人工神经网络在静力载荷测试中的应用

    目前,依据沉降观测值预测沉降量的方法有很多种,如双曲线法、沉降速率法、三点法、灰色预测、时间序列分析等。而神经网络由于其并行处理的能力、分布式存储、自适应、自组织、自学习能力的特点,以及不需要知道数据间的分布形式和变量间关系,能从已知数据中自动归纳规则,获得这些数据的内在规律,建立各影响因素之间的高度非线性映射关系,特别是对残缺不全或模糊随机的不确定信息具有较强的容错能力。这些因素决定了神经网络方法在处理建筑物沉降分析方面具有较好的应用基础。目前已有很多岩土工作者将其应用于工程,并取得一些成果。本文采用人工神经网络理论,提出了某电厂静力载荷数据预测沉降的人工神经网络预测模型,并对该工程静载的沉降进行了预测分析。

    1　BP神经网络模型

    1·1　BP神经网络原理

    BP神经网络采用误差反向传播算法(ErrorBackOPropagationAlgorithm),典型的BP网络是由三层网络组成,分别是输入层、隐含层和输出层。各层之间实行全连接,见图1。

    首先对每一种输入模式设定一个期望输出值,然后对网络输入实际的学习记忆模式,并由输入层经神经元向输出层传播,此过程称为模式顺传播。实际输出与期望输出的差即误差,按照误差平方和最小这一规则,由输出层往隐含层据此逐层修正连接权重和阈值,此过程称为误差逆传播。随着模式顺传播和误差逆传播过程的交替反复进行,不断调整网络的权值和阈值,使得误差信号最小,最终使网络的实际输出逐渐向各自所对应的期望输出逼近。

    1·2　BP算法学习过程的具体方法

    设输入模式向量A_k=(a₁, a₂,…a_n),希望输出向量Y_k=(y₁, y₂,…y_q);中间层单元输入向量S_k=(s₁, s₂,…s_p),输出向量Bk=(b₁, b₂,…b_p);输出层单元输入向量L_k=(l₁, l₂,…l_q),输出向量C_k=(c₁, c₂,…c_q);输入层至中间层的连接权{w_ij}, (i=1,2,…, n j=1,2,…, p);中间层至输出层连接权{vjt}, (j=1,2,…, p, t=1,2,…,q);中间层各单元输出阈值为{θ_j}, (j=1,2,…, p);输出层各单元输出阈值为{γ_t},(t=1,2,…, q)。以上k=1,2,…, m。

    这里采用S函数作为网络响应函数,选用S型函数作为BP网络的输出函数,其原因是S型函数具有可微性。同时它有一个重要特性,即:S函数的导数可用S函数自身表示,如式(1)和(2)所示。

网络的全局误差为:

    2　实例分析