基于bp神经网络的软土路基施工期沉降预测与仿真

《基于bp神经网络的软土路基施工期沉降预测与仿真》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、维普资讯http://www.cqvip.com第l6卷第3期山东交通学院学报V01．16No．32008年9月JOURNALOFSHANDONGJIAOT0NGUNIVERSITYSep．2008基于BP神经网络的软土路基施工期沉降预测与仿真刘鹏，夏元友(1．广州市水利水电勘测设计研究院，广东广州510650；2．武汉理工大学，湖北武汉430070)摘要：在高速公路软基沉降预测与施工控制中，把现场填土厚度、时间及实测沉降量信息作为学习样本，经过BP神经网络训练后，建立了动态仿真预测模型，用该模型预测当前及下一级填土后的沉降量，判断下一级填土是否可行及对路堤稳定性的影响，以实现对软基沉降及工

2、程施工的事前仿真控制，避免工程事故的发生。实际工程应用表明，该模型的预测精度满足工程建设的需要。关键词：软基沉降；BP神经网络；预测；仿真控制中图分类号：U416．1文献标识码：A文章编号：1672-0032(2008)03-0056-04在软土地基上修筑高等级公路路堤最突出的问题是稳定和沉降。为了掌握路堤在施工期的变形情况，在施工期间必须进行动态观测，并根据观测数据建立软基沉降的动态仿真预报系统，一方面可以保证路堤在施工中的安全和稳定，另一方面能正确预测工后沉降，使工后沉降控制在设计允许的范围内。因此，对路基的沉降变形进行监测和预测，具有重要意义。人工神经网络具有自组织、自学习、非线性动态

3、处理及容错性强等特征，还具有联想推理和自适应识别能力，特别适合处理各种非线性问题。与其它方法相比，神经网络可处理含有噪声和不确定因素的数据，建立高度非线性的函数关系¨-21。由于岩土工程问题中的某些量(如实测值等)往往具有随机不确定性，这种隐含在问题中的变量间的高度非线性关系用常规方法无法解决或不能很好解决，但为神经网络提供了充分发挥其优势的空间。将BP(Back．Propagation)神经网络模型引入公路软基沉降预测与控制中，依据现场量测信息，如当前路堤填土厚度、达到该填土厚度的时间和填土时间等，对路堤填土施工过程沉降和工后沉降随时间而发展的过程建立动态仿真预报系统。通过BP神经网络对输

4、入学习样本训练后，建立仿真预测模型，应用该模型模拟下一级填土厚度及预测模拟填土后的沉降量，从而判断下一级填土对路堤稳定性的影响，为工程设计与施工提供可靠的依据。1BP神经网络模型BP神经网络是一种单向传播的多层前向网络。网络除输入输出节点外，还有一层或多层的隐层节点，同层节点中没有任何耦合。输入信号从输入层节点依次传过各隐层节点，最后传到输出节点，每一层节点的输出只影响下一层节点的输出。其节点单元特性(传递函数)通常为Sigmoid函数，()=，式中B>0。但在输出层中，节点的单元特性可为线性。基于BP算法的多层前馈型网络的结构见图1。收稿日期：2008—05-30作者简介：刘鹏(1977一

5、)，男，湖北孝昌人，工学硕士，广州市水利水电勘测设计研究院工程师，注册土木工程师，主要从事地基处理方面的设计与研究工作．维普资讯http://www.cqvip.com笙塑塑量：墨丝圭堕苎堕三塑堕堕垦!BP算法的教师学习过程可归结为模式顺传播、误差逆传播、记忆训练和学习收敛4个过程，基本步骤为：1)权和阈值初始化，即给一个(0，1)区间的随机值初始化网络的权和阈值；2)给定输入模式对(期望输入瓦和期望输出)；3)对于给定的输入模式对，计算各层节点的输入n和输出C隐含层=∑+，图1BP神经网络结构c=-厂(凡)，式中为输入节点与输出节点之间的连接权；为节点阈值为Sigmoid函数)。4)定义误

6、差函数，网络的全局误差为1E=÷∑()，一c)‘．二I5)权重修正，使得误差函数达到最小(_V+1)=(N)+△(N+1)，△，(N+1)=c，+△(N)，式中为输入节点i与输出节点．之间连接权校正量；叼为学习系数；为动量系数；N为第Ⅳ次迭代；为误差，当i为隐层节点时，6=(，)当i为输出节点时，：(c一)fi(凡e￡，)。6)对于所有的输入模式对，若系统误差满足规定的精度要求，学习终止，得到收敛的网络，否则继续学习过程，直到网络收敛为止。虽然反向传播法得到了广泛应用，但也存在一些不足，具体表现在：1)对于一些复杂问题，可能要进行长时问的训练；2)完全不能训练，网络出现麻痹现象；3)陷入局部

7、极小值，不能保证所求解为误差平面的全局最小解。为了避免这些问题，除了合理的设计网络结构外，近年来提出了许多改进方法，如附加动量法、自适应学习速率等，目的就是为了加快训练速度，避免陷入局部极小值。本文采用在MATLAB6．5_3环境下开发的附加动量法、自适应学习速率BP神经网络。2预测模型与仿真输入层神经元数取决于模型中考虑的沉降主要影响因素(软土的工程性质，如土的强度、压缩性、渗透性和应力历史等；荷载性质，包