人工神經網絡在巖土工程中的應用分析

熊衍發(fā)

摘? ? 要：巖土工程系統(tǒng)是一個隨機、灰色、模糊的系統(tǒng)，位移序列復雜度較高，利用人工神經網絡，可以有效辨識巖土工程位移序列及其他特性參數。基于此，文章以人工神經網絡的概念為切入點，闡述了人工神經網絡在巖土工程中的應用過程，剖析了人工神經網絡在巖土工程中的應用效益，以期為人工神經網絡的有效應用提供一定參考。

關鍵詞：人工神經網絡;巖土工程;反演分析

1? 引言

巖土工程是一項復雜的地質材料賦存于地質體內的工程，通過具有非線性動態(tài)處理功能的人工神經網絡在巖土工程中的應用，可以簡化巖土工程特性分析流程，提高巖土工程特性分析準確率。基于此，對巖土工程中人工神經網絡的應用進行適當分析具有非常重要的意義。

2? 人工神經網絡概述

人工神經網絡又可稱之為Artificial Neural Network，簡稱為ANN，是上世紀八十年代人工智能領域研究熱點技術[1]。人工神經網絡可以從信息處理視角入手，對人腦神經元網絡進行抽象處理后形成特定種類簡單模型，根據不同連接方式，將簡單模型連接后可以組成多樣化網絡。人工神經網絡從本質上而言是由大量神經元相互聯接而成的運算模型，每一個神經元又可稱之為激勵函數，代表特定輸出;而每兩個神經元間連接則代表對信號的加權值（即權重）。

3? 人工神經網絡在巖土工程中的應用過程

3.1? 位移預測

在巖土工程位移預測過程中，多層前向BP神經網絡應用范圍較廣，其是一個由輸入層、中間隱層、輸出層構建的網絡結構，常采用誤差反向傳播算法（誤差梯度下降優(yōu)化法）訓練。對于多層前向BP神經網絡而言，具有學習階段（輸入樣本沿前向信息在各層神經元以Sigmoid函數輸出后，將實際輸出、期望輸出間差值逆向傳播至各神經元并進行各連接權調整）、工作階段（待測樣本根據類似輸入按內插、外延獲得類似輸出）兩個階段。

在巖土工程位移預測過程中，可以通過逐一確定網絡輸入節(jié)點數、隱層節(jié)點數及節(jié)點作用函數，從工具主義視角逐層逼近，并利用神經網絡的泛化能力進行位移預先報告。首先，在網絡輸入節(jié)點數、隱層節(jié)點數、隱層數及節(jié)點單元作用函數確定過程中，可以依據神經網絡輸入節(jié)點大于位移序列的嵌入維度方針，根據神經網絡的收斂速度、振蕩情況，選擇小的輸入節(jié)點數開展網絡訓練。在網絡收斂速度下降后增加輸入節(jié)點數再次進行訓練，直至某一輸入節(jié)點數時網絡收斂速度達到最快。其次，以Kolmogorov定理為基礎，從泛化視角入手，結合經驗及試算確定隱層節(jié)點數。同時以S形函數為節(jié)點作用函數，通過仿真實驗，確定變換后廣義坐標——隱層節(jié)點輸出值。其輸入、輸出之間的關系如下式所示：

[xc=c=0wi（w=10iwmxc-w+βw）→g（xw-1，……xw-o）]

式中：

[g（xw-1，……xw-o）]——非線性函數，該模型實質上為線性自回歸AR（o）模型推廣至非線性自回歸NAR模型的近似表述;

i——神經元作用函數調整參數;

c——輸入節(jié)點數

w——隱層節(jié)點數

o——隱層數目;

βw——慣量因子，

xc-w——迭代步長。

在線性自回歸AR（o）模型推廣至非線性自回歸NAR模型的近似表述確定之后，可以將其代入某一巖土工程中，確定其在位移預測中的應用效果。該巖土工程輸入節(jié)點數為3，隱層節(jié)點數及隱層數目分別為8、3，迭代步長及慣量因子分別為0.56、0.79，神經元作用函數調整參數i為0.69。則由上式構建的進化神經網絡獲得的巖土工程位移預先估測結果如表1所示。

由表1所示，人工神經網絡在巖土工程位移值預測中表現較佳，具有較好的逼近效果及外推預測泛化能力。

3.2? 力學參數反演分析

人工網絡在巖土工程力學參數反分析中的應用，主要是根據輸入樣本、輸出樣本，對網絡開展訓練并對神經網絡權值進行調整，促使神經網絡系統(tǒng)逼近輸入輸出樣本。這種情況下，在神經網絡系統(tǒng)可逆時可以形成一個在一定誤差范圍內逼近逆系統(tǒng)的反問題的解[2]。一般在利用人工神經網絡進行巖土工程力學問題解析過程中，需要首先進行正問題的求解獲得力學系統(tǒng)輸入、輸出關系樣本值后開展力學系統(tǒng)逆向辨識訓練，實現力學反分析。以土石壩力學參數計算為例，可以非線性應變模型E-B中主要參數為反演對象，若主要參數為u、k、l、r、t，則可以用有限元法對其四十種組合進行合理排布，在選取二十個位移分量時其所對應的輸入向量為：

[Au=（a1，a2，…，a20）]

[Yu=（Y1，Y2，…，Y20）]

u=（1，2，[…]40）

式中：

Yu——E-B模型中五個參數，通過利用Au、Yu對神經網絡進行7523次訓練，可以將E控制在0.5以下，輸出誤差在0.00065以下，網絡收斂效果較好，將測點參數代入后可以獲得對應的u、k、l、r、t值。

由于上述網絡模型為雙隱層BP神經網絡，可以在輸入層前端放入一個線性放大器進行前端數據處理。分別將輸出層神經元、輸入層神經元及隱層神經元調整至5個、20個、25個，獲得較快的網絡收斂速度。為確定雙隱層BP神經網絡在土工壩力學分析中的作用，可以根據壩段三維非線性分析（無壩軸線方向位移）需要，選取12個點（X、Y方向共24個位移量）輸入，獲得42組位移向量后對網絡進行訓練，并用收斂后網絡對u、k、l、r、t值進行反分析，得出誤差在2.8%以內，總體反分析效果較好。

4? 人工神經網絡在巖土工程中的應用效益

4.1? 適應性良好

由于巖土工程材料固有復雜性及影響因素動態(tài)多邊形，本構模型選擇難度較大，制約了數值分析效率。而人工神經網絡可以在不預先構建數學模型的前提下，僅通過對樣本學習完成巖土工程輸入—輸出的非線性映射處理，避免預告假定巖土性參數選擇不當導致的適應不良問題，保證計算準確性。

4.2? 預測精準

相較于灰色系統(tǒng)模型GM（1，1）而言，人工神經網絡對可以并行處理巖土工程參數，獲得精準預測數據后將相關數據進行分布式存儲，從根本上解決了因非負時間序列累加生成數列不具指數規(guī)律而出現的預測粗糙（時正時負）問題[3]。

5? 總結

綜上所述，人工神經網絡具有較強的存儲、學習、計算機容錯能力，可以從巖土工程實例樣本中準確提取特征信息，實現位移、力學參數之間的高度非線性映射。因此，巖土工程技術人員可以根據需要合理選擇建模法、多層前BP網絡算法等方法，并融入信息論、系統(tǒng)論、進化算法、混沌理論等前沿學科知識，精準獲取巖土工程系統(tǒng)特性參數，為巖土工程領域復雜問題的有效解決提供依據。

參考文獻：

[1] 郭秋，李培.基于人工神經網絡的導航衛(wèi)星鐘差預報方法[J].實驗室研究與探索，201712）：65～68.

[2] 崔雍，楚小剛，董嘉等.基于神經網絡的樁基豎向承載力預測研究[J].鐵道工程學報，2016（4）：65～69.