基于BP人工神经网络的公路软土地基沉降预测.pdf

基于BP人工神经网络的公路软土地基沉降预测 张德刚 翟 娟 (1．中交一公局桥隧工程有限公司 高碑店 074000；2．湖北交通职业技术学院 武汉 430079) 摘 要 采用 BP人工神经网络 ，利用杭瑞高速公路软土地基实测沉降数据直接建模 ，进行 了软土 地基最终沉降量 的预测 ．将预测结果与曲线拟合法中的双曲线法、指数 曲线法、三点法的预测结果 进行了对 比分析 。证 明神经网络法能避免传统方法计算过程中各种人为因素的干扰 ，计算精度 高 ，泛化性强 ，简便易行 关键词 软土路基 沉 降预测 人工神经网络 在软土地基上修建高速公路 ，其核心问题在 表 1 训练样本仿真值与 目标值对照表 于控制软基的沉降口]。为了掌握路堤在施工期中 的变形动态，必须建立动态观测和软基沉降动态 预报系统。一方面确保路堤在施工过程中的安全 和稳定；另一方面，软土地基上的高速公路路基潜 在的工后沉降会对交通运输造成相当大的危害， 因此要正确预测工后沉降，使工后沉降控制在设 计的允许范围之内。由于影响软土路基沉降的因 素很多[2]，且各因素随时间都在不断变化 ，而且软 土的性质极为复杂，土性参数的确定比较 困难 ，准 确计算和预测软土路基沉降是软土路基施工控制 技术的难点。 本文采用 BP人工神经网络，利用杭瑞高速 公路软土地基实测沉降数据直接建模 ，进行 了软 土地基最终沉降量的预测，将预测结果与曲线拟 合法中的双曲线法 、指数曲线法 、三点法的预测结 果进行对 比分析。 1 神经网络建模及训练 1．1 数据采集及归一化处理 训练样本数据见表 1，为使 网络训练更加有 效 ，在训练前可对样本数据进行归一化处理 ，即将 输入输出数据映射在 [一l，1]范 围内，训练结束 后 ，将仿真输出再反映射到原数据范围。可以直 接调用 Matlab神经 网络工具箱∞提供的归一化 和反归一化 函数 。本文归一化处理就是直接调用 函数来进行处理。归一化函数为 premnmx，反归 一 化函数为 postmnmx。 收稿 日期 ：2O10一O1—24 本文以输入层的 3个神经元为输入 向量 P， 真值和 目标值 比较 图 ，结果如图 2。图中 “+”点 “当前时刻累计沉降量”为 目标向量 T’。 是以网络仿真值为横坐标 、目标值为纵坐标绘制 1．2 网络设计 的 ，即每一点 的坐标 为 (X仿真值，Y日标值)。从图中 由于单隐层 BP网络的非线性映射能力比较 观察，几乎每个 “+”点都在 图中对角线上，说明仿 强，本文采用单隐层的神经网络。 真值与 目标值基本相 同，神经网络能够很好地进 输入层神经元个数为 3，隐含层神经元个数 行仿真输出。 为7，输出层神经元个数为 l；隐含层 的传递 函数 表 2 K59+580测试样本实测沉降与预测结果 类型为tansig，输出层的传递函数类型为purelin； 天数 ／d 实测值 ／ram 预测值 ／mm 相对误差／mm 训练函数选取traingdx；学 习函数选取 learngdm； 性能函数选取mse。 1．3 网络训练 在 Matlab的命令行按回车键后 ，网络开始训 练 ，出现动态的网络训练窗 口，窗 口中显示误差逐 渐下降的过程。窗口上方显示 当前的训练误差和 目标误差值，当训练误差小于 目标误差值时，网络 停止训练；窗口下方显示当前的训练次数，当训练 次数大于网络设定 的最大训练时 ，网络也停止训 练；同时，如果网络的性能函数梯度降低到最小值 或者连续验证失败次数超过最大次数时，网络都 会停止训练。训练结果如图 1。 1(J l( 1o ＼ 嗤 1() 图 2 训练效 果检验 图 (1 l(10 150 2(J() 25(I ：“】() 35(I