基于BP网络的宾汉极限切应力的计算和预测.pdfVIP

No．4 第27卷第4期 河南科学 V01．27 2009年4月 HENANSCIENCE Apr．2009 文章编号：1004—3918(2009)04--0437--04 基于BP网络的宾汉极限切应力的计算和预测 叶春生， 杨自闯， 郝阳玲 (郑州人学水利与环境学院，郑州450001) 摘要：宾汉极限切应力是描述非牛顿体流变特性的一个重要参数，由于流体中泥沙颗粒之间作用的复杂性，使得 宾汉极限切应力的理论分析还不完善，其解析计算也较繁琐．基于BP神经网络的宾汉极限切应力的计算和预测，避 开不完善的理论分析，把已知的影响因子提供给网络，网络给出宾汉极限切应力的预测值．仿真结果表明，神经网 络切I练的结果与实测值吻合，显示了神经网络在宾汉极限切应力的计算和预测中优势． 关键词：BP神经网络；宾汉极限切应力 183 中图分类号：TP 文献标识码：A 当含泥沙水流中的泥沙浓度增高到一定限度后，水流的流变特性将发生质的变化，即由牛顿流体转变为 非牛顿流体．通常将具有非牛顿体特性的高含泥沙水流称作宾汉流体，它能承受一定的剪切力作用而不发 生变形．把宾汉流体在不发生变形情况下，能够承受的最大剪切力称作宾汉极限切应力，它是描述非牛顿 体流变特性的一个重要参数，它的计算在理论和实践中具有重要的意义．由于流体中泥沙颗粒之间作用的 复杂性，使得宾汉极限切应力的理论分析还不完善，其解析计算也较繁琐． 人工神经网络是模拟人脑思维与记忆的智能化数学模型及算法系统，通过对信息的自学习来反映信息 Network)即误差反向传播网络，是应用最广泛的人工 之间复杂的相关关系．BP神经网络(Back—Propagation 神经网络，它的数学意义明确，学习算法步骤分明，包含了神经网络理论最精华的部分，在函数逼近、模式识 别、信息分类及数据压缩等领域得到了广泛地应用．基于BP网络的宾汉极限切应力的计算和预测就是BP神 经网络在函数逼近领域的应用，它把影响宾汉极限切应力各因子之间复杂的相互关系寓于神经网络这个黑 箱系统中，由输入直接得到输出，提供了在理论分析尚不完善情况下求解宾汉极限切应力的一种简便有效的 方法． ． 1 BP神经网络的算法实现 BP神经网络是一种多层前馈网络，结构上是由输入层、隐层和输出层组成，层与层之间的神经元实现全 连接，同层内的神经元之间无连接．网络的训练包括正向传递和误差反向传播两个过程．当将一训练样本 提供给网络后，神经元的激活值从输入层经各隐层向输出层传播，输出层给出网络响应；然后按照减少实际 输出和目标输出之间误差的方向，从输出层反向经各隐层回到输入层，逐层修正各个连接权值和阈值．随 着误差逆向传播修正不断地进行，网络对输入的响应与真实值之间的误差不断减小，直至误差减小到允许的 精度，或达到预定的训练次数． 可以证明在闭区间内的任意一连续函数，都能用单隐层的BP网络逼近，即一个三层的神经网络可以实 现任意肛维到m维的非线性映射【l】．三层BP网络的训练过程如下： 1．1网络的变量 丸)．参数t=l，2，3，…，nr为样本总数． 收稿日期：2008一ll加3 基金项目：国家自然科学基金资助 作者简介：叶春生(1976一)，男，河南信阳人，讲师，博士，主要研究方向为水力学及河流动力学． 万方数据 ——438—— 河南科学 第27卷第4期 神经元的连接权为％，阈值为％(J}=l，2，3，…，／；j=l，2，3，…，m)． ． 1．2 BP网络的训练步骤 ． 第1步：给每个连接权w让，％，阈值ok，∞赋予(-1，1)内的随机