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,汇文网负责整理代发布。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。
网站客服:3074922707
2023
人工
神经网络
理论
岩土
工程
中的
应用
- 5 - 土木工程测试技术结课论文 2023年
人工神经网络理论在岩土工程中的应用
孟飞
〔岩土工程10级,学号:104811068, :15111138062〕
:人工神经网络在近年来开展迅速,在土木工程、能源工程等传统工程领域得到了广泛的应用,并有效地解决了各个领域中原来难以解决或解决得不好的许多问题。在岩土工程中,由于岩土工程问题本身的复杂性,量与未知量之间具有很强的非线性关系,而这种非线性关系通过人工神经网络可以得到很好地映射。本文介绍了人工神经网络的开展历史,及其在国内岩土工程中应用的现状。
关键词:人工神经网络;岩土工程
Artificial Neural Networks in Geotechnical Engineering
MENG Fei
(Geotechnical Engineering 10, Student ID: 104811068, Tel: 15111138062)
Abstract: After having been developed rapidly in recent years, Artificial Neural Networks was introduced into some traditional engineering field such as Civil Engineering and Energy Engineering. Artificial Neural Networks showed great effectiveness in solve problems which cannot be solved or cannot be solved perfectly using traditional methods. In Geotechnical Engineering, due to the complexity of geotechnical problems, there is a strong nonlinear relationship between known and unknown quantity. But this non-linear relationship can be mapped well through Artificial Neural Networks. This paper describes the history of the development of Artificial Neural Networks, and its application in the domestic Geotechnical Engineering.
Key words: Artificial Neural Networks; Geotechnical Engineering
人工神经网络〔Artificial Neural Networks〕是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,到达处理信息的目的。人工神经网络具有自学习和自适应的能力,可以通过预先提供的一批相互对应的输入-输出数据,分析掌握两者之间潜在的规律,最终根据这些规律,用新的输入数据来推算输出结果。其特色在于信息的分布式存储和并行协同处理,并具有良好的自适应性、容错性等特点。
1 人工神经网络理论的开展历史[1~3]
人工神经网络的出现已有半个多世纪的历史。1943年,心理学家McCulloch和数学家Pits合作提出了形式神经元的数学模型,开创了对神经网络的理论研究;1944年,Hebb提出了改变神经元连接强度的Hebb规那么;1957年,Roscnblatt首次引入感知器的概念,第一次从理论研究转入工程研究阶段,掀起了研究人工神经网络的高潮;1962年,Widrow提出了自适应元件,他们标志着人工智能网络系统研究的开始;但在1969年,Minsky和Papert对神经网络的开展作出了悲观的结论,同时由于计算机的飞速开展使人工智能取得了显著的成就,神经网络的研究陷入了低潮。
1982年美国加州工学院的物理学家Hopfield提出了仿人脑的神经网络模型即著名的Hopfield模型,引入了“能量函数〞的概念,给出了网络稳定性判据。它的电子电路实现为神经计算机的研究奠定了根底,同时开拓了神经网络用于联想记忆和优化计算的新途径。Hopfield发表了一系列有关神经网络运用的文章,有力地推动了人工神经网络理论的研究。
神经网络虽有一定的局限性,但神经网络能够解决一些用传统方法所难以处理的问题,人工神经网络的非线性映射、学习分类和实时优化等根本特性已成为一种重要的信息处理方式而普遍应用于各个工程和学科的研究领域。目前神经网络研究方法已形成多个流派,最富有成果的研究工作包括:多层网络BP算法,Hopfield网络模型,自适应共振理论,自组织特征映射理论等。
2 人工神经网络在土木工程中的应用
自80年代末期起,人工神经网络开始在土木工程中得到应用,Flood率先采用人工神经网络方法解决施工工序问题,随后研究范围逐渐扩大,如施工过程的模拟〔Flood 1990〕、施工费用预算〔Moselhi 1991〕、地震危害预测〔Wong 1992〕,环境岩土工程问题〔Basheer and Najjar 1996〕等[4~5]。Ghaboussi等[6]提出了一个NANNs〔Nested Adaptive Neural Networks〕网络用以模拟砂土的应力应变关系;Ellis[7]采用改良的BP网络模拟砂土的应力应变关系,该模型可以考虑应力历史和砂土粒径的影响,同时可以考虑卸载和加载的影响;Zhu等[8]用递归神经网络RNN〔Recurrent Neural Network〕模拟残积土在加载过程中的硬化和软化现象,模拟应力控制和应变控制条件下的力学行为,并认为该模型可以模拟加载—卸载—再加载的过程;Teh[9]等采用BP网络预测单桩承载力;Kiefa等[10]采用回归神经网络GTNNs预测桩的承载力、桩侧摩阻力和桩端摩阻力。
在国内土木工程界,较早从事神经网络在本学科应用研究工作的是石成钢和刘西拉,他们采用人工神经网络方法处理震中烈度与震级的关系[11],在网络的学习过程中,用过滤法解决样本的冲突问题,计算结果具有较高的精度。许多学者也都已经意识到神经网络在岩土工程中将会得到广泛的应用,从90年代初到现在,神经网络不断地被应用到岩土工程的许多问题中去,并取得了许多成果。
3人工神经网络在边坡工程中的应用
滑坡的孕育和发生是一个复杂的过程,受到诸多因素的影响。内在的因素主要有岩土介质的各向异性、岩土结构的高度非均匀性、地形地貌以及地应力的复杂性;外在的因素主要有地下水、降雨量、蒸发量、温度等因素的变化以及人类活动的影响等。这些内在、外在因素的相互耦合、相互作用,使滑坡系统成为一个复杂的非线性动力学系统。从这个意义上讲,研究与探索非线性滑坡预报的理论与方法具有积极的意义的。目前,将人工神经网络应用于边坡工程已经有了许多成果。
林鲁生,冯夏庭等[12],将人工神经网络理论应用于边坡滑移预测中。采用了典型的包含输入层、隐含层和输出层的三层前馈阶层BP网络〔见图1〕,各层间实行权连接。利用某重要供水工程高边坡多年来的变形观测资料以及该地区的蒸发,气温、降雨量等数据,在该边坡上选取比拟有代表性的观测点作为建模预测代表点。根据该具体边坡特点,分别选取该地区时段内24h、72h最大降雨量、降雨总量、降雨总量与蒸发量之差及时段内平均温度5个变量做为输入层参数,输出层有二个神经元,分别为时段内水平位移和垂直位移。经20万次的训练学习,模型到达71%精确度。
图1 三层BP网络结构示意图
陈昌彦,王思敬等[13],将人工神经网络理论用于边坡岩体稳定性判别中,建立了人工神经网络预测模型。水电、冶金、公路等各类工程岩质边坡岩体稳定性统计说明,岩石强度特性、岩体结构、岩体风化作用和坡高是影响边坡岩体稳定性的根本因素,而水的作用、施工方式等构成了边坡岩体稳定性的诱发因素。根据上述各因素对边坡岩体稳定性的综合影响,将其归纳为5个复合指标,即边坡岩体质量系数、结构面方位、结构面力学特性、坡高及施工方式。
图2 边坡岩体稳定性评价的神经网络结构
模型以前述的5个复合指标为输入变量,采用BP神经网络算法,以边坡岩体稳定性系数和稳定状态为输出变量,对大量工程实例进行学习训练,然后用这个模型对训练网络进行测试。通过对神经网络预测的边坡岩体稳定状态与实际稳定性情况的综合比照分析说明,预测的边坡岩体稳定性系数的最大绝对误差小于0.25,边坡岩体稳定状态预测的对判率为90%以上。
鉴于传统的利用有限元计算进行岩体力学参数反分析的工作量相当大,邓建辉,葛修润等[14]将人工神经网络理论及遗传算法应用于边坡位移反分析中,以提高反分析计算工作的效率和可靠性。采用BP网络模拟有限元计算步骤如下:构造输入节点数为n,输出节点数为m的BP网络,n为待反演的参数个数,m为监测位移数;构造网络训练样本,其输入参数可以使用随机方法或正交设计的方法构造,输出参数取相应输入参数的有限元计算值;构造测试样本并测试建立的模型。经过遗传算法优化,3个测试算例弹性模量反演结果的相对误差最大时为4.8%。遗传算法克服了常规优化算法中计算结果与初值有关的问题。这一结论在三峡工程永久船闸边坡的位移反分析工作中得到了进一步证明。
4 人工神经网络在根底工程中的应用
目前,地基工程及根底工程中已有许多较为完善的计算理论及实用的计算方法,如分层总和法,有限单元法等,在地基沉降、根底变形方面都有相当广泛的应用。因此人工神经网络方法在地基及根底工程中的应用并不十分广泛。
在桥梁工程和城市高层建筑中,桩基被广泛使用,桩根底作为我国工程建设中重要的根底形式之一,从桩型到施工方法都朝着更新、更复杂的方向开展。但由于桩土作用关系非常复杂,关于桩基性状的各种理论解答还不能采用简便的表达式反映其复杂多变的机理,尤其是难于反映施工及环境因素对桩基性状的影响。因此,近年来在桩基工程方面,神经网络已在预测桩基极限承载力,单桩荷载—位移关系及桩身完整性判断等方面得到初步的研究与应用。
Lee等人较早地进行了桩基竖向极限承载力的神经网络预测研究[15]。1996年,他们利用室内单桩模型试验结果,按桩的入土深度、模型箱内的土体应力和标贯击数等预测了模型桩的轴向承载力,预测误差多数在15%以内。他们还利用现场12根桩建立网络预测模型来对另外12根桩的极限承载力进行预测,其误差在25%以内。这一结果明显高于按Meyerhof承载力公式计算结果的精度。
王成华,赵志民[16]将土层的物理力学指标和桩的几何因素引入到输入层。在输入元中,可处理桩的最大入土深度,将其以1m为单位划分为假设干段,把每段土的各物理力学指标加权平均值设为输入元;当桩缺乏最大深度时,对桩长深度到可处理最大深度之间的各指标取0值,从而能更客观更全面地反映实际情况。文中还对BP网络模型结构进行了改良,即在输入层和隐含层之间增设一个过渡层〔见图3〕,进而可更真实地反映单桩竖向承载力发挥的过程。经检验,该模型预测误差小于15%,预测精度较高。
图3有过渡层的BP神经网络结构
王建华,林琼[17]采用信息扩散方法对收集到的单桩试桩资料进行了分析,建立了以桩的长径比估算单桩在工作荷载下的沉降的BP型神经网络。利用该模型对上海地区93根混凝土预制打入桩的沉降进行了预测,并与桩沉降的实测值、弹性理论解答及三维有限元分析预测结果进行了比照分析,取得了较好的结果。
在以沉降标准设计桩基承载力时,荷载—沉降关系的预测显得