Application of Artificial Neural Network for Predicting Shaft and Tip Resistances of Concrete Piles

Axial bearing capacity (ABC) of piles is usually determined by static load test (SLT). However, conducting SLT is costly and time-consuming. High strain dynamic pile testing (HSDPT) which is provided by pile driving analyzer (PDA) is a more recent approach for predicting the ABC of piles. In comparison to SLT, PDA test is quick and economical. Implementing feed forward back-propagation artificial neural network (ANN) for solving geotechnical problems has recently gained attention mainly due to its ability in finding complex nonlinear relationships among different parameters. In this study, an ANN-based predictive model for estimating ABC of piles and its distribution is proposed. For network construction purpose, 36 PDA tests were performed on various concrete piles in different project sites. The PDA results, pile geometrical characteristics as well as soil investigation data were used for training the ANN models. Findings indicate the feasibility of ANN in predicting ultimate, shaft and tip bearing resistances of piles. The coefficients of determination, R², equal to 0.941, 0.936, and 0.951 for testing data reveal that the shaft, tip and ultimate bearing capacities of piles predicted by ANN-based model are in close agreement with those of HSDPT. By using sensitivity analysis, it was found that the length and area of the piles are dominant factors in the proposed predictive model. ResumenLa Capacidad Axial de Soporte (ABC, en inglés) de un pilote de construcción se determina usualmente a través de una Prueba de Carga Estática (SLT, inglés). Sin embargo, estas pruebas son costosas y demandan tiempo. La evaluación de las Dinámicas de Alto Esfuerzo de Pilotes (HSDPT, inglés), que la provee el programa de Análisis de Excavación (PDA, inglés), es una forma de aproximación más reciente para preveer la Capacidad Axial de Soporte. En comparación con la Prueba de Cargas Estática, la evaluación PDA es rápida y económica. La implementación de Redes Neuronales Arficiales (ANN, en inglés) que permita resolver problemas geotécnicos ha ganado atención recientemente debido a su posibilidad de hallar relaciones no lineales entre los diferentes parámetros. En este estudio se propone un modelo predictivo ANN para estimar la Capacidad Axial de Soporte de pilotes y su distribución. Para fines de una red de construcción se realizaron 36 pruebas PDA en pilotes de diferentes proyectos. Los resultados de los Análisis de Excavación, las características geométricas de los pilotes, al igual que los datos de investigación del suelo se utilizaron para probar los modelos ANN. Los resultados indican la viabilidad del modelo ANN en predecir la resistencia de los pilotes. Los coeficientes de correlación, R², que alcanzaron 0.941, 09.36 y 0.951 para la evaluación de los datos, revelan que la capacidad del pilotaje en el último rodamiento, en el cojinete del eje y en la punta que se predijeron con el modelo ANN concuerda con las establecidas a través del HSDPT. A través del análisis de respuesta se determinó que la longitud y el área de los pilotes son factores dominantes en el modelo predictivo propuesto.

• Autores: Momeni, Ehsan; Nazir, Ramli; Jahed Armaghani, Danial; Maizir, Harnedi
• Tipo de recurso: Article of journal
• Fecha de publicación: 2015
• Institución: Universidad Nacional de Colombia
• Repositorio: Universidad Nacional de Colombia
• Idioma: spa
• OAI Identifier: oai:repositorio.unal.edu.co:unal/63650
• Acceso en línea: https://repositorio.unal.edu.co/handle/unal/63650; http://bdigital.unal.edu.co/64096/
• Palabra clave: 55 Ciencias de la tierra / Earth sciences and geology; Axial bearing capacity; artificial neural network; high strain dynamic testing; pile shaft resistance; pile tip resistance
• Rights: openAccess
• License: Atribución-NoComercial 4.0 Internacional