橋墩局部沖刷深度預測模型基于貝葉斯正則化BP神經網絡

柯帥　張凱

【摘要】本文基于貝葉斯正則化BP神經網絡，建立了橋墩局部沖刷深度模型。然后利用前人的數據在MATLAB軟件里對橋墩局部沖刷深度進行了訓練，結果表明：該模型的預測精度高，可以用于工程設計當中。【關鍵詞】橋墩；局部沖刷；貝葉正則化；神經網絡1、 前言橋梁的局部沖刷深度是保障橋梁安全的重要因素。但是因為影響沖刷的因素很多，且這些因素具有一定的隨機性和可變性，導致目前還不能對橋墩的局部沖刷深度進行精確的預測。神經網絡具有自學習、聯想存儲、高速尋求最優解等特點，并且還有極強的非線性映射能力，它的這些特點和能力使它在橋墩局部沖刷深度預測領域得到了迅速的發展。目前使用的最廣的便是利用BP神經網絡來進行預測，但是它卻有著訓練時間長、局部收斂等缺點。為了更好的預測橋墩的局部沖刷深度，本文基于貝葉斯正則化BP神經網絡，建立了橋墩局部沖刷深度模型，通過訓練，該網絡有著較高的預測精度。2 、貝葉斯正則化神經網絡2.1 BP神經網絡的結構BP神經網絡由輸入層、隱含層、輸出層三層結構，每層由若干神經元連接，不同層次的神經元也可以相互連接。隱含層采用Sigrnoid函數，輸出層采用Pureline函數，具體結構如圖1。2.2 貝葉斯正則化算法貝葉斯正則化神經網絡的性能指數：3、 模型的建立本文選取水流的平均流速、水深、泥沙的中值粒徑、泥沙的起動流速以及橋墩的直徑為輸入層因子，橋墩局部沖刷坑深度為輸出層因子。選用Jeng D S學者的研究報告中的45組數據，其中30組數據用于構建模型，15組數據用于測試模型的預測能力，數據各個參數的取值范圍如表1。4、 計算結果及分析利用MATLAB軟件，對橋墩局部沖刷深度進行預測，實測沖刷深度與預測值的比較如圖2所示。然后計算實測值與預測值相關系數以及平均相對誤差。從圖2可以知道，預測值與實測值相差不大，模型預測結果的平均相對誤差，相關系數為，說明該模型比較精確。5、 結語將貝葉斯正則化BP神經網絡運用到橋墩的局部沖刷深度預測中，是解決該類問題的一個新方法，且它的收斂速度和精度相對于一般的BP神經網絡要好，值得推廣和運用。參考文獻：[1].孟慶峰. 橋墩局部沖刷深度預測方法研究[D]. 長沙理工大學， 2008.[2].馬銳. 人工神經網絡原理[M]. 機械工業出版社， 2014.[3].宋雷， 黃騰， 方劍，等. 基于貝葉斯正則化 BP 神經網絡的 GPS 高程轉換[J]. 西南交通大學學報， 2008， 43（6）：724-728.[4].Ettema R， Melville B W， Barkdoll B. Scale Effect in Pier-Scour Experiments[J]. Journal of Hydraulic Engineering， 1998， 125（8）：639-642.