遗传优化RBPNN的隧道围岩力学参数反演计算.pdfVIP

第43卷第9期 数学的实践与认识 Vbl．43．NO．9 2013年5月 MATHEMATICSINPRACTICEANDTHEORy May,2013 遗传优化RBPNN的隧道围岩力学参数反演计算 龙熙华，，李保霖，一，叶万军。，u，张兵·，。 (1．西安科技大学计算机科学与技术学院，陕西西安710054) (2．西安科技大学建筑与土木工程学院，陕西西安710054) (3．长安大学西部矿产资源与地质工程教育部重点实验室，陕西西安710054) 摘要：针对隧道围岩参数取值的不确定性，以现场量测得到的位移信息量为基础， 利用结构分析有限元的正演分析法提取实验样本，构造遗传算法全结构优化的径向 基概率神经网络(RBPNN)模型，反演围岩力学参数．结果表明，利用遗传优化径向 基概率神经网络反演围岩力学参数能够达到工程应用要求，为隧道施工的理论及其 工程化方法提供了有效的途径． 关键词：参数反演；径向基概率神经网络；遗传算法 隧道施工中，隧道重要地段和部位的变形数值难以实际测量，需要通过围岩力学参数来 计算．而在实际工程中实测这些参数非常不便，且数量极少，为工程的正常实旌带来很多阻 碍．目前确定围岩力学参数的方法主要有三种：一是室内试验和现场原位测试；二是经验类 比和经验估算法；三是位移反分析法．大量的研究表叽通过现场施工监控量测位移，反分析 围岩力学参数，是工程修正和动态设计中信息反馈的重要手段．近年来，有限差分与极差分析 法【1]、Bp神经网络【2]成为反演围岩力学参数的普遍方法．但由于有限差分与极差分析法非 线性映射能力弱，而BP网络自身收敛速度慢、精度低等局限性，参数反演的精度和速度都达 不到工程实际的需要． 算法搜索使得RBPNN训练法误差最小的最优隐中心矢量，以及相匹配的核函数控制参数， 优化网络结构，增加网络收敛速度与稳定性；最后根据现场量测的物理位移计数值，通过结 构分析有限元的正演分析法建立神经网络训练样本，利用遗传优化RBPNN反演计算围岩力 学参数．实例验证表明，遗传优化RBPNN的围岩力学参数反演，相对其它方法在计算精度和 时间上都有很大的提升，是一种高效的围岩力学参数计算方法． 1全结构遗传优化RBPNN模型 1．1 RBPNN网络 RBPNN传承了概率神经网络收敛性能好、速度快以及径向基神经网络结构简单、多类 别模式间交错影响小等优点．网络结构分为输入层、模式层、求和层和输出层，如图1所示． 收稿日期：2012—12—12 万方数据 116 数学的实践与认识 43卷 1)模式层又叫第一隐层，由样本空间中每个模式类别的中心矢量(即隐中心矢量)组成· 输入层与模式层的传输函数必须都是满足Parzen窗函数的径向基函数． ● ● ● ◆ ◆ 净 ◆ ● _ ● ◆ ● _ 图lRBPNN网络结构 隐中心矢量必须在明确样本类别属性的情况下，选取最能代表该类别属性特征的若干样 本作为该类别的隐中心点．本文利用遗传算法同步优化选取隐中心矢量和相匹配的核函数控 制参数13】，则模式层第i个节点的输出为： m沪eXp(一(峻笋)2) (1) 上式中盯为核函数控制参数，zt为第i个训练样本点节点，C／t为第1个类别的第￡个隐中心 矢量． 2)求和层又叫第二隐层．其对第一隐层节点按类别的不同执行求和运算．求和层输出 为： 嘣蚴=娄(唧(一(与笋)2))