TU392.1
计量
- 文章访问数: 300
- HTML全文浏览量: 185
- PDF下载量: 21
- 被引次数: 0
出版历程
- 收稿日期: 2022-07-20
- 修回日期: 2022-11-16
- 网络出版日期: 2023-02-24
- 刊出日期: 2022-11-24

Dynamic Coordination Coefficient Method for Critical Buckling Load of Stiffened U-Shaped Steel Sheet Pile

1.
College of Civil and Transportation Engineering, Hohai University, Nanjing 210098, China
2.
Yixing City Construction Drawing Review Center, Yixing 214200, China
3.
Poly Changda Engineering Co., Ltd., Guangzhou 510623, China

摘要

摘要:
针对U型钢板桩插打容易发生屈曲的问题，提出 U型钢板桩局部加劲效应理论计算的“动态配位系数法”，建立了局部加劲U型钢板桩失稳临界荷载计算式，并分析了加劲面积、加劲位置、加劲板数量对加劲效应（即失稳临界荷载）的影响规律. 研究结果表明：加劲总面积（即加劲板累计宽度）一定时，对于长度确定的U型钢板桩，存在使构件临界荷载值最大化的加劲板布置方案，并揭示了块数太多时由于单块加劲板宽度太小而引起的局部失稳规律；以10 m长U型钢板桩为例，构件临界荷载值随单块加劲板布置位置的变化可提高13.55%，并求得20 m长的U型钢板桩不同加劲总面积对应的加劲板布置优化理论方案，为实际工程中U型板桩局部加劲方案设计提供了理论依据和参考.
- U型钢板桩 /
- 轴压构件 /
- 加劲效应 /
- 动态配位系数法 /
- 临界荷载
Abstract:
Since U-shaped steel sheet piles (USSSPs) are prone to buckle, a dynamic coordination coefficient method for theoretically calculating the local stiffening effect of USSSPs is proposed, and a formula for calculating the critical buckling load of locally stiffened USSSPs is established. The influence of different stiffening areas, stiffening positions, and number of stiffened plates on the stiffening effect (i.e., critical buckling load) is analyzed. The study shows that when the total stiffening area (i.e., cumulative width of stiffened plates) is constant, for the USSSP with determined length, there is a stiffened plate arrangement scheme to maximize the critical load value of the component, and the local buckling law caused by too small width of a single stiffened plate when the number of plates is too large is revealed. As an example, the critical load value of the component of the USSSP with a length of 10 m can be increased by 13.55% with the change of the position of the single stiffened plate, and the optimal theoretical scheme of stiffened plate arrangement corresponding to different total stiffening areas of the USSSP with a length of 20 m is obtained. This paper provides a theoretical basis and reference for the design of the local stiffening scheme of USSSPs in practical engineering.
- U-shaped steel sheet pile /
- axially-compressed columns /
- stiffening effect /
- dynamic correlation coefficient method /
- critical load

HTML全文

随着我国西部大开发的不断开展，高海拔隧道建设越来越多，规划建设的某高原铁路沿线海拔多高于3 km，桥隧比在80%以上，拥有数座长度超过20 km的铁路隧道. 为克服高海拔隧道施工低压低氧的困难，保障施工人员工作效率及生理健康，供氧是最直接的改善措施之一. 众多学者对高海拔供氧进行了相关研究，郭春等^[1-2]研究了高海拔供氧标准，得到了不同劳动强度和不同海拔高度下人体最低需氧量；孙志涛^[3]对高海拔施工缺氧进行了分级，得到了高海拔隧道施工氧含量的控制标准；王明年等^[4-5]对高海拔施工供氧技术进行了总结，得到高海拔供氧技术，包含个人携氧供氧、弥散式供氧、综合供氧、氧吧车供氧和室内鼻息式供氧，在不同隧道施工工序下应组合供氧方法和供氧系统，以适应不同劳动强度下施工人员的供氧需求和心理需求；谢文强^[6]对高海拔隧道施工供氧标准进行了研究，得到了不同海拔高度人体所需最小耗氧量和通气量；严涛等^[7]对高海拔供氧参数进行研究，建议海拔高度在3 000 m以上施工进行供氧. 目前高海拔隧道施工供氧方面的研究，主要集中在供氧标准及供氧方式两部分，研究手段基本以理论分析与公式推导为主，缺少现场的实际测试.

在数据拟合方面，BP （back propagation）神经网络目前在多维变量拟合应用中较多，由于BP神经网络自身存在收敛慢、波动大的缺陷^[8-10]，大量学者基于BP神经网络做了较多优化，并进行了应用. Wang 等^[11]通过MEC-BP神经网络对箱梁施工扰度进行了拟合预测，得到MEC-BP神经网络拟合预测结果优于BP神经网络结构；李步遥等^[12]基于MEC-BP神经网络对基坑水平位移进行了反演分析，得到MEC-BP神经网络收敛速度快于GA-BP神经网络^[8]，且结果优于GA-BP （genetic algorithms back propagation）神经网络和BP神经网络；王春晓等^[13]基于MEC-BP神经网络对群桩轴力进行预测，得到MEC-BP神经网络预测精度及准确度明显高于BP神经网络.

本文通过高海拔隧道供氧实验，对高海拔隧道施工人员进行现场测试，并运用MEC-BP神经网络对现场测试数据进行拟合，研究高海拔人员劳动功率和氧浓度对劳动强度的影响规律，其中劳动强度通过平均能量代谢率表示.

1. MEC-BP神经网络模型简介

1.1 BP神经网络

BP神经网络算法^[11]是一种基于输出误差逆向传播的多层前馈神经网络算法，对于三层前馈神经网络，其基本结构由输入层、隐含层、输出层构成，根据神经网络层建立的输入输出函数Q以及误差函数E 分别为

$Q = \psi \left( \sum\limits_{j = 1}^m {{w_{jk}}{y_i} - \theta _k} \right) = \psi \left( \sum\limits_{j = 1}^m {{w_{jk}}\varphi \left( \sum\limits_{i = 1}^n {{w_{ik}}{x_i}} - \theta _j \right)} - \theta _k \right),$

(1)

$E = \frac{1}{{2S}}\sum\limits_{t = 1}^S {{{({T_t} - {O_t})}^2}},$

(2)

式中： $\psi ({\text{•}})$ 和 $\varphi ({\text{•}})$ 分别为输出层和隐含层的传递函数； $w_{jk}$ 、 $w _{ik}$ 分别为第k个输出层下的第j个隐含层和第i个输入层的连接权重； $\theta _j$ 、 $\theta _k$ 分别为第j个隐含层和第k个输出层的阈值；S为样本数量； $O$ _t为第t个样本预测输出值； $x_i$ 和 $y_i$ 分别为隐含层输入和输出值； $T_t$ 为实验测试值.

由于BP神经网络算法存在收敛慢和局部最小值的缺陷，接下来引入思维进化算法（MEC）对BP神经网络进行优化.

1.2 MEC算法

MEC算法^[11]是一种基于遗传算法改进的优化算法，运用MEC算法对BP神经网络的权值和阈值进行最优搜索，能提高BP神经网络的收敛速度和精度. 其基本步骤如下：

步骤1　种群初始化. 先将总体随机分成a个个体(m₁，m_2，…，m_a)，通过式（3）对各个体进行打分，并根据分数将个体分为w个优等子种群（每个优等种群包含b个个体）和r个临时子种群（每个临时种群包含h个个体）两大类，这两个种群分别用M_supi和M_temi表达，如式（4）所示.

$S = \frac{1}{{1 + E}} ,$

(3)

$\left\{ \begin{gathered} {M_{\sup i}} = \{ {m_1},{m_2}, \cdots, {m_b}\},\quad i = 1,2, \cdots, w , \\ {M_{{\rm{tem}}i}} = \{ {m_1},{m_2}, \cdots, {m_h}\} ,\quad i = 1,2, \cdots, r . \end{gathered} \right.$

(4)

步骤2　种群内竞争. 选出在每个子种群中得分最高的个体，按照正态分布将得分重新排序并再次进行得分计算，当最高得分者保持不变时，该最高得分者所在子种群即视为成熟，最高得分即代表该子种群得分.

步骤3　种群间竞争. 如果临时子种群（S_temi）得分高于成熟的优等子种群（S_supi），那么成熟的优等种群将会被该临时种群替代. 相反，如果临时种群得分较低，那么该临时种群将会解散，再重新生成新的临时种群，步骤2将产生新的临时种群.

1.3 MEC-BP神经网络拟合预测模型

MEC-BP神经网络拟合预测模型框架如图1所示. 图中：i_max、E_max分别为最大迭代次数和最大误差.

图 1 MEC-BP神经网络框架

Figure 1. MEC-BP neural network framework

下载: 全尺寸图片幻灯片

其基本流程为根据所选数据结构确定BP神经网络结构，通过MEC方法优化获得BP神经网络权值和阈值，进而得到优化的BP神经网络，通过优化的BP神经网络对给予的测试数据进行验证和预测.

2. 高海拔隧道供氧实验

高海拔供氧实验在西藏拉萨达孜区的圭嘎拉隧道进行，实验地点海拔高度约为4 200 m，实验测试对象为现场6名隧道技术施工人员，年龄在20岁～30岁，现场测试及仪器如图2所示.

图 2 现场测试及实验仪器

Figure 2. Field test and experimental instrument diagram

下载: 全尺寸图片幻灯片

实验通过调节供氧端制氧含量来设置供氧浓度，根据相关资料研究的氧浓度安全上限和实验的安全性^{[6, 14]}，供氧浓度设置为20.9%、25.0%和29.0%，通过调节骑行台设置50、75、100 W的骑行功率. 实验中，每位测试人员需在不同的氧浓度和骑行功率下骑行10 min，最后记录肺通量和相关生理参数. 根据相关肺通量和平均能量代谢率关系式^[15-16]，将标准化后的肺通量数值按照式（4）计算平均能量代谢率，现场测试及计算数据如表1所示.

表 1 现场测试及计算数据

Table 1. Field test and calculation data

测试人员编号	氧浓度/%	功率/W	肺通量/(L·min⁻¹)	A/m²	测试环境温度/K	标准肺通气量/ (L·min⁻¹)	平均能量代谢率/ (kJ·(min·m²)⁻¹)
1 号	20.9	50	10.52	1.86	298.15	5.78	0.57
	25.0	50	7.88	1.86	286.15	4.51	0.50
	29.0	50	7.29	1.86	284.15	4.20	0.48
	20.9	75	20.03	1.86	296.15	11.08	0.96
	25.0	75	17.07	1.86	288.15	9.71	0.69
	29.0	75	17.02	1.86	290.15	9.61	0.67
	20.9	100	32.75	1.86	298.15	18.00	2.21
	25.0	100	27.88	1.86	292.15	15.64	1.80
	29.0	100	27.94	1.86	292.15	15.67	1.80
2 号	20.9	50	9.75	1.80	299.15	5.34	0.56
	25.0	50	7.52	1.80	292.15	4.22	0.49
	29.0	50	6.73	1.80	284.15	3.88	0.47
	20.9	75	20.45	1.80	298.15	11.24	1.06
	25.0	75	18.12	1.80	298.15	9.96	0.81
	29.0	75	16.41	1.80	284.15	9.46	0.71
	20.9	100	27.54	1.80	298.15	15.13	1.80
	25.0	100	23.89	1.80	290.15	13.49	1.50
	29.0	100	22.87	1.80	289.15	12.96	1.39
3 号	20.9	50	8.64	1.72	298.15	4.75	0.53
	25.0	50	7.39	1.72	291.15	4.16	0.50
	29.0	50	6.91	1.72	283.15	4.00	0.49
	20.9	75	23.56	1.72	297.15	12.99	1.52
	25.0	75	20.45	1.72	298.15	11.24	1.17
	29.0	75	19.31	1.72	285.15	11.10	1.14
	20.9	100	29.44	1.72	298.15	16.18	2.14
	25.0	100	26.56	1.72	289.15	15.05	1.92
	29.0	100	25.44	1.72	285.15	14.62	1.84
4 号	20.9	50	10.74	1.85	298.15	5.90	0.59
	25.0	50	7.86	1.85	291.15	4.42	0.49
	29.0	50	6.66	1.85	282.15	3.87	0.46
	20.9	75	18.64	1.85	295.15	10.35	0.83
	25.0	75	16.24	1.85	292.15	9.11	0.59
	29.0	75	13.52	1.85	284.15	7.80	0.53
	20.9	100	25.79	1.85	298.15	14.17	1.55
	25.0	100	22.17	1.85	300.15	12.10	1.17
	29.0	100	21.25	1.85	283.15	12.30	1.20
5 号	20.9	50	10.22	1.99	298.15	5.62	0.54
	25.0	50	8.54	1.99	292.15	4.79	0.49
	29.0	50	7.47	1.99	282.15	4.34	0.47
	20.9	75	19.39	1.99	298.15	10.66	0.74
	25.0	75	18.72	1.99	292.15	10.50	0.71
	29.0	75	18.35	1.99	283.15	10.62	0.73
	20.9	100	28.27	1.99	298.15	15.54	1.60
	25.0	100	25.88	1.99	299.15	14.17	1.37
	29.0	100	24.33	1.99	285.15	13.98	1.33
6 号	20.9	50	9.99	1.85	298.15	5.49	0.56
	25.0	50	7.35	1.85	291.15	4.14	0.48
	29.0	50	6.19	1.85	282.15	3.59	0.45
	20.9	75	19.31	1.85	298.15	10.61	0.88
	25.0	75	19.17	1.85	294.15	10.68	0.89
	29.0	75	18.84	1.85	292.15	10.57	0.87
	20.9	100	27.5	1.85	300.15	15.01	1.70
	25.0	100	26.09	1.85	299.15	14.29	1.57
	29.0	100	25.13	1.85	289.15	14.24	1.56

下载: 导出CSV

| 显示表格

$V_{\rm{E}} = \frac{{V_1P_1T}}{{PT_1}} ,$

(5)

$\left\{ \begin{gathered} \lg \; M = 0.094 \; 5\frac{V_{\rm{E}}}{A} - 0.533\;94, \quad V_{\rm{E}} \in (3.0,7.3), \\ M = \dfrac{{{{10}^{0.094\;5\tfrac{{V_{\rm{E}}}}{A} - 0.533\;94}} + 13.26 - {{10}^{1.164\;8 - 0.012\;58\tfrac{{V_{\rm{E}}}}{A}}}}}{2}, \\ \lg (13.26 - M) = 1.164\;8 - 0.012\;58\frac{{V_{\rm{E}}}}{A},\quad V_{\rm{E}} \geqslant 8.0, \\ \quad V_{\rm{E}} \in [7.3,8.0) , \\ \end{gathered} \right.$

(6)

式中： $V_{\rm{E}}$ 为标准状态肺通气量（L/min）； $V_{1}$ 为相应海拔高度下肺通气量（L/min）；P为标准大气压（101.325 kPa）；P₁为相应海拔高度下大气压（实测取60.8 kPa）；T为标准状态温度（273.15 K）；T₁为相应海拔高度下温度（K）；M为平均能量代谢率（kJ/（min•m²））；A为体表面积（m²），如式（7）.

$A = 0.006 \;1H + 0.012\; 4W - 0.009\; 9 \text{，}$

(7)

式中：H为身高（cm）；W为体重（kg）.

从测试数据中看出，高海拔施工人员平均能量代谢率较低，且在100 W时最大平均能量代谢率为2.21 kJ/（min•m²）；高海拔施工人员平均能量代谢率随着功率增加而增加，在相同骑行功率下，平均能量代谢率随着氧浓度增加有减小趋势，且在100 W骑行功率减小较为明显.

3. MEC-BP神经网络算法拟合结果

根据数据特征，输入神经元选2个（功率、氧浓度），隐藏神经元个数取为10个，输出神经元为1个（平均新陈代谢率），种群规模大小取为100，训练数据取前5个人的45个数据，测试数据取最后1个人的9个数据. 神经网络结构如图3所示. 运用MATLAB R2016a对测试数据进行拟合，MEC-BP迭代次数及拟合优度如图4所示. 图5和图6分别给出了GA-BP和BP神经网络拟合优度及均方误差. 根据式（2）计算出MEC-BP、GA-BP、BP神经网络测试值与预测值均方误差分别为0.0139、0.0130、0.0255. 从拟合优度可以看出，MEC-BP神经网络优化算法相对较好，且均方误差较小，在计算过程中收敛速度快，在第4迭代步时验证集拟合均方根误差达到最小值0.054，在短时间内通过训练能达到较高拟合度，且训练、验证和测试的拟合优度较为平稳.

图 3 BP神经网络结构

Figure 3. Structure diagram of BP neural network

下载: 全尺寸图片幻灯片

图 4 MEC-BP迭代收敛及拟合优度

Figure 4. MEC-BP iterative convergence and goodness of fit

下载: 全尺寸图片幻灯片

图 5 GA-BP拟合优度

Figure 5. GA-BP goodness of fit

下载: 全尺寸图片幻灯片

图 6 BP拟合优度

Figure 6. BP goodness of fit

下载: 全尺寸图片幻灯片

从图7可以看出：在骑行功率为50 W时，平均能量代谢率随氧浓度变化不明显；在骑行功率为75 W时，平均能量代谢率随着氧浓度增加而减小，减小梯度小于100 W时变化曲率；在功率100 W时，当氧浓度小于25%时，平均能量代谢率随着氧浓度增加逐渐减小，当氧浓度大于25%时，平均能量代谢率随着氧浓度增加趋于平稳.

图 7 MEC-BP拟合平均能量代谢率变化

Figure 7. MEC-BP fitting average energy metabolic rate change chart

下载: 全尺寸图片幻灯片

4. 结　论

通过在高海拔进行高原供氧实验，运用MEC-BP神经网络优化算法对高海拔供氧测试数据进行了拟合，得到如下结论：

1）通过MEC-BP神经网络拟合的测试数据可以看出，拟合曲线变化规律与现场测试数据变化规律基本一致，验证了MEC-BP神经网络拟合的有效性.

2）通过不同算法对比分析了高原供氧数据拟合结果的准确性，MEC-BP神经网络在测试、验证和训练的拟合优度上相对稳定且精度较高，均方误差较小，拟合效果较好，可为多维数据拟合提供参考.

3）通过高海拔现场测试和MEC-BP神经网络拟合数据得到，50 W和75 W骑行功率下平均能量代谢率随氧浓度变化较小，100 W骑行功率下平均能量代谢率随氧浓度变化较大；25%供氧浓度可以作为4 200 m高海拔较高劳动强度的供氧浓度参考值.

致谢：成都哲学社会科学规划项目（2019CS107）；成都市科技项目（2019-YFYF-00121-SN）.

图 1 未加劲U型钢板桩示意

Figure 1. Diagram of unstiffened U-shaped steel sheet pile

下载: 全尺寸图片幻灯片

图 2 全长加劲后U型钢板桩示意

Figure 2. Diagram of full-length stiffened U-shaped steel sheet pile

下载: 全尺寸图片幻灯片

图 3 U型钢板桩纵向加劲

Figure 3. Longitudinal stiffening of U-shaped steel sheet pile

下载: 全尺寸图片幻灯片

图 4 一块加劲板的位置函数

Figure 4. Position function of a stiffened plate

下载: 全尺寸图片幻灯片

图 5 n 块加劲板的内包络线位置函数

Figure 5. Inner envelope position function of n stiffened plates

下载: 全尺寸图片幻灯片

图 6 S_1-1示意

Figure 6. Diagram of S_1-1

下载: 全尺寸图片幻灯片

图 7 S_∑示意

Figure 7. Diagram of S_∑

下载: 全尺寸图片幻灯片

图 8 第i块加劲板动态配位系数示意

Figure 8. Illustration of dynamic coordination coefficient of i-th stiffened plate

下载: 全尺寸图片幻灯片

图 9 加劲板等间距布置

Figure 9. Stiffened plate spacing arrangement

下载: 全尺寸图片幻灯片

图 10 加劲板位置示意

Figure 10. Schematic diagram of reinforcement position

下载: 全尺寸图片幻灯片

图 11 加劲位置效应

Figure 11. Stiffening plate position effect diagram

下载: 全尺寸图片幻灯片

图 12 加劲面积与临界荷载值的关系

Figure 12. Relationship between stiffening area and critical load value

下载: 全尺寸图片幻灯片

图 13 加劲板数量与临界荷载的无量纲化关系

Figure 13. Dimensionless relationship between number of stiffened plates and critical load

下载: 全尺寸图片幻灯片

图 14 现场施工图

Figure 14. On-site construction drawing

下载: 全尺寸图片幻灯片

表 1 标准U型钢板桩及全长加劲下临界荷载

Table 1. Critical load of standard U-shaped steel sheet pile and U-shaped steel sheet pile under full-length stiffening

名称	l/m	$\varphi$	N_max/kN
U 型钢板桩	10	0.502	1216.00
	20	0.160	388.70
	30	0.075	181.62
全长加劲 U 型钢板桩	10	0.480	1828.16
	20	0.151	574.26
	30	0.070	267.68

下载: 导出CSV

表 2 20 m级构件临界荷载值最大化的加劲板布置优化方案

Table 2. Optimal arrangement of the number of stiffeners under different total stiffening areas for 20 m long members

加劲总面积/m²	单根加劲板宽度/m	最优加劲方案	构件临界荷载值/kN
[0,2.03）∪[14.18,15.00]	[0,2.7）∪[18.9,20.00]	纵向对称轴处布置 1 根加劲板	[388.70,435.42）∪[573.70,574.26]
[2.03,5.03）∪[13.35,14.18）	[2.7,6.7）∪[17.8,18.9）	等间距布置 2 根加劲板	[435.42,494.29）∪[574.22,574.26]
[5.03,6.15）∪[13.13,13.35）	[6.7,8.2）∪[17.5,17.8）	等间距布置 3 根加劲板	[494.29,513.11）∪[574.25,574.26]
[6.15,6.83）∪[13.05,13.13）	[8.2,9.1）∪[17.4,17.5）	等间距布置 4 根加劲板	[513.11,523.51）∪574.26
[6.83,7.28）∪[12.90,13.05）	[9.1,9.7）∪[17.2,17.4）	等间距布置 5 根加劲板	[523.51,530.05）∪574.26
[7.28,7.43）	[9.7,9.9）	等间距布置 6 根加劲板	[530.05,532.15）
[7.43,7.58）	[9.9,10.1）	等间距布置 7 根加劲板	[532.15,534.23）
[7.58,7.88）	[10.1,10.5）	等间距布置 8 根加劲板	[534.23,538.26）
[7.88,12.90）	[10.5,17.2）	等间距布置 10 根加劲板	[538.26,574.26]

下载: 导出CSV

参考文献(22)

[1]	SCHAFER B W. Local, distortional, and Euler buckling of thin-walled columns[J]. Journal of Structural Engineering, 2002, 128(3): 289-299. doi: 10.1061/(ASCE)0733-9445(2002)128:3(289)
[2]	LAU S C W, HANCOCK G J. Distortional buckling formulas for channel columns[J]. Journal of Structural Engineering, 1987, 113(5): 1063-1078. doi: 10.1061/(ASCE)0733-9445(1987)113:5(1063)
[3]	CAMOTIM D, DINIS P B. Coupled instabilities with distortional buckling in cold-formed steel lipped channel columns[J]. Thin-Walled Structures, 2011, 49(5): 562-575. doi: 10.1016/j.tws.2010.09.003
[4]	MUTHURAMAN M, ANURADHA R, AWOYERA P O, et al. Numerical simulation and specification provisions for buckling characteristics of a built-up steel column section subjected to axial loading[J]. Engineering Structures, 2020, 207: 110256.1-110256.8.
[5]	ZHANG L L, TAN K H, ZHAO O. Local stability of press-braked stainless steel angle and channel sections: testing, numerical modelling and design analysis[J]. Engineering Structures, 2020, 203: 109869.1-109869.18.
[6]	吕蕴龙,郭兵. 支吊架用卷边槽钢轴压构件的稳定性研究[J]. 建筑结构,2021,51(7): 85-90. doi: 10.19701/j.jzjg.2021.07.013 LÜ Yunlong, GUO Bing. Study on stability of cold-formed lipped channel steel axial compression members for supports and hangers[J]. Building Structure, 2021, 51(7): 85-90. doi: 10.19701/j.jzjg.2021.07.013
[7]	王春刚,张壮南,张耀春. 冷弯薄壁斜卷边槽钢轴压构件承载力计算的直接强度法研究[J]. 工程力学,2012,29(3): 75-82. WANG Chungang, ZHANG Zhuangnan, ZHANG Yaochun. Direct strength method study on bearing capacity calculation of channel columns with inclined simple edge stiffeners under axial compression[J]. Engineering Mechanics, 2012, 29(3): 75-82.
[8]	王子龙. 腹板V形加劲的冷弯卷边槽钢轴压下局部和畸变屈曲分析[D]. 哈尔滨: 哈尔滨工业大学, 2006.
[9]	姚永红. 腹板V形加劲冷弯薄壁卷边槽钢轴压柱稳定性能研究[D]. 哈尔滨: 哈尔滨工业大学, 2012.
[10]	胡启平,韩璐. 带缀板的开口薄壁钢构件整体稳定分析[J]. 江西建材,2015(9): 6-7. doi: 10.3969/j.issn.1006-2890.2015.09.005 HU Qiping, HAN Lu. Overall stability analysis of open thin-walled steel members with battens[J]. Jiangxi Building Materials, 2015(9): 6-7. doi: 10.3969/j.issn.1006-2890.2015.09.005
[11]	王春刚,张壮南,张耀春. 中间加劲复杂卷边槽钢轴心受压构件承载力试验研究[J]. 工程力学,2013,30(1): 221-228,254. doi: 10.6052/j.issn.1000-4750.2011.05.0328 WANG Chungang, ZHANG Zhuangnan, ZHANG Yaochun. Experimental investigation on channel columns with complex edge stiffeners and intermediate stiffeners under axial compression[J]. Engineering Mechanics, 2013, 30(1): 221-228,254. doi: 10.6052/j.issn.1000-4750.2011.05.0328
[12]	王春刚,张壮南,贾连光,等. 板件中间V形加劲复杂卷边槽钢轴压构件的稳定性能研究[J]. 工程力学,2012,29(增2): 113-116,121. doi: 10.6052/j.issn.1000-4750.2012.05.S022 WANG Chungang, ZHANG Zhuangnan, JIA Lianguang, et al. Stability behavior research of channels with complex edge stiffeners and intermediate V type stiffeners under axial compression[J]. Engineering Mechanics, 2012, 29(S2): 113-116,121. doi: 10.6052/j.issn.1000-4750.2012.05.S022
[13]	王春刚, 徐子风, 刘泓, 等. 腹板加劲复杂卷边槽钢偏心受压构件稳定性分析[C]//第22届全国结构工程学术会议论文集第Ⅱ册. 乌鲁木齐: [出版者不详], 2013: 303-306.
[14]	宋波,王连广,王春刚. 帽形加劲复杂卷边槽钢柱的稳定性能[J]. 东北大学学报(自然科学版),2018,39(1): 143-147. doi: 10.12068/j.issn.1005-3026.2018.01.029 SONG Bo, WANG Lianguang, WANG Chungang. Stability behavior of channel columns with complex edge stiffeners and cap shaped stiffeners[J]. Journal of Northeastern University (Natural Science), 2018, 39(1): 143-147. doi: 10.12068/j.issn.1005-3026.2018.01.029
[15]	姜亦鑫. 支吊架用卷边槽钢压弯构件的整体稳定性计算[J]. 计算机辅助工程,2021,30(2): 50-55. doi: 10.13340/j.cae.2021.02.009 JIANG Yixin. Global stability calculation on lipped channel compression flexural member for support and hanger[J]. Computer Aided Engineering, 2021, 30(2): 50-55. doi: 10.13340/j.cae.2021.02.009
[16]	陈明,周绪红,刘占科,等. 腹板加强型冷弯薄壁卷边槽钢柱受压性能试验研究[J]. 建筑结构学报,2017,38(2): 37-47. doi: 10.14006/j.jzjgxb.2017.02.005 CHEN Ming, ZHOU Xuhong, LIU Zhanke, et al. Experimental investigation of web-stiffened cold-formed lipped channel columns[J]. Journal of Building Structures, 2017, 38(2): 37-47. doi: 10.14006/j.jzjgxb.2017.02.005
[17]	孙觅. 加隔板的冷弯薄壁卷边槽钢偏心受压性能试验研究与有限元分析[D]. 杭州: 浙江大学, 2008.
[18]	杨文斌. 高强冷弯薄壁卷边槽钢轴心受压稳定性能研究[D]. 大连: 大连理工大学, 2020.
[19]	顾建飞,姚谏,钱国桢. 冷弯薄壁槽钢柱畸变屈曲的有限元分析及一种控制措施[J]. 科技通报,2007,23(1): 111-115. doi: 10.3969/j.issn.1001-7119.2007.01.022 GU Jianfei, YAO Jian, QIAN Guozhen. Finite element analysis and an effective measure to distortional buckling of cold-formed channel columns[J]. Bulletin of Science and Technology, 2007, 23(1): 111-115. doi: 10.3969/j.issn.1001-7119.2007.01.022
[20]	李元齐,刘翔,沈祖炎,等. 高强冷弯薄壁型钢卷边槽形截面轴压构件畸变屈曲控制试验研究[J]. 建筑结构学报,2010,31(11): 10-16. doi: 10.14006/j.jzjgxb.2010.11.002 LI Yuanqi, LIU Xiang, SHEN Zuyan, et al. Experimental study on distortional buckling control for high-strength cold-formed thin-walled steel lipped channel columns subject to axial compression[J]. Journal of Building Structures, 2010, 31(11): 10-16. doi: 10.14006/j.jzjgxb.2010.11.002
[21]	中华人民共和国建设部. 钢结构设计规范: GB 50017—2003[S]. 北京: 中国计划出版社, 2003.
[22]	欧领特. 钢板桩工程手册[M]. 北京: 人民交通出版社, 2011.

施引文献

附加材料(0)

访问统计

点击查看大图

图(14) / 表(2)

计量

文章访问数: 300
HTML全文浏览量: 185
PDF下载量: 21
被引次数: 0

1. MEC-BP神经网络模型简介
1.1 BP神经网络
1.2 MEC算法
1.3 MEC-BP神经网络拟合预测模型
2. 高海拔隧道供氧实验
3. MEC-BP神经网络算法拟合结果
4. 结　论

加劲U型钢板桩失稳临界荷载动态配位系数法

doi: 10.3969/j.issn.0258-2724.20220508

作者简介: 沈才华（1976—），男，副教授，博士，研究方向为地下土程渐进破坏理论及岩土工程，E-mail： shencaihua@163.com

计量

出版历程