基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的單樁承載力預(yù)測(cè)模型研究

楊 愛 新

(山西二建集團(tuán)有限公司，山西 太原 030013)

?

基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的單樁承載力預(yù)測(cè)模型研究

楊 愛 新

(山西二建集團(tuán)有限公司，山西 太原 030013)

將收集到的單樁承載力實(shí)測(cè)數(shù)據(jù)樣本作為網(wǎng)絡(luò)模型的學(xué)習(xí)訓(xùn)練樣本，建立了基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的單樁承載力預(yù)測(cè)模型，并通過檢測(cè)樣本對(duì)預(yù)測(cè)模型的外推能力進(jìn)行了檢測(cè)，證明了預(yù)測(cè)模型有較好的外推預(yù)測(cè)能力。

神經(jīng)網(wǎng)絡(luò)，遺傳算法，單樁承載力，預(yù)測(cè)模型

目前應(yīng)用于單樁承載能力的現(xiàn)場(chǎng)測(cè)定方法分為兩種類型：一類為靜荷載試驗(yàn)，即傳統(tǒng)的最可靠但費(fèi)時(shí)費(fèi)力且成本昂貴的力法。該方法直觀可靠，但是從機(jī)理上講實(shí)際上是將樁身結(jié)構(gòu)的承載力和地基對(duì)樁的支承力這兩個(gè)因素合為一體予以體現(xiàn)，它雖然反映了單樁的承載能力，但對(duì)進(jìn)一步改進(jìn)樁基的研究設(shè)計(jì)起到的作用并不大；另一方面，該方法對(duì)高噸位的基樁承載力的測(cè)定往往是難以實(shí)現(xiàn)的。單樁承載能力測(cè)定的第二類方法為動(dòng)測(cè)法，它是運(yùn)用動(dòng)力理論和樁土結(jié)構(gòu)的邊界條件而建立的。

單樁承載力的確定或者預(yù)測(cè)，是一個(gè)復(fù)雜的非線性問題，運(yùn)用目前相關(guān)力學(xué)理論，從機(jī)理上去定量求解，由于假設(shè)條件的限制，其精確度有一定的誤差?？梢詮姆蔷€性尋優(yōu)求解的角度去解決單樁承載力的確定，即不考慮單樁承載力的機(jī)理，只考慮單樁承載力和其影響因素之間的非線性關(guān)系，只要確定了它們之間的非線性關(guān)系，那么就解決了單樁承載力確定和預(yù)測(cè)的問題。

1 進(jìn)化神經(jīng)網(wǎng)絡(luò)算法分析

目前神經(jīng)網(wǎng)絡(luò)算法理論已經(jīng)較成熟，對(duì)于處理非線性問題應(yīng)用廣泛，在神經(jīng)網(wǎng)絡(luò)算法中BP神經(jīng)網(wǎng)絡(luò)是目前使用最多的一種網(wǎng)絡(luò)算法。BP算法采用的是誤差梯度下降算法，這種算法對(duì)于數(shù)據(jù)擬合的局部?jī)?yōu)化精度較高，但是其得出的模型結(jié)果外推能力較差，影響數(shù)據(jù)模型的實(shí)用性。為了提高網(wǎng)絡(luò)模型學(xué)習(xí)訓(xùn)練效率或提高模型的外推能力，可以通過對(duì)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)以及網(wǎng)絡(luò)訓(xùn)練開始初始權(quán)值進(jìn)行優(yōu)化設(shè)定。網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)以及網(wǎng)絡(luò)訓(xùn)練開始初始權(quán)值進(jìn)行優(yōu)化設(shè)定的方法可以使用遺傳算法，遺傳算法具有優(yōu)良的全局尋優(yōu)能力，這樣就可以把全局尋優(yōu)和局部尋優(yōu)的算法結(jié)合起來處理非線性問題的尋優(yōu)。

1.1 進(jìn)化神經(jīng)網(wǎng)絡(luò)算法的基本思想

進(jìn)化神經(jīng)網(wǎng)絡(luò)算法可以確定非線性關(guān)系的能力，其可以確定由n維到m維的數(shù)學(xué)映射關(guān)系f:Rn→Rm。用BPNN來表示BP網(wǎng)絡(luò)模型，其一般形式如下：

BPNN[n,nh1,nh2,…,m|W]。

其中，括號(hào)內(nèi)表示BP網(wǎng)絡(luò)模型的各個(gè)要素：n和m分別為模

型的輸入和輸出個(gè)數(shù)，nh1,nh2…為各隱含層神經(jīng)元個(gè)數(shù)；W為權(quán)值矩陣。這樣，用BP神經(jīng)網(wǎng)絡(luò)映射關(guān)系，則可表示為：f(x)=BPNN[n,nh1,nh2,…,m|W](x)。

進(jìn)化神經(jīng)網(wǎng)絡(luò)算法是先進(jìn)行網(wǎng)絡(luò)權(quán)值和結(jié)構(gòu)參數(shù)的全局優(yōu)化，然后再使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行局部?jī)?yōu)化。其流程框圖見圖1。

1.2 進(jìn)化神經(jīng)網(wǎng)絡(luò)算法的基本步驟

1)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的遺傳算法進(jìn)化。對(duì)于進(jìn)化神經(jīng)網(wǎng)絡(luò)算法的結(jié)構(gòu)參數(shù)的優(yōu)化，它是從隨機(jī)產(chǎn)生的結(jié)構(gòu)參數(shù)開始，遺傳算法通常有復(fù)制、交叉、變異等算法操作，并且通過這些操作形成一個(gè)循環(huán)。每一級(jí)循環(huán)中權(quán)值矩陣是不參與操作的，因而對(duì)各結(jié)構(gòu)參數(shù)組個(gè)體的適應(yīng)性評(píng)價(jià)不能實(shí)時(shí)進(jìn)行。

2)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值的遺傳算法進(jìn)化。每個(gè)初始權(quán)系數(shù)矩陣個(gè)體與對(duì)應(yīng)的結(jié)構(gòu)參數(shù)組成的是一個(gè)完整的BP網(wǎng)絡(luò)模型，因而可以直接用于預(yù)測(cè)分析計(jì)適應(yīng)值。適應(yīng)值計(jì)算公式：

對(duì)各結(jié)果參數(shù)組的初始權(quán)系數(shù)優(yōu)化后，進(jìn)入BP算法訓(xùn)練循環(huán)。

3)優(yōu)化后初始權(quán)值的訓(xùn)練。遺傳進(jìn)化算法具有優(yōu)秀的全局搜索能力，但是在局部精度方面無(wú)法深入。因此，對(duì)上面兩步產(chǎn)生的各模型結(jié)構(gòu)參數(shù)及其優(yōu)化后的初始權(quán)值，還要按普通BP算法進(jìn)行學(xué)習(xí)訓(xùn)練，進(jìn)行局部?jī)?yōu)化。

2 進(jìn)化神經(jīng)網(wǎng)絡(luò)單樁承載力預(yù)測(cè)模型建立

單樁承載力的大小受多種因素的影響，通過有關(guān)理論分析可知主要與樁基本身設(shè)計(jì)參數(shù)和樁所處巖土地層的特征有關(guān)，本次單樁承載力的大小預(yù)測(cè)是以鋼筋混凝土預(yù)制樁為例進(jìn)行的模型建立。樁基本身設(shè)計(jì)參數(shù)主要包括樁的直徑，長(zhǎng)度，入土深度，巖土地層特征可以使用樁基側(cè)摩阻力加權(quán)平均值和樁端土承載力來進(jìn)行定量化表征。進(jìn)化神經(jīng)網(wǎng)絡(luò)模型的輸入層可以設(shè)置為5個(gè)，即為直徑，長(zhǎng)度，入土深度，樁基側(cè)摩阻力加權(quán)平均值和樁端土承載力。網(wǎng)絡(luò)的輸出層設(shè)置為1個(gè)，即為單樁承載力。網(wǎng)絡(luò)的隱含層可以使用遺傳算法進(jìn)行優(yōu)化確定。本次模型的訓(xùn)練數(shù)據(jù)收集了山西太原地區(qū)36根樁的實(shí)測(cè)資料作為網(wǎng)絡(luò)建模數(shù)據(jù)樣本，其中30根數(shù)據(jù)作為網(wǎng)絡(luò)模型的學(xué)習(xí)訓(xùn)練樣本，6根數(shù)據(jù)作為模型的檢測(cè)樣本，以檢驗(yàn)樣本的外推能力，檢測(cè)樣本見表1。

表1 檢測(cè)樣本數(shù)據(jù)

2.1 需要設(shè)置的參數(shù)

在確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)范圍時(shí)，關(guān)于神經(jīng)網(wǎng)絡(luò)初始權(quán)值，BPNN所采用的梯度下降算法具有明顯的初值效應(yīng)，因而，初始權(quán)系數(shù)設(shè)定的好壞與否會(huì)大大影響收斂速度和學(xué)習(xí)精度。Sietsma和Dow建議初始權(quán)值范圍為[-0.5,0.5]；Gallagher和Downs以及Kavzoglu建議為[-0.25,0.25]；Paola以及Staufer和Fisher建議為[-0.1,0.1]等。但這些都是在各自領(lǐng)域取得的結(jié)果，普及性還有待證明，在設(shè)定初始權(quán)值范圍時(shí)可作為參考。算法終止條件可以根據(jù)問題的精度要求以及進(jìn)化過程的收斂情況設(shè)定。常規(guī)的遺傳算法是通過事先給定一個(gè)最大進(jìn)化代數(shù)加以限制，這種設(shè)置方法比較粗略且對(duì)不同的問題很難確定一個(gè)最佳的進(jìn)化代數(shù)。在實(shí)際應(yīng)用時(shí)，如果問題對(duì)象對(duì)精度有明確要求，或者對(duì)問題精度有清楚的認(rèn)識(shí)，可設(shè)定進(jìn)化到獲得的參數(shù)在求解問題時(shí)(對(duì)學(xué)習(xí)樣本的擬合精度和對(duì)測(cè)試樣本的預(yù)測(cè)精度)滿足精度要求終止算法；如果事先難以給定確定的精度要求，可設(shè)定在進(jìn)化過程達(dá)到收斂狀態(tài)(種群中的最佳適應(yīng)值和平均適應(yīng)值連續(xù)幾個(gè)進(jìn)化代數(shù)保持相對(duì)穩(wěn)定)時(shí)終止算法。同樣，對(duì)進(jìn)化神經(jīng)網(wǎng)絡(luò)中的不同進(jìn)化過程也要有所區(qū)別，結(jié)構(gòu)參數(shù)進(jìn)化過程涉及的參數(shù)對(duì)象較為簡(jiǎn)單，個(gè)體多樣性程度較低，可能會(huì)出現(xiàn)假收斂狀態(tài)(持續(xù)少數(shù)幾代后又產(chǎn)生明顯的進(jìn)化現(xiàn)象)，可將判別的持續(xù)代數(shù)標(biāo)準(zhǔn)調(diào)大一些。相反，初始權(quán)值過程中可設(shè)較小值以減少計(jì)算時(shí)間。

2.2 模型的建立

通過對(duì)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的分析可知，網(wǎng)絡(luò)的輸入層為5個(gè)輸入?yún)?shù)，分別為：直徑，長(zhǎng)度，入土深度，樁基側(cè)摩阻力加權(quán)平均值和樁端土承載力。輸出層為1個(gè)參數(shù)即為單樁承載力。按照上述訓(xùn)練參數(shù)的設(shè)定，通過30根混凝土預(yù)制樁的數(shù)據(jù)資料進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練，并且使用人機(jī)互動(dòng)的算法軟件實(shí)現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練得到單樁承載力的預(yù)測(cè)模型。進(jìn)化神經(jīng)網(wǎng)絡(luò)算法軟件見圖2。

然后通過檢測(cè)樣本對(duì)預(yù)測(cè)網(wǎng)絡(luò)模型進(jìn)行檢驗(yàn)，檢驗(yàn)結(jié)果見表2，證明預(yù)測(cè)模型有一定的外推能力。

表2 網(wǎng)絡(luò)模型檢測(cè)樣本結(jié)果

3 結(jié)語(yǔ)

神經(jīng)網(wǎng)絡(luò)算法對(duì)于處理非線性問題有較好的優(yōu)勢(shì)，通過分析可知對(duì)于單樁承載力的預(yù)測(cè)問題，可以使用神經(jīng)網(wǎng)絡(luò)算法來確定它們之間的非線性關(guān)系，以進(jìn)行單樁承載力的預(yù)測(cè)。通過遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了改進(jìn)，提高了算法全局尋優(yōu)能力。通過收集到的山西太原地區(qū)的混凝土預(yù)制樁的數(shù)據(jù)資料，使用進(jìn)化神經(jīng)網(wǎng)絡(luò)進(jìn)行樣本的學(xué)習(xí)訓(xùn)練，得到了單樁承載力的預(yù)測(cè)模型，通過檢測(cè)樣本進(jìn)行檢驗(yàn)，證明了模型有較好的外推能力。

[1] 焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論[M].西安:西安交通大學(xué)出版社,1990.

[2] 張 清,宋家蓉.利用神經(jīng)元網(wǎng)絡(luò)預(yù)測(cè)巖石或巖石工程的力學(xué)性態(tài)[J].巖石力學(xué)與工程學(xué)報(bào),1992,11(1):35-43.

[3] 黃 強(qiáng).樁基工程若干熱點(diǎn)技術(shù)問題[M].北京:中國(guó)建筑工業(yè)出版社,1996.

[4] 張立明.人工神經(jīng)網(wǎng)絡(luò)的模型及應(yīng)用[M].上海:復(fù)旦大學(xué)出版社,1993.

Research on prediction model of single pile bearing capacity based on evolutionary neural network

Yang Aixin

(Shanxi2ndConstructionGroupCo.,Ltd,Taiyuan030013,China)

Through the collection to the single pile bearing force data sample do network model of learning and training samples, to establish based on evolutionary neural network the single pile bearing capacity prediction model and samples were detected by the extrapolation capability of prediction model were detected, proved that the prediction model has better prediction ability.

neural network, genetic algorithm, single pile bearing capacity, prediction model

1009-6825(2016)24-0075-02

2016-06-20

楊愛新(1971- )，女，工程師

TU473.11

A