基于神经网络的砂砾石本构模型建立及其计算应用.docVIP

基于神经网络的砂砾石本构模型建立及其计算应用 林啸宇 （象山县水利局，浙江 象山 315700） [摘 要]人工神经网络的研究和应用为工程技术研究带来了很大的发展。本文尝试利用人工神经网络方法建立砂砾石材料的非线性本构模型，并结合工程实例进行了有限元分析计算。提出了对有一定高度的同性材料按不同围压进行分区，并结合神经网络本构模型进行计算的方法；对神经网络在本构模型上应用的特点提出了一点思考体会。 [关键词]神经网络；有限元；沉降；非线性；本构模型 1、问题的提出 岩土材料的应力应变关系即本构关系是研究大多数岩土问题的基础，因此也一贯受到众多专家学者们的重视。几十年来研究者们针对不同的岩土材料提出了许多本构模型，但基本上都可归属于考虑物理因素为参数的经验公式一类。 人工神经网络的研究和应用为工程技术研究带来了很大的发展。利用人工神经网络建立土体的本构模型作为一种新兴的方法具有一定的优势。理论已经证明，对多层B－P神经网络，当隐层神经元数目足够多时可以以任意精度逼近任何一个具有有限间断点的非线性函数【1】。利用人工神经网络建立土体的应力－应变映射关系避免了对土体物理属性的假定；对于不同类别的土体，可以利用试样试验数据进行样本训练，通过改变网络的权值来适应不同的映射关系。此外人工神经网络模型还有以下优点：网络的容错性可以减除试验中局部数据出错的影响；网络的泛化性还可以推测某些未知条件下的量值；通过增加输入参数的个数可以考虑更多的因素。但是利用人工神经网络方法建立起来的土体本构模型表现形式不同与通常的函数表达形式,它一般以离散的数据形式来表示。如何把这种离散的数据形式和有限元工具结合起来运用于实际工程计算中则是个比较困难的问题。目前有很多文章讨论了如何利用人工神经网络直接建立本构模型的方法，但具体如何将之应用于工程实践计算的不多。 2、思想方法 我们已经认识到土体的力学性能在应力作用下不是保持不变的线性关系。但同钢材等具有明显屈服点的塑性材料相比，土体在被破坏以前是一个持续变化的过程。这是由于在应力作用下，土体颗粒间隙以及颗粒本身发生持续变化的结果。从试验结果来看，得到的是一组不同围压条件下的曲线。借鉴几何中求曲线长度时可以利用有限的直线段有效地逼近曲线的真实长度的思路，我们可以用折线段来模拟材料的曲线变化关系。根据材料试验曲线的大致变化趋势，我们可以确定折线段的长度和数量，然后得到每个转折点的（应力，应变）坐标，再将之转化为（应力，弹模）数组。接着考虑整组曲线，得到一组关于（围压，应力，弹模）的三维数组。最后我们要考虑如何利用这个三维数组求得围压－应力－弹模这三者之间的关系。利用神经网络方法我们可以实现建立土体的本构关系的目的。 3、神经网络的建立 B-P神经网络是指基于误差反向传播算法(Error Back Propagation,简称B-P算法)的多层前向神经网络，其数学原理可以用以下示意图表示： 图1 BP网络数据处理示意图 B-P神经网络的建立通常需要利用计算机编程来实现。MATLAB是Mathworks公司于1984年推出的一套数值计算软件，分为总包和若干个工具箱，可以实现数值分析、优化、统计、偏微分方程数值解、自动控制、信号处理、图像处理等若干个领域的计算和图像显示功能。利用MATLAB神经网络工具箱我们可以将繁琐的编程变成简洁的集成函数调用，具体神经网络建立方法步骤如下：（1）根据问题内容和要求确定数据对象作为输入输出变量，并提取系列数据样本。（2）根据问题性质选择网络模型结构，包括激活函数、连接方式和各神经元之间的相互作用等。也可以直接选定已经封装的网络模型。（3）跟据已确定的网络模型选择网络模型参数，包括网络层数、各层神经元的个数以及权值的初值等。（4）选择权值的训练算法以及对训练结果的误差要求。（5）利用样本进行网络训练，并根据训练结果得到的网络进行仿真。 具体程序略。 4、模型的确定 上述神经网络编程建立实际只是确立了本构模型的框架，真正针对某种材料的神经网络本构模型必须通过样本数据（试验结果）的训练才能确定。 本文利用某设计院提供的S中型水库面板堆石坝方案的坝体砂砾石料的有关资料进行计算。 通过对砂砾石料的土工试验数据整理，建立第2节中提到的三维数组（围压，应力，弹模）如下表： 表1 σ3 200 200 200 400 400 400 400 400 700 700 700 700 σ1-σ3 0 500 1000 0 500 1000 1500 2000 0 500 1000 1500 E 6.67 4.00 1.02 7.69 5.88 3.57 1.52 0.62 11.11 9.09 6.25 4.17 续表1 σ3 700 700 700 1000 1000 1000 1000 100