应用BP神经网络预测嵌岩桩竖向承载力地研究.pdfVIP

2005年第33卷增刊 地球与环境 V01．33，Suppl．，2005 EARTHANDENⅥRONMENT 91 文章编号：1672—9250(2005)增一0091-04 应用BP神经网络预测嵌岩桩竖向承载力的研究 魏际兵1，陈华兴2，黄大勇1，龙百画1，陆冰洋1 (1．贵州大学土木工程学院，贵州贵阳550003；2．贵州省交通规划勘察设计研究院，贵州贵阳550001) 摘要：利用BP神经网络，建立了嵌岩桩竖向承载力预测的BP神经网络模型，采用嵌岩桩竖向承载力的实验数 据对网络进行了训练，并以此训练好的BP神经网络对嵌岩桩承载力进行了预测。预测结果表明，该模型具有很高 的预测精度，为预测嵌岩桩承载力提供了一种新的方法。 关键词：竖向承载力；预测；嵌岩桩；BP神经网络 中图分类号：TU473．1+1 文献标识码：A 桩基是最古老的基础形式之一。但是由于影响 Ew(J，J)×B(J)+V(，) 桩基竖向极限承载力的因素很多，因此如何合理地 i=l 0 确定桩基的竖向承载力，充分发挥桩基的技术经济 Ew(j，J)×D(J) j=l 效益，是工程界一个值得研究的重要课题。本文应 2 BP神经网络嵌岩桩承载力预测应用研究 用神经网络理论，建立嵌岩桩承载力预测的BP神 经网络模型，采用嵌岩桩承载力的实验数据对网络 本文根据文献[23，进行BP神经网络嵌岩桩承 进行了训练，以此训练好的BP神经网络对嵌岩桩 载力预测应用研究(如表1、表2所示)。 承载力进行了预测，结果表明，该模型具有很高的预 2．1神经网络输入与输出层的设计 测精度。 输入的神经单元可以根据需要求解的问题和数 据表示的方式而定。根据参考文献[3]，考虑到影响 1 BP神经网络基本理论 嵌岩桩嵌岩段极限承载力的影响因素，确定输入数 BP网络是一种多层人工神经网络，它含有输入 据为5个，这5个数据分别是桩径、桩长、嵌岩深度、 层节点、输出层节点和一层或多层隐含层点。BP网 岩石强度及岩石风化程度。其中我们把岩石风化程 度分为微风化、中风化、和强风化三种状况，参数相 络采用广义Delta学习规则，Sigmoid型传递函数， 其学习过程由正向传播和误差反向传播组成。在正 应取为1、0．5和0。 向传播中输入信息从输入层到隐含层处理，并传向 输出数据既是BP神经网络预测的嵌岩桩嵌岩 输出层，每一层神经元的状态只影响下一层神经元 段的承载力，所以确定为1个输出数据。 的状态。如果输出层得不到期望的输出，则转入反 2．2隐含层的数目 向传播，误差信号沿原来的路径返回，通过修改各层 增加层数主要可以更进一步的降低误差，提高 的权值使误差信号最小。其理论基础根据参考文献 精度，但同时也使网络复杂化，从而增加了网络权值 E1]。 的训练时间，而误差精度的提高实际上可以提高增 BP网络学习的过程就是使能量函数最小化的 加隐含层中的神经元数目来获得，其训练效果也比 过程。 增加层数更容易观察和调整，所以一般情况下，应优 N 先增加隐含层中的神经元数。在本文中的嵌岩桩承 ∑