基于BP神經網絡的鎮(zhèn)江地區(qū)土層剪切波速預測

徐為海

(鎮(zhèn)江市勘察測繪研究院有限公司,江蘇 鎮(zhèn)江 212000)

在建筑抗震設計中,場地類別直接影響工程的造價,故準確判定場地類別顯得十分重要。根據相關規(guī)范,勘察時需獲得各土層的剪切波速以計算場地的等效剪切波速,再結合覆蓋層厚度,對工程場地的類別進行劃分。因此,確定土層剪切波速是勘察中一項重要的工作。

目前獲得地層的剪切波速主要有實測波速法,查表估值法以及經驗公式計算法等。其中實測波速法適用各類情況,測試結果較為準確客觀,但測試過程耗時耗力;查表估值法和經驗公式計算法未考慮區(qū)域地層特性影響,或受計算參數限制,估算結果缺乏客觀性。在上述方法外,探索出一種可靠、準確,易于操作的獲得土層剪切波速的方法,對勘察技術人員更加客觀地判別場地類別有重要意義。

近年來,人工神經網絡廣泛應用于各類工程建設中[1-2],其中BP神經網絡在巖土工程中運用廣泛,徐鵬逍[3]根據BP神經網絡理論,建立了包含地層預測模塊和巖土參數預測模塊的鉆孔間巖土參數預測專家系統(tǒng);歐陽磊等[4]建立了以常規(guī)物理參數為輸入變量,以壓縮系數為輸出向量的BP神經網絡預測模型,并用遺傳算法優(yōu)化了該模型,提高了預測性能。

本文針對鎮(zhèn)江地區(qū)典型土層,嘗試采用BP神經網絡預測其剪切波速,預測值與實測值偏離度較低,且較其他估算方法獲得的值具有客觀可靠、使用方便的優(yōu)勢。

1 獲得剪切波速的方法

1.1 實測波速

實測波速根據震源位置不同一般有地面敲擊法和孔中自激自收法,目前勘察單位在生產中,一般采用測試過程較為方便的孔中自激自收的懸掛式波速測井法完成測試,波速測井儀示意圖見圖1。該方法是利用鉆孔中井液作為耦合劑,用電磁震源垂直于井壁作用一瞬時沖擊力,在井壁地層中產生兩種類型質點振動,一種是質點振動方向垂直于井壁,沿著井壁方向傳播,即為剪切波(S波),另一種是質點振動方向與傳播方向相同,即為壓縮波(P波)。

該方法較地面敲擊法簡便易行,但由于該測試方法需要以水、泥漿等液體為耦合劑,在實際使用過程中較為不便。如鎮(zhèn)江地區(qū)下蜀土層分布較廣,該類土層鉆進時無需泥漿護壁,且鉆進過程中孔中基本干燥,波速測試時需在鉆孔中灌滿水方可試驗;鎮(zhèn)江地區(qū)部分場地底部分布易漏水的碎石層,該類場地內的鉆孔存水(漿)困難,實測波速較難開展。

此外,實測波速尚受其他條件限制。根據陳卓識[5]的研究,場地噪聲和數據處理方法是導致剪切波速測試不確定性的重要因素;由于勘察施工過程中較多情況需使用套管以保證孔壁穩(wěn)定,常常在有孔內鋼套管的情況下進行測試,鐘梁等[6]的研究雖然對波速測試孔中套管的選材、套管長度給出了建議,但不易應用于實際工程施工中。

綜上所述,實測波速值受場地環(huán)境、地層等各類因素影響較大,因此,對場地實測的波速值進行驗證后使用也顯得很有必要。

1.2 查表估算

查表估算法系根據勘察相關規(guī)范給出的地層剪切波速的估值范圍,依據巖土名稱和性狀,確定土的類型,再利用當地經驗,在剪切波速范圍內估算各土層的剪切波速[7](見表1)。

表1 場地土的類型劃分和剪切波速范圍表

該方法估值范圍較寬,一般按地層估值,取值較粗,對于臨界類型的土層不能給出依據充分的數值。該方法受主觀影響較大,多適用于初步預估。若需較為準確估算,要求fak需要由載荷試驗等方法獲得,實際操作較為困難。

1.3 經驗公式計算

經驗公式一般通過建立剪切波速與標準貫入錘擊數[8]或深度[9]等參數的回歸方程,該類關系式具有較強的地區(qū)適用性;南京、上海等地區(qū)的“地基基礎設計規(guī)范”也給出了標準貫入試驗錘擊數和剪切波速的回歸關系式,如鎮(zhèn)江地區(qū)常用的《南京地區(qū)地基基礎設計規(guī)范》對于粉質黏土中的剪切波速,推薦關系式見式(1):

vs=105N0.30

(1)

其中,vs為剪切波速,m/s;N為標準貫入試驗錘擊數實測值。

工程地質手冊提供了一種剪切波速與深度的關系模型[10],見式(2):

vs=aHb

(2)

其中,H為深度,m;a,b均為系數,根據149個鉆孔分層剪切波速平均值a=124.5,b=0.267。

上述波速估算經驗公式,由于各地土層的巨大差異性,很難反映當地實際情況。

2 BP神經網絡預測剪切波速模型

2.1 BP神經網絡

BP神經網絡的原理和訓練過程如下(以只含一層隱含層的三層網絡為例):

1)網絡的初始化。確定網絡的輸入層向量X=(x1,x2,…,xn)和輸出層向量O=(o1,o2,…,on),根據輸入和輸出變量的個數估算隱含層的層數和神經元個數,對各層神經元的連接權值進行初始化,對隱含層的閾值和輸出層的閾值進行初始化,還需要確定神經元的激活函數,訓練目標最小誤差等參數。

2)隱含層輸出計算。根據輸入層向量X,輸入層和隱含層的連接權值wij,隱含層的閾值a,計算隱含層的輸出H,見式(3):

(3)

其中,m為隱含層節(jié)點個數;f()為輸入到輸出傳遞函數(也稱激活函數),本文采用的傳遞函數為tansig對稱S形函數,見式(4):

(4)

3)輸出層輸出計算,根據隱含層輸出H,隱含層和輸出層的連接權值vij,隱含層的閾值b,計算隱含層的實際輸出D,見式(5):

(5)

4)計算誤差。根據網絡實際計算輸出D與期望輸出O計算誤差E,見式(6):

(6)

5)更新權值。根據網絡的整體誤差E,重新調整各層連接權值,見式(7)—式(11):

wij=wij+Δwij

(7)

vjk=vjk+Δvjk

(8)

(9)

(10)

(11)

其中,μ為學習速率。

6)計算結束。以總誤差是否達到精度等要求來判斷迭代算法是否終止,否則返回第2步。

2.2 BP神經網絡模型預測剪切波速的應用

2.2.1 數據選取

土層剪切波速值和其他物理力學參數同為反映土層軟硬特性的重要指標,大量研究表明,土層的物理力學性質和埋深與剪切波速有很強的關聯性[11-12],各參數與剪切波速呈非線性映射特性,而BP神經網絡具有處理類似非線性關系的巨大優(yōu)勢。

土層的物理力學參數中,含水率、密度、比重、界限含水率以及壓縮系數為土工試驗分別測得的參數,各參數間基本不具備相關性,或者相互影響較小,符合構建BP神經網絡模型的基本條件。

本文數據來自于鎮(zhèn)江地區(qū)的勘察資料,以該地區(qū)典型細粒土層為研究對象,共搜集700余組數據。每組數據由土層某深度處的相關參數組成,包括該深度處的剪切波速值,該深度處土樣的土工試驗實測值,共計8個變量組成。以其中6個土工試驗實測值和深度為輸入變量,以剪切波速值為輸出變量構建BP神經網絡模型。BP神經網絡預測模型的拓撲結構如圖2所示,每組數據組成及其數值范圍見表2。

表2 場地土的類型劃分和剪切波速范圍表

2.2.2 參數設置

通過大量的數據分析,并考慮網絡模型的實用性,本模型采用1個隱含層即可滿足精度要求。隱含層神經元個數對BP神經網絡的性能影響較大,一般隱含層神經元個數范圍按經驗式(12)確定:

(12)

其中,k為隱含層神經元個數;m為輸入層神經元個數;n為輸出層神經元個數;q為0～10之間的常數。

根據式(12),本模型隱含層的神經元個數在3個～13個為宜。

本文采用決定系數評價模型的性能,其計算公式見式(13):

(13)

決定系數的范圍在[0,1],該值越接近1,表明模型的預測性能越好,反之越差。

為了降低初始權值和閾值對預測結果的影響,在神經網絡訓練時選取運行10次所得決定系數的平均值作為模型的評價指標。由圖3可見,當隱含層神經元個數為8時,決定系數的平均值最大,為0.941 2。表3列出了不同神經元個數時,模型運行10次所反映出決定系數的情況。

表3 神經元個數與決定系數詳情

經過大量訓練,確定本預測模型采用含有8個神經元的單隱含層BP神經網絡。

2.3 BP神經網絡模型預測結果與其他方法的結果對比

為檢驗本文的預測模型,選取鎮(zhèn)江地區(qū)某工程實測波速孔,該實測孔揭露了鎮(zhèn)江地區(qū)典型黏性土地層,其相關地層指標參數見表4。

表4 地層指標參數表

以表4的地層數據為驗證樣本,分別采用本文的BP神經網絡預測法、經驗公式法進行剪切波速值的預測和估算,再以所得的結果與實測值進行對比,結果見表5。其中,經驗公式法分別用鎮(zhèn)江地區(qū)常用規(guī)范經驗公式(1)和手冊經驗公式(2)計算。預測結果對比圖見圖4。

表5 預測值與實測值對比表

從圖4可見,BP神經網絡模型的預測值與實測值的相似度最高,其與實測值的誤差在0.9%～17.7%,平均誤差為6.59%,最大誤差小于20%,因此本文構建的BP神經網絡預測模型能較為準確的預測剪切波速。

3 結語

本文基于BP神經網絡,構建以某深度土層的土工試驗參數為輸入變量,以剪切波速為輸出變量的預測模型,對預測模型用700余組數據進行訓練,最終確定模型為單隱含層,且隱含層含有8個神經元時預測效果最佳。最后用實際工程數據進行檢驗,驗證結果預測值與實測值平均誤差為6.59%,最大誤差小于20%,且采用BP神經網絡模型預測的結果明顯好于其他估算手段,證明該BP神經網絡模型具有較高的精度和可靠性,能夠用于勘察場地地層剪切波速的預測。