基于优化神经网络模型的隧道变形预测研究.pdf

《基于优化神经网络模型的隧道变形预测研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、四川建筑科学研究第40卷第1期l72SichuanBuildingScience2014年2月基于优化神经网络模型的隧道变形预测研究崔凌岳(中铁十八局集团第一工程有限公司，河北涿州072750)摘要：神经网络预测技术一直是隧道学术界和工程界关注的关键课题。传统的神经网络对初始权值的依赖性很大，不同的初始值会导致差异很大的预测结果，并且初始值选择有很大的随机性和盲目性，往往导致网络振荡或不收敛。根据经典遗传算法的优势，对神经网络初始值进行优化，完成PB训练样本并建立非线性预测模型，避免了神经网络对初始权值的依赖性过大而引起计算误差。研究表明，GA-BP神经

2、网络遗传算法适用于预测高速公路隧道断层破碎带围岩变形量，与现场试验数据相吻合，验证了GA-BP神经网络遗传算法工程应用的可行性，提高了预测的精度及避免人为误差。隧道洞周变形主要集中在开挖后12天，在此时间内应加强监控量测频率，以避免隧道过大变形引起坍方事故。关键词：隧道工程；神经网络；遗传算法；预测；优化中图分类号：TU91；U45文献标志码：A文章编号：1008—1933(2014)01—172—04StudyonpredictionoftunneldeformationbasedonoptimalneuralnetworkCUILin~cue(The

3、firstEngineeringCo．，Ltd．ofChinaRailway18thBureauGroup，Zhuozhou072750，China)Abstract：Predictionofneuralnetworkhasbeenacontemporarykeyscientificproblemintunnelacademiaandengineering．Traditionalneuralnetworkdependsonweightinitialization．Diferentweightinitializationmayleadtovariousfo

4、recastresults．Inaddition，therearegreatrandomandblindnessforchoiceofinitialvalue．Itwouldresultinoscillationandnon·convergencefornetwork．Accordingtoclassicsuperiorityofgeneticalgorithm，initialvalueofneuralnetworkisoptimized．Trainingsampleisdealtwithandnonlinearmodelofforestwasperfo

5、rmed．Itwouldavoidexcessivedependenceofweightinitializationandinducingcalculationerror．TheresearchresultssuggestthatGA·BPneuralnetworkbefittoforecastofdeformationofhighwaytunnelinfaultfracturezone．Thedatapredictionisaccordabletothatoffieldmonitoring．Itdemonstratesfeasibilityofengi

6、neeringapplicationforneuralnetworkbasedonoptimizationofgeneticalgorithm．Themethodcouldimprovepredictionprecisionandavoidpersonalerror．Mostoftunneldeformationappearsafter12daysfromexcavation．Monitoringfrequencyshouldbestrengthenedtoavoidcollapseoftunnelinducedbylargedeformationdur

7、ingconstruction．Keywords：tunnel；neuralnetwork；geneticalgorithm；prediction；optimization振荡或不收敛，对这些问题，国内外学者进行了大量0引言研究工作，取得一定研究成果。神经网络技术一直是隧道学术界和工程界关注张少迪、王延杰根据传统RBF神经网络优的关键课题，人工神经网络能够从存在干扰的不完势，研究星图模式样本集特点，提出适合星图模式样整的信息当中恢复完整的原始信息，实现预存储信本的新型网络训练算法；刘文轩、严凤研究了应息及自适应学习方式，采用对模拟系统输入样本，通用学习向

8、量量化(LearnVectorQuantization，LVQ)神过学习机制自动