BC-RBF神经网络及在岩土本构模型中的应用分析.pdfVIP

摘要 岩土材料的本构关系是岩土工程设计和计算的基础。岩土材料的力学特性很复杂， 具有非线性、剪胀性、各向异性等特点，同时应力状态和应力路径都影响其本构关系。 传统的本构模型大都是根据实验数据按照不同的理论假设来建立的。这种传统的计算模 式会产生两个主要问题：第一，如果为了容易建模，求解参数，那么必然要求模型简单， 但这又不能满足反映复杂工程问题的需要；第二，如果是为了精确反映岩土材料的本构 关系，那么模型必然含有大量的参数，依靠传统的计算模式，只能引入大量的假设条件 来求解这些参数，这又给模型的应用带来了很多的局限性。由于传统的计算模式提取信 息能力的局限性，因而很难兼顾两者。人工神经网络(Artificial Neural Network，简称 ANN)等数值方法的出现为研究这一难题开辟了一条新的途径。 ANN 模型能直接从实验数据中提取信息，而不需要作任何假设。与其它人工神经 网络相比，径向基函数(Radial Basis Function ，简称RBF)神经网络能逼近任意的非线性 函数，可以处理系统内在的难以解析的规律性，并且具有极快的学习速度。因此，将 RBF 神经网络用于岩土材料本构模型的研究，是一种比较理想的选择。但 RBF 神经网络在 用于岩土材料本构模型研究时，也存在一定的局限性。在实验数据量很大(即大样本) 的情况下，联想层神经元数目过多，造成训练时间过长；而数据之间制约关系的复杂， 也造成了模型的预测精度下降，很难满足工程的需要。 本文通过对 RBF 神经网络的拓扑结构和功能特征的学习研究，针对大样本情况下 RBF 神经网络可能出现的问题，对 RBF 神经网络的拓扑结构和组织结构进行一定的修 改，提出了一种改进的 RBF 网络模型,即基于聚类的 RBF 神经网络 (Base on Clustering Radial Basis Function Neuron Network ，简称BC-RBFNN)。从理论和实验两个 方面对 BC-RBFNN 进行了分析和论证，结果表明 BC-RBFNN 不但能降低了网络模型的 复杂度,而且能进一步提高网络模型的预测精度。然后，将 BC-RBFNN 应用到岩土材料 本构模型的研究中，以中砂土的三轴压缩实验数据为基础，结合岩土材料本构关系的数 值建模方法，建立了中砂土的一种基于 BC-RBFNN 的弹塑性本构关系模型。最后将该 模型的预测结果与实验值、RBF 网络模型的预测值和BP 网络模型的预测值进行了对比 分析，证实了 BC-RBFNN 模型在实际工程应用中的可行性、有效性和优越性。 关键词：RBF 神经网络；BC-RBF 神经网络；岩土材料；本构模型 I Abstract Constitutive relationship of geotechnical materials is the base of design and calculation of geotechnical engineering. Mechanical properties of geotechnical materials are complex, being nonlinear, dilation rate, and anisotropy etc. Simultaneously, their constitutive model could be influenced by stress state and stress path. Traditional constitutive models have been set up mostly based on experiment data according to different theoretical hypothesis. Traditional calculating modes would produce two primary problems: first