一种管桩竖向承载力预测方法、装置及电子设备

技术领域

本发明涉及管桩承载力预测技术领域，尤其涉及一种管桩竖向承载力预测方法、装置及电子设备。

背景技术

在城市现代化进程的推进过程中，变电站或是电厂项目选址一般离市中心越来越远，所处位置地基及桩基工程往往缺乏地区经验，尤其在复杂场地条件下，工程中往往采用预应力混凝土管桩(PHC管桩，Pre-Stressed High-Strength Concrete)来增强地基的承载能力，减少地基不均匀沉降，保证变电站的安全。

目前，检测管桩承载力的试验手段包括现场原体试验(堆载法)以及自平衡静载试验法。在现场试验测试桩承载力时，常规的加载方式必须解决几百吨甚至上千吨的荷载来源、堆放及运输问题，或是必须设置多根锚桩及反力大梁，不仅所需费用昂贵，时间较长，而且易受吨位和场地条件的限制，以致许多大吨位桩和特殊场地的桩的承载力往往得不到准确数据；而自平衡静载试验确定承载力的难点主要体现在：试验数据需要经过精确的处理、反演分析的准确性难以保证、试验装置的设置与操作要求高、考虑桩侧阻力和端部效应误差、自平衡点的确定等。

基于上述的现有技术方案，需要进行繁琐、费力的试验确定管桩承载力，浪费人力物力等资源，而且，对于复杂场地地基预应力管桩竖向承载力更加难以确定。

发明内容

本发明提供了一种管桩竖向承载力预测方法、装置及电子设备，以解决现有技术中对管桩竖向承载力预测难度大和资源浪费的问题，尤其是对于在复杂场地条件下进行管桩竖向承载力预测难度大的问题。

根据本发明的一方面，提供了一种管桩竖向承载力预测方法，包括：

获取测试场景下的多个承载力影响参数信息，其中，影响参数信息包括管桩桩体参数、自平衡试验影响参数、桩身土体参数、持力层土体参数；

基于预先设置的管桩承载力预测模型对多个承载力影响参数信息进行预测处理，得到测试场景下的管桩竖向承载力数据。

可选的，管桩桩体参数包括管桩的桩长、管桩的内径、管桩的外径、混凝土强度等级、管桩的桩体自重；

自平衡试验参数包括平衡点距管桩桩底的距离与管桩桩长的比例、加载速率、最大加载值；

桩身土体参数包括复合不排水抗剪强度值、复合内摩擦角值；

持力层土体参数包括持力层土体的孔隙比。

可选的，测试场景为多个；

方法还包括：基于多个测试场景的管桩竖向承载力数据和成本参数，在多个测试场景中确定目标场景。

可选的，所述多个承载力影响参数的确定方式包括：

获取样本场景下的多个承载力影响参数信息以及样本场景的管桩竖向承载力数据；

基于多个样本场景下的管桩竖向承载力数据对所述多个承载力影响参数信息进行重要性评估，得到每一承载力影响参数类型的重要性评估数据；

基于所述多个承载力影响参数信息的重要性评估数据确定用于进行承载力预测的承载力影响参数。

可选的，管桩承载力预测模型为自适应模糊神经网络模型。

可选的，管桩承载力预测模型的训练过程，包括：

创建管桩承载力预测模型，对管桩承载力预测模型中的超参数进行随机搜索，确定初始超参数；

基于初始超参数对管桩承载力预测模型进行初始化处理；

获取样本数据集对初始化的管桩承载力预测模型进行训练处理，得到训练好的管桩承载力预测模型。

可选的，方法还包括：基于测试数据集对管桩承载力预测模型进行评价处理，得到管桩承载力预测模型的评价指标。

根据本发明的另一方面，提供了一种管桩竖向承载力预测装置，包括：

影响参数信息获取模块，用于获取测试场景下的多个承载力影响参数信息，其中，影响参数信息包括管桩桩体参数、自平衡试验影响参数、桩身土体参数、持力层土体参数；

承载力数据确定模块，用于基于预先设置的管桩承载力预测模型对多个承载力影响参数信息进行预测处理，得到测试场景下的管桩竖向承载力数据。

根据本发明的另一方面，提供了一种电子设备，电子设备包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的管桩竖向承载力方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的管桩竖向承载力方法。

本发明实施例的技术方案，通过获取测试场景下的多个承载力影响参数信息，其中，影响参数信息包括管桩桩体参数、自平衡试验影响参数、桩身土体参数、持力层土体参数；基于预先设置的管桩承载力预测模型对多个承载力影响参数信息进行预测处理，得到测试场景下的管桩竖向承载力数据。通过获取测试场景的多个承载力影响参数信息便可进行对应的管桩竖向承载力的预测，避免了通过繁琐、费力的试验来确定管桩竖向承载力，提高了管桩竖向承载力预测的准确性、快速性和便利性。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种管桩竖向承载力方法的流程图；

图2是本发明实施例所适用的一种自适应模糊神经网络模型基本结构示意图；

图3是本发明实施例所适用的一种自适应模糊神经网络模型训练流程图；

图4是本发明实施例所适用的一种用于自平衡试验的管桩示意图；

图5是本发明实施例所适用的复合不排水抗剪强度值测试数据表格；

图6是本发明实施例所适用的采用遗传算法对减法聚类部分参数进行优化的示意图；

图7是本发明实施例所适用的模型训练过程的适应度函数变化示意图；

图8是本发明实施例所适用的模型训练拟合结果和预测结果示意图；

图9是本发明实施例所适用的管桩竖向承载力预测模型应用流程示意图；

图10是本发明实施例所适用的一种管桩竖向承载力装置的结构示意图；

图11是实现本发明实施例的管桩竖向承载力方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

图1是本发明实施例提供的一种管桩竖向承载力方法的流程图，本实施例可适用于对管桩竖向承载力进行预测的情况，该方法可以由管桩竖向承载力装置来执行，该管桩竖向承载力装置可以采用硬件和/或软件的形式实现，该管桩竖向承载力装置可配置于计算机、试验装置等电子设备中。如图1所示，该方法包括：

S110、获取测试场景下的多个承载力影响参数信息。

其中，测试场景具体可以理解为是用于测试管桩竖向承载力的场景，一般情况下，这样的测试场景中的场地条件较为复杂，示例性的，滨海地区，海积成因的淤泥(含砂)以及淤泥质土，强度低，韧性低，厚度可能不一，地层富含中、细砂，基岩分布层厚不均。承载力影响参数信息具体可以理解为是影响管桩承载力的因素，其中，所述影响参数信息包含但不限于管桩桩体参数、自平衡试验影响参数、桩身土体参数、持力层土体参数。示例性的，可以基于自平衡试验方法测试管桩的竖向承载力，在试验过程中采集并判断影响管桩的竖向承载力的相关因素，其中，管桩包含但不限于PHC管桩、钢管桩，自平衡试验法是一种基于在桩基内部寻求加载反力的静荷载试验方法。

具体的，在预先选好的测试场景下，采用自平衡试验方法进行管桩承载力测试，在测试过程中采集整个试验过程中的各检测设备采集的数据，对采集的数据进行数据分析，结合自平衡试验测试管桩竖向承载力的原理：上段桩的自重与上段桩侧摩擦力之和等于下段桩侧摩擦力与桩端阻力之和。通过推断分析，可以确定当前场景下多个承载力影响参数信息。

可以理解的是，自平衡试验方法的基本原理是以管桩桩测阻力、桩端阻力互为反力来测试管桩极限承载力，试验所用管桩在试验过程中是需要被断为上、下两部分，分别作为上段桩和下段桩，试验原理应遵循的计算原则为：上段桩的自重与上段桩侧摩擦力之和等于下段桩侧摩擦力与桩端阻力之和，基于这个原理进行自平衡试验，可以根据试验原理和试验过程确定影响管桩承载力的多个参数信息，包括管桩桩体参数、自平衡试验影响参数、桩身土体参数、持力层土体参数。

可选的，多个承载力影响参数的确定方式包括：获取样本场景下的多个承载力影响参数信息以及样本场景的管桩竖向承载力数据；基于多个样本场景下的管桩竖向承载力数据对多个承载力影响参数信息进行重要性评估，得到每一承载力影响参数信息的重要性评估数据；基于多个承载力影响参数信息的重要性评估数据确定用于进行承载力预测的承载力影响参数。

具体的，可以从系统服务器中获取历次自平衡试验产生的试验数据，并从中提取样本场景及其相关的试验结果，还可以从大数据中提取样本场景及其与自平衡试验相关的试验数据，从获取的试验数据中提取样本试验数据，包括样本场景、影响承载力变化的相关参数和对应的管桩竖向承载力数据，可以理解的是，设置不同的试验过程中的设备参数、试验对象参数、样本场景参数，可以使得测试得到的管桩竖向承载力也会有所不同，对于获取的样本多个样本场景下的管桩竖向承载力数据进行推断分析，确定各个承载力影响参数对管桩竖向承载力的影响重要程度，可以通过确定各个承载力影响参数的权重结果评估承载力影响参数信息的重要性，基于评估结果确定当前样本场景下用于进行承载力预测的承载力影响参数信息。还可以通过预设定的重要性评估模型对获取的样本场景下的相关参数信息进行重要性评估，进而确定各个承载力影响参数的重要性，得到用于进行承载力预测的承载力影响参数。

可选的，管桩桩体参数包括管桩的桩长、管桩的内径、管桩的外径、混凝土强度等级、管桩的桩体自重；自平衡试验参数包括平衡点距管桩桩底的距离与管桩桩长的比例、加载速率、最大加载值；桩身土体参数包括复合不排水抗剪强度值、复合内摩擦角值；持力层土体参数包括持力层土体的孔隙比。

需要说明的是，影响管桩竖向承载力的因素有很多，需要选取最主要的影响因素作为预测模型的输入。根据自平衡法测试管桩竖向承载力的原理可以推断，影响自平衡法测试PHC管桩竖向承载力的因素包括管桩桩体、自平衡试验过程、桩身土体以及持力层土体。考虑管桩的形状特点，将管桩的桩长、内径、外径、混凝土强度等级、桩体自重等参数作为管桩桩体参数；另外，自平衡试验过程中，平衡点的选择、所用荷载箱的加载速率、荷载箱最大加载值是影响试验结果的主要因素，因此将平衡点距桩底的距离占桩长的比例、加载速率、最大加载值作为自平衡试验参数；另外，管桩桩身所处的土体在自平衡试验过程中对管桩提供的侧摩阻力对自平衡试验结果起重要作用，因此，将管桩所处土体的不排水抗剪强度、内摩擦角作为桩身土体参数，还考虑到管桩在复杂场地地基下，延桩身分布多种物理性质不同的土层，在本方案中提出一种复合不排水抗剪强度值和复合内摩擦角值的计算方法，用复合不排水抗剪强度值Sua、复合内摩擦角值

式中，l

而且，管桩桩端所处的土体在自平衡试验过程中对管桩提供的桩端阻力对自平衡试验结果起重要作用，因此，将管桩端部所处的持力层土体的孔隙比作为持力层土体参数。因此，在本实施例中，所选取的影响承载力数据的参数基本上是覆盖了影响承载力结果的所有参数，通过对影响参数的考虑范围的扩大，提高了后续进行承载力数据预测的准确性。

S120、基于预先设置的管桩承载力预测模型对多个承载力影响参数信息进行预测处理，得到测试场景下的管桩竖向承载力数据。

具体的，确定测试场景下的多个承载力影响参数信息之后，将多个承载力影响参数信息作为输入参数，输入至预先设置的管桩承载力预测模型中，经预测模型进行处理，便可得到测试场景下的管桩竖向承载力数据。

进一步的，通过预测得到的管桩竖向承载力数据，可以用于反推出管桩的桩型以满足工程安全要求，避免造成材料的浪费，节省工程造价，为工程实践提供一定的参考选择。

可选的，管桩承载力预测模型为自适应模糊神经网络模型。

其中，自适应模糊神经网络模型是一种融合了神经网络和模糊推理的智能网络，它结合了模糊逻辑的不确定性表示和神经网络的自适应学习能力，能够处理复杂的非线性系统。

具体的，采用自适应模糊神经网络模型建立预应力混凝土管桩在复杂场地条件下竖向承载力预测模型，用于对复杂场地下的管桩承载力进行预测，如图2所示自适应模糊神经网络模型基本结构示意图，共由5层结构组成。在一个具体的实施例中，采用MATLAB模糊系统工具箱函数编写自适应模糊神经推理系统程序。

在本实施例中，采用遗传算法优化自适应模糊神经网络模型，遗传算法可以在搜索空间中全局寻找最优解，自动选择超参数值，降低人工经验对自适应模糊神经网络模型的影响。

在上述实施例的基础上，管桩承载力预测模型的训练过程，包括：创建管桩承载力预测模型，对管桩承载力预测模型中的超参数进行随机搜索，确定初始超参数；基于初始超参数对管桩承载力预测模型进行初始化处理；获取样本数据集对初始化的管桩承载力预测模型进行训练处理，得到训练好的管桩承载力预测模型。

具体的，基于自适应模糊神经网络模型创建管桩承载力预测模型，通过遗传算法优化自适应模糊神经网络模型。具体流程如下：

(1)通过减法聚类算法生成初始自适应模糊神经网络模型，遗传算法将减法聚类初始值编码为若干染色体组成的初始种群。

(2)选取初始自适应模糊神经网络模型训练集均方误差的倒数作为适应度函数：

其中，RMSE为自适应模糊神经网络模型训练集均方误差。

(3)通过轮盘算法来选择种群中进行配对的个体。

式中，p

(4)采用点交叉算子对参与交配的个体进行交叉运算。

(5)采用基本变异算子对个体进行变异操作。

(6)产生优化后的聚类参数值作为返回值。

(7)初始自适应模糊神经网络模型开始工作，进行学习和训练，并更新减法聚类参数，计算网络误差，生成最终管桩承载力预测模型。

其中，对于初始自适应模糊神经网络模型进行学习和训练，训练流程示意图如图3所示，构建训练集和测试集的输入、输出数据集：

式中，input为训练集或测试集的输入矩阵；output为训练集或测试集的输出矩阵。其中，l、r

在一个具体的实施例中，如图4所示用于自平衡试验的管桩示意图，管桩内径r

将数据集划分为训练集和测试集，示例性的，实际采样数据为102条样本数据集，将数据集按照预设比例划分为训练集和测试集，其中，将80条样本数据作为训练集，输入至初始自适应模糊神经网络模型进行训练，将剩余22条样本数据对训练好的自适应模糊神经网络模型进行模型评估。

在一个具体的实施例中，在MATLAB提供的模糊逻辑工具箱中，利用函数genfis2来实现基于减法聚类的自适应模糊神经网络模型的建模。函数genfis2用于估算原始数据存在的聚类数目以及聚类中心位置，它仅仅依据原始数据就能够快速得到数据的聚类中心而无需事先设定聚类中心的个数。该函数的调用格式为：

fisMat＝genfis2(Xin,Xout,radii.Xbound,option)

式中，Xin和Xout是指指定的输入变量和输出变量，其它的是减法聚类的函数参数，输出值是自适应模糊神经网络模型矩阵。主函数首先利用减法聚类函数subclus对输入和输出变量进行聚类分析，产生聚类中心来制定输出及输入变量的隶属度函数的数量及模糊控制规则的数量，最后利用最小方差估计法获取控制规则结论的参数值。

如图6所示的采用遗传算法对减法聚类部分参数进行优化的示意图。确定自适应模糊神经网络模型拓扑结构，对将所得优化后的参数返回值输入至自适应模糊神经网络模型进行模型训练，得到最终管桩承载力预测模型。具体的，确定自适应模糊神经网络模型拓扑结构，对自适应模糊神经网络模型超参数编码，得到初始种群，解码得到权重和隶属度函数参数，将权重和隶属度函数赋予新建的自适应模糊神经网络模型，将样本训练数据集作为模型的输入值执行拟合操作，使用测试样本测试自适应模糊神经网络模型，得到测试误差，进一步计算适应度，选择适应度的染色体复制，通过轮盘算法来选择种群中进行配对的个体，采用点交叉算子对参与交配的个体进行交叉运算，采用基本变异算子对个体进行变异操作，得到新种群，在满足终止条件的情况下，执行解码操作，得到最佳自适应模糊神经网络模型隶属度参数和权重，通过上述承载力影响参数确定的结果可知，需选取11个输入变量，自适应模糊神经网络模型的输入层含有11个节点，使用自适应模糊神经网络模型对样本测试数据集进行预测研究。训练过程的适应度函数变化如附图7所示，在迭代次数达到35次时，适应度值不在变化。模型训练拟合结果和预测结果如下附图8所示，图中，蓝色曲线为训练集的函数拟合曲线，红色曲线为实际样本数据曲线，对比两条曲线可以直观地看出自适应模糊神经网络模型的训练效果较好，训练集的均方根误差RMSE为4.68，测试集的均方根误差为4.12，训练误差较小。可见，自适应模糊神经网络模型在训练集拟合之后生成了效果较好的预测函数关系。

可选的，方法还包括：基于测试数据集对管桩承载力预测模型进行评价处理，得到管桩承载力预测模型的评价指标。

具体的，计算测试数据集对应的均方根误差值，基于均方根误差值对管桩承载力预测模型进行评价处理，其中，均方根误差值RMSE的计算公式如下：

式中，n为数据集训练样本数目，y

可选的，测试场景为多个；方法还包括：基于多个测试场景的管桩竖向承载力数据和成本参数，在多个测试场景中确定目标场景。

具体的，通过试验获取相应的多个测试场景及其对应的管桩竖向承载力数据和成本参数，基于对管桩竖向承载力数据和成本参数的分析可以从多个测试场景中选取既能满足工程安全要求，又能降低成本的目标场景，可以用于为进行变电站或是电厂项目选址提供参考价值。

进一步地，在一个具体的实施例中，图9所示管桩竖向承载力预测模型应用流程示意图，在确定建筑物需要满足规范要求的地基承载力时，可以根据容许承载力的大小以及复杂场地地质条件，利用该模型推求所需PHC管桩的桩型，即推求PHC管桩的桩长、桩径、所需混凝土强度等级，以满足工程安全要求，避免造成材料的浪费，节省工程造价。将备选的几种PHC管桩桩型的尺寸参数(l、r

本实施例的技术方案，通过获取测试场景下的多个承载力影响参数信息，其中，影响参数信息包括管桩桩体参数、自平衡试验影响参数、桩身土体参数、持力层土体参数；基于预先设置的管桩承载力预测模型对多个承载力影响参数信息进行预测处理，得到测试场景下的管桩竖向承载力数据。实现了通过获取测试场景的多个承载力影响参数信息便可依据预先设置的管桩承载力预测模型进行对应的管桩竖向承载力的预测，避免了通过繁琐、费力的试验来确定管桩竖向承载力，提高了管桩竖向承载力预测的准确性、快速性和便利性。

图10是本发明实施例提供的一种管桩竖向承载力装置的结构示意图。

如图10所示，该装置包括：

影响参数信息获取模块210，用于获取测试场景下的多个承载力影响参数信息，其中，影响参数信息包括管桩桩体参数、自平衡试验影响参数、桩身土体参数、持力层土体参数；

承载力数据确定模块220，用于基于预先设置的管桩承载力预测模型对多个承载力影响参数信息进行预测处理，得到测试场景下的管桩竖向承载力数据。

本实施例的技术方案，通过影响参数信息获取模块获取测试场景下的多个承载力影响参数信息，其中，影响参数信息包括管桩桩体参数、自平衡试验影响参数、桩身土体参数、持力层土体参数；使用承载力数据确定模块基于预先设置的管桩承载力预测模型对多个承载力影响参数信息进行预测处理，得到测试场景下的管桩竖向承载力数据。实现了通过获取测试场景的多个承载力影响参数信息便可进行对应的管桩竖向承载力的预测，避免了通过繁琐、费力的试验来确定管桩竖向承载力，提高了管桩竖向承载力预测的准确性、快速性和便利性。

在上述实施例的基础上，可选的，影响参数信息获取模块210，具体用于：基于多个测试场景的管桩竖向承载力数据和成本参数，在多个测试场景中确定目标场景。

获取样本场景下的多个承载力影响参数信息以及样本场景的管桩竖向承载力数据；

基于多个样本场景下的管桩竖向承载力数据对所述多个承载力影响参数信息进行重要性评估，得到每一承载力影响参数类型的重要性评估数据；

基于所述多个承载力影响参数信息的重要性评估数据确定用于进行承载力预测的承载力影响参数。

可选的，承载力数据确定模块220，具体用于：

创建管桩承载力预测模型，对管桩承载力预测模型中的超参数进行随机搜索，确定初始超参数；

基于初始超参数对管桩承载力预测模型进行初始化处理；

获取样本数据集对初始化的管桩承载力预测模型进行训练处理，得到训练好的管桩承载力预测模型。

基于测试数据集对管桩承载力预测模型进行评价处理，得到管桩承载力预测模型的评价指标。

本发明实施例所提供的管桩竖向承载力装置可执行本发明任意实施例所提供的管桩竖向承载力方法，具备执行方法相应的功能模块和有益效果。

图11是本发明实施例提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图11所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如管桩竖向承载力方法。

在一些实施例中，管桩竖向承载力方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的管桩竖向承载力方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行管桩竖向承载力方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的管桩竖向承载力方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行一种管桩竖向承载力方法，该方法包括：

获取测试场景下的多个承载力影响参数信息，其中，影响参数信息包括管桩桩体参数、自平衡试验影响参数、桩身土体参数、持力层土体参数；

基于预先设置的管桩承载力预测模型对多个承载力影响参数信息进行预测处理，得到测试场景下的管桩竖向承载力数据。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。