一种砂土液化判别方法.pdfVIP

一种砂土液化判别方法 张毅1刘利艳1林慧常2潘健1 (1华南理工大学建筑学院广东广州510640； 2茂名市建设工程质量监督检测站广东茂名 525000) 摘要利用BP网络模型在解决砂土液化评价这类非线性问题方面的优势，选取不同的参数组合，建 立不同的砂土液化判别BP神经网络模型，并根据现场实测资料进行比较分析。结果表明，以地震烈度、 标准贯入点深度、地下水位深度、标贯击数、不均匀系数及地震剪应力比作为输入节点的砂土液化判 别BP神经网络模型最为合理。 关键词 砂土液化；判别；BP神经网络模型；VOGL快速算法 0引言 作为地震引起的地面破坏效应，砂土液化是一种破坏性极严重的区域性地质灾害。因此，判 定其产生条件、建立合理的液化势预测模型具有重要意义。多年的理论和试验研究发展了许多从 经验性到高度理论分析性的砂土液化势评价方法，如标准贯入锤击数法∞、静力触探法【1】、剪切波 速法【2一】和理论计算法[41等等。但由于砂土液化判别所涉及的多种变量与液化评价结论之间呈复杂 的非线性关系，使得传统的判别方法难以得到准确的结果，所以非常必要建立一种人为影响因素 小的、容定量与定性指标于一体的、能更合理地描述地震及土参数与液化势之间的复杂映射的多 参数综合评判模型。 人工神经网络(简称舢叮N)是人工智能领域较为活跃的～个重要分支。它能揭示数据样本中 蕴含的非线性关系，大量处理单元组成非线性自适应动态系统，具有良好的自适应性、自组织性 及很强的学习、联想、容错及抗干扰能力，可灵活方便地对多成因的复杂的未知系数进行高度建 模。本文基于对人工神经网络的认识，以唐山大地震的实测资料为基础，利用改进的BP算 法——-VOGL快速算法，建立15种描述地震作用和土参数与液化势复杂关系的砂土液化判别BP 神经网络模型，并对他们的合理性进行探讨，以求得最合理的输入节点数目和种类，从而取得最 优液化判别BP神经网络模型。 1 BP神经网络模型及VOGL快速算法 BP神经网络模型是一种多层网络前馈模型，一般由三部分组成，即输入层，接受外界信息； 隐含层(一层或多层)，处理信息和存储信息；输出层，对输入层传来的信息进行判别和决策， 同层单元之间不相连。有关BP网络的基本学习算法可参考文献【5]和[61。BP算法是一种简单的 ①GB50011-2001．建筑抗震设计规范[s】 一319— 最速下降静态寻优算法，权值的调节采用的是梯度下降法，这种调节权值的方法存在局部极小和 收敛速度慢等缺点。本文介绍的VOGL快速算法是BP算法的一种改进算法。 VOGL快速算法采用“批处理”思想，包括加入动量项和学习速率优化两部分。主要内容： 每一个输入样本对网络不立即产生作用，而是等到全部输入样本到齐，将误差累积求和，再集中 修改权值一次，即根据总误差E(p)修正权值；又由于学习速率rl、动量参数mc越大，每次权值 的改变越剧烈，会导致学习过程发生振荡，而较小的77、me．虽然有利于学习过程的收敛性，却 导致学习时间增长，故对于rl、mc采用了自适应的调节方法【9】，即公式(1)、(2)： 上 (1) wu(z+1)=～(z)+刁(z+1)艺屯勘+mc(z+1)xAwq(Z) k=l 上 (2) 死(z+1)=毛(z)+刁(z+1)艺万klYki+mc(z+1)×ATti(z) k=l 式中，M，为第_『个输入节点与第f个隐节点连接权值；rl,为第f个隐节点与第Z个输出节 点连接权值；△m，和△死分别为相应的变化量；‰f为第k个样本的第．『个输入节点的输入 值；Y矗为第k个样本的第i个隐节点的输出值；瓯为第k个样本的第f个隐层节点反传误 差；况。