神经网络岩质边坡分析

神经网络岩质边坡分析

ID:18785798

大小:145.00 KB

页数:9页

时间:2018-09-23

神经网络岩质边坡分析_第1页
神经网络岩质边坡分析_第2页
神经网络岩质边坡分析_第3页
神经网络岩质边坡分析_第4页
神经网络岩质边坡分析_第5页
资源描述:

《神经网络岩质边坡分析》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库

1、岩质边坡稳定分析的遗传神经网络方法应用文献综述摘要:本文在岩石边坡稳定评价方法CSMR体系的基础上,应用神经网络方法建立该体系的各评分参数与边坡安全系数之间的非线性映射关系模型,并借助MATLAB遗传算法编制程序对其进行计算,分析论证表明遗传神经网络方法(GNN)能够用于当前对岩质边坡的稳定评价,并且可以取得较高的效率和精确的结果。作为边坡稳定分析的一种新方法,GNN法势必成为岩土地质问题分析的一种广泛而有效的方法。关键词:岩质边坡,神经网络,遗传算法,稳定分析(一)前言:边坡稳定问题涉及到水利、港工、采矿、铁路

2、及各类工业与民用建筑工程,一直以来在各类工程中受到极大的关注。由于边坡受多种因素的综合影响,具有复杂的变形破坏机理,因此,其稳定性常常表现出复杂多变性、不确定性和数据不完备性等特征。传统的边坡稳定性分析侧重于理论分析和数值计算,然而,由于岩土边坡内不连续的结构面性及其力学性质的复杂性,沿用这些传统方法很难得出切合工程实际的结果。而岩土工程领域内的专家基于在实践中积累的经验,在不进行大量复杂力学计算的情况下,也能对边坡的稳定性做出相当准确的判断。这就意味着可以在总结大量工程经验的基础上,采用某种智能化的方法,可以对

3、边坡的稳定性作出判断。近年来,随着人工智能、神经网络和模糊数学等新兴学科的发展及其在工程中的广泛应用,基于这些新理论学者纷纷提出了很多岩土边坡稳定分析的方法:冯夏庭提出边坡稳定的神经网络估计方法[1-2]、李思平等基于分叉理论和突变理论提出了边坡稳定性分析的非线性模型[3],N.K.SAH等则提出了边坡稳定性分析的极大似然估计方法[4]。这些方法的共同思路是:把岩土边坡视为不断变化的、开放的复杂巨大的系统,结合已有的工程经验,对边坡的稳定性进行综合分析,使岩体边坡的稳定性分析和工程设计具有自适应性和自学习能力。诸

4、多工程实践也表明,采用智能化的方法对边坡的稳定性进行分析是具有很强工程实用价值的,从本质上来讲,这一方法是一个模式识别问题:对现有的工程经验(现有模式)进行学习,形成知识库,进而对新的工程问题(新模式)进行识别。作为一个模式识别问题,其难点在于寻找一种既能有效的记忆现有模式又具有较强的泛化能力的算法[5],可以说,神经网络使作为解决这一难题的首选算法。BP神经网络是采用的最为广泛的一种神经网络方法[1,3],然而,近年来的大量研究和工程实践表明,BP神经网络存在学习效率低,网络的泛化能力弱,及学习过程中易振荡等问

5、题。而且,BP神经网络的学习算法是基于梯度下降算法的,难以克服局部极值问题。由此,在采用BP神经网络方法进行边坡分析时,需要一种高效率、高精度的学习算法加以改进,而遗传算法正是符合这一算法要求的首选之法。遗传算法是一种自适应启发式全局搜索算法,以其解决不同非线性问题的鲁棒性、全局最优性及良好的抗观测噪声能力等特征,在岩土工程和地球物理反演中得到了广泛的应用[4]。如果在神经网络的训练过程中采用遗传算法来优化网络中神经元的阈值和神经元间的连接权值,则不仅可以克服BP神经网络学习效率低和易振荡性等缺点,而且可以获得较

6、优的网络结构,从而使神经网络达到既能有效地对现有工程经验进行学习,记忆现有模式,又具有较强的泛化能力从而对工程中的新问题进行有效识别的要求[6]。由此,建立边坡稳定性智能分析方法的系统模型,将遗传算法和神经网络相结合,建立起遗传神经网络方法(GNN),作为边坡稳定的分析工具。势必成为岩土地质问题分析的一种广泛而有效的方法。(二)人工神经网络方法人工神经网络(ANN)方法是一种模仿动物脑神经网络某些功能的数值计算方法。人工神经网络的结构由神经元(Neuron)和神经元间的连接权(Weight)组成,多数类型的神经网

7、络将神经元以层(Layer)的形式组织在一起,常见的神经元间的连接权以层间神经元的连接权为主,本文将采用目前应用最广泛的误差反向传播(BP)神经网络[7]。其结构由输入层、输出层和至少一个隐含层,以及层间连接权组成,如图1所示。图1神经网络结构图BP网络的工作原理是将训练模式输入至输入层,并传至后面的隐含层,通过连接权向后传递,直至得到网络的输出。网络中每个神经元通过求输入权值和与经非线性兴奋函数传递结果来工作,其数学描述如下:(1)式中:outi是所考虑层中第i个神经元的输出;outj是前一层第j个神经元的输出

8、;neti和θi分别为隐含层或输出层神经元的刺激(输入)值和兴奋阈值。非线性兴奋函数f常用的形式是sigmoid函数:(2)式中:Q0为神经元的温度常数,通常取值为110。得到输出层的输出后,将其与相应训练模式的目标值进行比较,按预先定义的网络误差函数求出误差值。如误差小于容许值,则训练完成,否则将误差按梯度下降法调整网络连接权,调整的方法如下,令(3)式中:为学习速率;

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。