BP神经网络在建筑物沉降预测中的应用.pdfVIP

BP神经网络在建筑物沉降预测中的应用 洪友堂 秦绪文 1.中国地质大学，北京1000832.中国地质调查局，北京，100011 摘要：基于人工神经网络强大的动态数据处理能力和学习能力，本文对应用BP神经网进行建筑物沉降预测 的方法进行了初步探讨，并通过实例分析了该方法的可行性和实用性。 关键词：BP神经网络；沉降；预测；模型 · 997· 2006年全国博士生学术论坛 地层状况、地基是否处理、施工工期(测量时 包括结构施工期和建筑装修期，以月为单位； 问)为输人层，结构施工期间和建筑装修期间的 地层状况分为粘土、砂土、人工填土、砾砂四 沉降为输出层，利用梯度下降法调整权值以及误 类，分别用1、2、3、4表示；建筑楼层用整性 差的反向传播，这样，BP神经网络的输入节点 数字表示其楼层数；是否打桩分别用1、O表 数为4，隐含层的节点数为9，输出节点数为2。 示。神经网络根据这些初始值通过BP反传算法 程序设计时取测量时间、地层状况、建筑 调整权值后输出两个时期的沉降量——结构施 物层数、地基是否处理为网络的输入，它们放 工期沉降量和建筑装修期沉降量，参见图2， 人一个数组。测量时间指沉降观测的时间长短， 图2 建筑物沉降预测模型 节点权值和偏置量数组w1[]、b2[]。另外， 3程序设计 程序中包含了几个方法，train()方法包含了 用Java的Applet程序编写，由4个源文件BP神经网络的训练算法；sim()方法包含了 构成——BpNet．java，neuraLjava，sim．txt，BP神经网络的模拟算法。而train()方法所 train．txt。其中，train．txt用来存放训练样本 实现的网络训练算法更是整个BpNet类的核心， 数据。sim．txt用来存放模拟数据。 当然也是整个程序核心的核心，train()开始 BpNet．java是整个程序的核心，其主类前需对训练数据进行了“归一化”，包括输入样 本和输出样本． BpNet包含了神经网络的整个过程。其中定义 了一些必须的全局参量——输入节点数inNum、 4 网络训练及数据分析 隐含节点数hideNum、输出节点数outNum、 输入层一隐含层的权值学习率rate—w、隐含层 网络训练是通过对训练数据(28组中取27 一输出层的权值学习率rate—w1、隐含层偏置组)循环训练60000次完成的。 量学习率rate—b1、输出层偏置量学习率rate—表1为28组训练数据，数据来源于28栋 b2及用于存放输入层一隐含层的节点权值和偏 建筑物的实测沉降观测资料。 置量数组w[]、b1[]和隐含层一输出层的 ·998。BP神经网络在建筑物沉降预测中的应用 表1 沉降训练数据 结构施工期 建筑装修期 是否地 建筑物编号 测量时间(月) 楼层 地层 间沉降量(cm) 间沉降量(cm) 基处理 Jzhwl 1．4862 0．6344 13 16 粘土 否 Jzhw2 1．0337 0．2953 8 ‘16 粘土 否 Jzhw3 1．8128 O．7738 12 20 粘土 否