BP神经网络在地基承载力预测中的应用

刘曦文

1 BP人工神经网络原理

BP(Back Propagation)神经网络,即误差反向传播算法的学习过程,由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息,并传递给中间层各神经元;中间层是内部信息处理层,负责信息变换,根据信息变化能力的需求,中间层可以设计为单隐层或者多隐层结构;最后一个隐层传递到输出层各神经元的信息,经进一步处理后,完成一次学习的正向传播处理过程,由输出层向外界输出信息处理结果。当实际输出与期望输出不符时,进入误差的反向传播阶段。误差通过输出层,按误差梯度下降的方式修正各层权值,向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程,是各层权值不断调整的过程,也是神经网络学习训练的过程,此过程一直进行到网络输出的误差减小到期望值时,或者预先设定的学习次数为止[1-3]。

2 地基承载力的影响因素探讨

1)土的类别:在工程勘察实践中,土的正确定名具有很大的实际意义,业内人士根据土的名称可以大致判断土的工程特性、场地的适宜性等。2)土颗粒的相对密度:土颗粒的相对密度主要决定于土的矿物组成,在同类别的土中一般相对密度的变化幅度很小。3)湿密度:即土在天然状态下的密度,湿密度的变化幅度很大。4)天然含水率:含水率是标志土的湿度的一种重要物理指标,其的变化幅度很大[4]。一般来说,在一种类别土中,随着天然含水率的增大,土的强度也随之降低。5)液限和塑限:从岩土规范中可知,此两项指标对于粘土的分类及工程性质的评价具有重要意义。将这两项指标代入,根据公式,可计算出土的液性指标与塑性指标。土的塑性指数是粘土分类的主要依据,液性指数则是查取粘土承载力基本值的第一指标,后文中为了简化模型输入,以液性指数作为液限和塑限的综合因素[5]。6)内摩擦角与粘聚力:一般工程中的内摩擦角与粘聚力是由土的直接剪切试验确定的,通过该试验可确定土的抗剪强度,而在工程中抗剪强度与地基承载力直接相关。因此内摩擦角与粘聚力对于地基承载力的确定具有重要意义[6]。7)标贯击数:通过标贯击数可以确定地基土的承载力、估算土的抗剪强度与粘性土的变形指标以及估算场地土地震液化可能性等。8)压缩模量与压缩系数:压缩模量是指土在侧限条件下,竖向附加应力与应变增量的比值。压缩模量越小表示土的压缩性越高;压缩系数是判断土压缩性的另一重要指标,一般可通过e—p曲线获得,曲线越陡,则说明土的压缩性越高[7]。

3 基于BP神经网络地基承载力预测的实现

3.1 输入与输出因子的确定与数据处理

本文以云安县六都—高要大湾二级公路(云浮段)新建工程勘察数据为例,以勘察报告中确定的土性参数作为BP网络模型的输入P,以地基承载力特征值作为输出T。建立神经网络模型,并对模型进行训练。考虑到模型输入需要,将土的类别进行数字化处理。由于输入数据的差异性较大,如果不对其进行适当处理,势必会影响网络的映射精度和自学习收敛性。故按照连续函数表示定理,将输入变量的值域转化为[0,1]。

3.2 BP网络模型结构设计

BP模型的结构设计采用具有一个隐层的两层BP网络,其具体结构见图1。图1中,第一神经层为隐层,第二神经层为输出层,R为输入数组的项数,s1为隐层的神经元个数,该数值在实际操作中根据经验与试算法确定,s2为输出层的神经元个数,每个神经元的输入节点有一权值wi和一闭值bi。

3.3 基于Matlab7.5BP模型的自训练过程

1)创建神经网络。本文运用Matlab提供的图形用户界面,来使用启动其中的神经网络工具箱。这种操作方法相对于直接编程操作更为简便和直观。首先,启动Matlab7.5,在命令窗口输入:“nntool”,即可启动“Network/Data Manager” 窗口。点击“new”,即可创建新的神经网络。2)设置神经网络参数。神经网络层数为2,隐层神经元个数根据试差法确定,暂定为10,训练方法为trainlm(Levenberg-Marquardt法),第一层神经元的传递函数为tansig,第二层为logsig。3)训练神经网络。神经网络参数设置完毕后,还需对训练参数进行设置,其中最为主要的为训练精度“goal”,本次训练为 0.001。参数设置完毕后,即可点击“Train network”进行训练。

从训练结果可知,样本经过21次训练即可达到精度要求。

3.4 BP模型的可靠性验证与分析

为了验证模型的可靠性,选用了几组云安县六都—高要大湾二级公路(云浮段)新建工程勘察数据对其进行验证,验证结果如表1所示。

表1 模型验证数据

由表1可知,模型的地基承载力预测值与实际值之间的误差率均处于5.3%～7.5%,且模型的预测值更趋于保守。若以8%作为此模型的衡量标准,该模型可作为一个比较精确的预测模型。

4 结语

1)BP人工神经网络模型是一种类似于“黑箱”,无需复杂繁琐的数学公式即可对其进行建模与训练,此法是一种应用建模的好方法。2)文中根据勘察数据建立的地基承载力BP模型,经过验证,确认其为一个比较精确的预测模型,此建模思路可在今后的勘察工作中实际运用。3)本文应用于建模的勘察数据有限,且均是针对云安县六都—高要大湾二级公路(云浮段)新建工程。因此模型的预测具有局限性。若要建立具有普遍应用简洁的BP模型,则需要来自不同地区的广泛且详尽数据来源,且建模的工作量也非常巨大,需要足够的研究人员参加方可进行。故本文只在小范围内对该法的可行性进行了尝试并验证,以期对后续的研究人员具有参考意义。

[1]飞思科技产品研发中心.神经网络理论与MATLAB 7的实现[M].北京:电子工业出版社,2005.

[2]魏海坤.神经网络结构设计的理论与方法[M].北京:国防工业出版社,2005.

[3]周开利,康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出版社,2005.

[4]陈希哲.土力学地基与基础[M].第3版.北京:清华大学出版社,1997.

[5]钱家欢,殷宗泽.土工原理与计算[M].北京:水利电力出版社,1994.

[6]王新征,郑伟花.人工神经网络在预测软基沉降中的应用研究[J].路基工程,2010(1):128-130.

[7]郝建新,张贤明,李天明.基于神经网络的承载力预测[J].水运工程,2006,384(1):6-8.