BP神經網絡在地基承載力預測中的應用

劉曦文

1 BP人工神經網絡原理

BP(Back Propagation)神經網絡,即誤差反向傳播算法的學習過程,由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息,并傳遞給中間層各神經元;中間層是內部信息處理層,負責信息變換,根據信息變化能力的需求,中間層可以設計為單隱層或者多隱層結構;最后一個隱層傳遞到輸出層各神經元的信息,經進一步處理后,完成一次學習的正向傳播處理過程,由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時,進入誤差的反向傳播階段。誤差通過輸出層,按誤差梯度下降的方式修正各層權值,向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程,是各層權值不斷調整的過程,也是神經網絡學習訓練的過程,此過程一直進行到網絡輸出的誤差減小到期望值時,或者預先設定的學習次數為止[1-3]。

2 地基承載力的影響因素探討

1)土的類別:在工程勘察實踐中,土的正確定名具有很大的實際意義,業內人士根據土的名稱可以大致判斷土的工程特性、場地的適宜性等。2)土顆粒的相對密度:土顆粒的相對密度主要決定于土的礦物組成,在同類別的土中一般相對密度的變化幅度很小。3)濕密度:即土在天然狀態下的密度,濕密度的變化幅度很大。4)天然含水率:含水率是標志土的濕度的一種重要物理指標,其的變化幅度很大[4]。一般來說,在一種類別土中,隨著天然含水率的增大,土的強度也隨之降低。5)液限和塑限:從巖土規范中可知,此兩項指標對于粘土的分類及工程性質的評價具有重要意義。將這兩項指標代入,根據公式,可計算出土的液性指標與塑性指標。土的塑性指數是粘土分類的主要依據,液性指數則是查取粘土承載力基本值的第一指標,后文中為了簡化模型輸入,以液性指數作為液限和塑限的綜合因素[5]。6)內摩擦角與粘聚力:一般工程中的內摩擦角與粘聚力是由土的直接剪切試驗確定的,通過該試驗可確定土的抗剪強度,而在工程中抗剪強度與地基承載力直接相關。因此內摩擦角與粘聚力對于地基承載力的確定具有重要意義[6]。7)標貫擊數:通過標貫擊數可以確定地基土的承載力、估算土的抗剪強度與粘性土的變形指標以及估算場地土地震液化可能性等。8)壓縮模量與壓縮系數:壓縮模量是指土在側限條件下,豎向附加應力與應變增量的比值。壓縮模量越小表示土的壓縮性越高;壓縮系數是判斷土壓縮性的另一重要指標,一般可通過e—p曲線獲得,曲線越陡,則說明土的壓縮性越高[7]。

3 基于BP神經網絡地基承載力預測的實現

3.1 輸入與輸出因子的確定與數據處理

本文以云安縣六都—高要大灣二級公路(云浮段)新建工程勘察數據為例,以勘察報告中確定的土性參數作為BP網絡模型的輸入P,以地基承載力特征值作為輸出T。建立神經網絡模型,并對模型進行訓練。考慮到模型輸入需要,將土的類別進行數字化處理。由于輸入數據的差異性較大,如果不對其進行適當處理,勢必會影響網絡的映射精度和自學習收斂性。故按照連續函數表示定理,將輸入變量的值域轉化為[0,1]。

3.2 BP網絡模型結構設計

BP模型的結構設計采用具有一個隱層的兩層BP網絡,其具體結構見圖1。圖1中,第一神經層為隱層,第二神經層為輸出層,R為輸入數組的項數,s1為隱層的神經元個數,該數值在實際操作中根據經驗與試算法確定,s2為輸出層的神經元個數,每個神經元的輸入節點有一權值wi和一閉值bi。

3.3 基于Matlab7.5BP模型的自訓練過程

1)創建神經網絡。本文運用Matlab提供的圖形用戶界面,來使用啟動其中的神經網絡工具箱。這種操作方法相對于直接編程操作更為簡便和直觀。首先,啟動Matlab7.5,在命令窗口輸入:“nntool”,即可啟動“Network/Data Manager” 窗口。點擊“new”,即可創建新的神經網絡。2)設置神經網絡參數。神經網絡層數為2,隱層神經元個數根據試差法確定,暫定為10,訓練方法為trainlm(Levenberg-Marquardt法),第一層神經元的傳遞函數為tansig,第二層為logsig。3)訓練神經網絡。神經網絡參數設置完畢后,還需對訓練參數進行設置,其中最為主要的為訓練精度“goal”,本次訓練為 0.001。參數設置完畢后,即可點擊“Train network”進行訓練。

從訓練結果可知,樣本經過21次訓練即可達到精度要求。

3.4 BP模型的可靠性驗證與分析

為了驗證模型的可靠性,選用了幾組云安縣六都—高要大灣二級公路(云浮段)新建工程勘察數據對其進行驗證,驗證結果如表1所示。

表1 模型驗證數據

由表1可知,模型的地基承載力預測值與實際值之間的誤差率均處于5.3%～7.5%,且模型的預測值更趨于保守。若以8%作為此模型的衡量標準,該模型可作為一個比較精確的預測模型。

4 結語

1)BP人工神經網絡模型是一種類似于“黑箱”,無需復雜繁瑣的數學公式即可對其進行建模與訓練,此法是一種應用建模的好方法。2)文中根據勘察數據建立的地基承載力BP模型,經過驗證,確認其為一個比較精確的預測模型,此建模思路可在今后的勘察工作中實際運用。3)本文應用于建模的勘察數據有限,且均是針對云安縣六都—高要大灣二級公路(云浮段)新建工程。因此模型的預測具有局限性。若要建立具有普遍應用簡潔的BP模型,則需要來自不同地區的廣泛且詳盡數據來源,且建模的工作量也非常巨大,需要足夠的研究人員參加方可進行。故本文只在小范圍內對該法的可行性進行了嘗試并驗證,以期對后續的研究人員具有參考意義。

[1]飛思科技產品研發中心.神經網絡理論與MATLAB 7的實現[M].北京:電子工業出版社,2005.

[2]魏海坤.神經網絡結構設計的理論與方法[M].北京:國防工業出版社,2005.

[3]周開利,康耀紅.神經網絡模型及其MATLAB仿真程序設計[M].北京:清華大學出版社,2005.

[4]陳希哲.土力學地基與基礎[M].第3版.北京:清華大學出版社,1997.

[5]錢家歡,殷宗澤.土工原理與計算[M].北京:水利電力出版社,1994.

[6]王新征,鄭偉花.人工神經網絡在預測軟基沉降中的應用研究[J].路基工程,2010(1):128-130.

[7]郝建新,張賢明,李天明.基于神經網絡的承載力預測[J].水運工程,2006,384(1):6-8.