基于GA-BP神經網絡的隧道圍巖力學參數(shù)反演
發(fā)布時間：2021-01-12 04:28
為在巖土工程設計和施工中獲得更加合理、可靠的巖體力學參數(shù),改善BP神經網絡算法存在的收斂速度慢、依賴初值等不足,采用GA-BP神經網絡方法,對隧道圍巖力學參數(shù)反演進行了研究。依托江西省萍蓮高速公路蓮花隧道工程,選取右洞YK35+095～YK35+135段作為模擬對象,利用FLAC3D有限差分法,按照微臺階法開挖,構建三維數(shù)值計算模型;設計了25組圍巖力學參數(shù)的正交試驗,代入已建立的數(shù)值模型,得到系列拱頂沉降、周邊位移以及地表沉降值,由此構造了神經網絡的樣本;采用遺傳算法和神經網絡相結合,其中遺傳算法種群規(guī)模取值30,最大遺傳代數(shù)取值25,交叉概率取值0.8,變異概率取值0.01,通過網絡訓練,得到了訓練成熟的GA-BP神經網絡,建立了待反演的圍巖力學參數(shù)與位移之間的映射關系;將蓮花隧道YK35+115斷面實測的拱頂沉降、周邊位移和地表沉降值,輸入到已訓練成熟的GA-BP神經網絡模型中,輸出得到圍巖的彈性模量、泊松比、黏聚力、內摩擦角等參數(shù)。結果表明:采用GA-BP神經網絡反演獲得的圍巖力學參數(shù),代入到FLAC3D數(shù)值模型中正演計算,得到拱頂沉降、周邊位移和地表沉降與現(xiàn)場實測值僅相差2....
【文章來源】：公路交通科技. 2020,37(07)北大核心
【文章頁數(shù)】：7 頁
【部分圖文】：
計算模型及網格劃分
BP神經網絡是采用誤差反向傳播計算的算法,有著良好的自組織學習能力,是目前應用最為廣泛的神經網絡模型之一。BP神經網絡包括輸入層、隱含層、輸出層,它能夠實現(xiàn)從輸入到輸出的任意非線性映射[18-19]。如圖2所示,輸入層神經元有m個,隱含層有p個,輸出層有n個。輸入層到隱含層的權值為Wij (i=1,2,…,m; j=1,2,…,p),隱含層到輸出層的權值為Wjk (j=1,2,…,p; k=1,2,…,n),隱含層的閾值為θj(j=1, 2,…,p),輸出層的閾值為αk(k=1,2,…,n)。神經網絡的輸入向量為X1,X2,…,Xm,神經網絡的輸出向量為Y1, Y2,…,Ym,期望輸出為Yh,神經網絡期望輸出值與實際輸出值的誤差e。在BP神經網絡訓練時,權值為隨機值,輸入學習樣本得到網絡的輸出值,然后通過輸出值與期望值的誤差值,再通過修改網絡參數(shù),達到使誤差值不斷減小的目的,如此反復,直至誤差值不再下降,就能得到訓練成熟的神經網絡模型。
GA-BP神經網絡通過優(yōu)化BP神經網絡中隨機生成的初始權值與閾值,使得傳統(tǒng)的BP神經網絡具有更優(yōu)的非線性映射能力,具有更好的預測能力。在GA-BP神經網絡中,首先對種群個體進行編碼;再利用神經網絡訓練誤差并將此作為適應度函數(shù);其次,通過選擇、自適應交叉和變異算子,獲得種群最佳適應度個體;最后將種群最佳適應度個體作為神經網絡的最佳初始權值、閾值;繼而代入到BP神經網絡中進行訓練、預測仿真,直到達到滿足設定的預測誤差要求或者達到設定的最大迭代次數(shù)結束,從而獲得成熟的GA-BP神經網絡。其算法流程如圖3所示。
【參考文獻】：
期刊論文
[1]白水隧道圍巖力學參數(shù)敏感性分析與智能反演[J]. 祝江林,陳秋南. 湖南文理學院學報(自然科學版). 2019(02)
[2]淺埋地下洞室圍巖巖體力學參數(shù)反分析研究[J]. 戴薇,石崇,張金龍. 河北工程大學學報(自然科學版). 2019(01)
[3]沙灣特長隧道軟弱破碎千枚巖圍巖參數(shù)敏感性分析與反演研究[J]. 王軍祥,藺雅嫻,孟津竹,葛萬民,寇海軍. 隧道建設(中英文). 2018(S2)
[4]應用GA-BP神經網絡預估礫類土的最大干密度[J]. 饒云康,丁瑜,許文年,張亮,張恒,潘波. 長江科學院院報. 2019(04)
[5]基于遺傳算法的BP神經網絡在隧道圍巖參數(shù)反演和變形預測中的應用[J]. 周冠南,孫玉永,賈蓬. 現(xiàn)代隧道技術. 2018(01)
[6]高寒地區(qū)碾壓混凝土壩運行期力學參數(shù)反演分析[J]. 萬智勇,黃耀英,朱趙輝,王廷,景繼,肖磊. 水利水電技術. 2017(12)
[7]基于多變量的集成預測模型在隧道拱頂沉降變形預測中的應用[J]. 肖大海,謝全敏,楊文東. 公路交通科技. 2017(12)
[8]隧道膨脹性圍巖蠕變特性分析及參數(shù)反演[J]. 呂志濤,吳庚林,靳曉光,李亞勇. 地下空間與工程學報. 2016(06)
[9]大連地鐵暗挖隧道變形監(jiān)測及參數(shù)智能反演[J]. 趙杰,劉歷勝,王桂萱,孫曉艷. 防災減災工程學報. 2016(04)
[10]砂土區(qū)間地鐵盾構施工土體參數(shù)反演及其驗證[J]. 李振濤,姜磊,劉宇,汪江. 地下空間與工程學報. 2014(03)
博士論文
[1]雙孔平行地鐵隧道開挖的復變函數(shù)解析解與數(shù)值分析[D]. 施有志.華僑大學 2013
碩士論文
[1]基于輪壤相互作用模型的星壤力學參數(shù)反演研究[D]. 蓋宏健.吉林大學 2019
本文編號：2972151
【文章來源】：公路交通科技. 2020,37(07)北大核心
【文章頁數(shù)】：7 頁
【部分圖文】：
計算模型及網格劃分
BP神經網絡是采用誤差反向傳播計算的算法,有著良好的自組織學習能力,是目前應用最為廣泛的神經網絡模型之一。BP神經網絡包括輸入層、隱含層、輸出層,它能夠實現(xiàn)從輸入到輸出的任意非線性映射[18-19]。如圖2所示,輸入層神經元有m個,隱含層有p個,輸出層有n個。輸入層到隱含層的權值為Wij (i=1,2,…,m; j=1,2,…,p),隱含層到輸出層的權值為Wjk (j=1,2,…,p; k=1,2,…,n),隱含層的閾值為θj(j=1, 2,…,p),輸出層的閾值為αk(k=1,2,…,n)。神經網絡的輸入向量為X1,X2,…,Xm,神經網絡的輸出向量為Y1, Y2,…,Ym,期望輸出為Yh,神經網絡期望輸出值與實際輸出值的誤差e。在BP神經網絡訓練時,權值為隨機值,輸入學習樣本得到網絡的輸出值,然后通過輸出值與期望值的誤差值,再通過修改網絡參數(shù),達到使誤差值不斷減小的目的,如此反復,直至誤差值不再下降,就能得到訓練成熟的神經網絡模型。
GA-BP神經網絡通過優(yōu)化BP神經網絡中隨機生成的初始權值與閾值,使得傳統(tǒng)的BP神經網絡具有更優(yōu)的非線性映射能力,具有更好的預測能力。在GA-BP神經網絡中,首先對種群個體進行編碼;再利用神經網絡訓練誤差并將此作為適應度函數(shù);其次,通過選擇、自適應交叉和變異算子,獲得種群最佳適應度個體;最后將種群最佳適應度個體作為神經網絡的最佳初始權值、閾值;繼而代入到BP神經網絡中進行訓練、預測仿真,直到達到滿足設定的預測誤差要求或者達到設定的最大迭代次數(shù)結束,從而獲得成熟的GA-BP神經網絡。其算法流程如圖3所示。
【參考文獻】：
期刊論文
[1]白水隧道圍巖力學參數(shù)敏感性分析與智能反演[J]. 祝江林,陳秋南. 湖南文理學院學報(自然科學版). 2019(02)
[2]淺埋地下洞室圍巖巖體力學參數(shù)反分析研究[J]. 戴薇,石崇,張金龍. 河北工程大學學報(自然科學版). 2019(01)
[3]沙灣特長隧道軟弱破碎千枚巖圍巖參數(shù)敏感性分析與反演研究[J]. 王軍祥,藺雅嫻,孟津竹,葛萬民,寇海軍. 隧道建設(中英文). 2018(S2)
[4]應用GA-BP神經網絡預估礫類土的最大干密度[J]. 饒云康,丁瑜,許文年,張亮,張恒,潘波. 長江科學院院報. 2019(04)
[5]基于遺傳算法的BP神經網絡在隧道圍巖參數(shù)反演和變形預測中的應用[J]. 周冠南,孫玉永,賈蓬. 現(xiàn)代隧道技術. 2018(01)
[6]高寒地區(qū)碾壓混凝土壩運行期力學參數(shù)反演分析[J]. 萬智勇,黃耀英,朱趙輝,王廷,景繼,肖磊. 水利水電技術. 2017(12)
[7]基于多變量的集成預測模型在隧道拱頂沉降變形預測中的應用[J]. 肖大海,謝全敏,楊文東. 公路交通科技. 2017(12)
[8]隧道膨脹性圍巖蠕變特性分析及參數(shù)反演[J]. 呂志濤,吳庚林,靳曉光,李亞勇. 地下空間與工程學報. 2016(06)
[9]大連地鐵暗挖隧道變形監(jiān)測及參數(shù)智能反演[J]. 趙杰,劉歷勝,王桂萱,孫曉艷. 防災減災工程學報. 2016(04)
[10]砂土區(qū)間地鐵盾構施工土體參數(shù)反演及其驗證[J]. 李振濤,姜磊,劉宇,汪江. 地下空間與工程學報. 2014(03)
博士論文
[1]雙孔平行地鐵隧道開挖的復變函數(shù)解析解與數(shù)值分析[D]. 施有志.華僑大學 2013
碩士論文
[1]基于輪壤相互作用模型的星壤力學參數(shù)反演研究[D]. 蓋宏健.吉林大學 2019
本文編號：2972151
本文鏈接：http://sikaile.net/kejilunwen/jiaotonggongchenglunwen/2972151.html
