神经网络在建筑工程中的应用.docVIP

神经网络与土石坝风险评价应用的初探 □李 磊（河南省水利科学研究院） 摘 要：本文将神经网络分析法应用于土石坝风险评价，利用人工神经网络特有的自学习和联想记忆功能，能够模拟人脑思维的方式进行分析推理，能够在一定程度上克服资料占有不 足以及经验方面的局限性的特点，适当选取参数训练网络，可得出较高的可信度。 关键词：神经网络 风险评价 一、神经网络人工神经网络的研究始于20世纪40年代，1943年，心理学家W.S.McCulloch和数学家W.Pitts在研究生物神经元的基础上提出了一种简单的人工神经元模型，即后来所谓的：“M-P模型”，开创了神经网络研究的先河。自从1982年美国Hopfield教授提出神经网络的Hopfield计算模型以及1985年美国Rumelhare和McLelland领导的PDP研究小组提出多层前馈网络的误差反向传播算法(即BP网)以来，神经网络进入了发展高潮，在众多工程领域得到了广泛应用，取得了令人瞩目的成就。神经网络的类型 根据人工神经网络对生物神经系统的不同组织层次和抽象层次的模拟，神经网络可以分为前向网络(前馈网络)反馈网络互结合型网络混合型网络神经网络BP神经网络也称误差反向传播神经网络，它是由非线性变换单元组成的前馈网络是人工神经网络中应用最广的一种神经网络。在人工神经网络的实际应用中，80%～90%的人工神经网络模型都是采用BP网络或它的变化形式。在若干神经网络模型中，BP网络模型是人们认识最早、应用最广泛的一种。BP神经网络拓扑结构 图一 BP神经网络结构图 三、BP神经网络模型在土石坝风险评价中的应用 土石坝溃坝风险地区差异较大，诱发因素也具有多样性、不确定性等特征，增加了风险评价的难度，而人工神经网络特有自学习和联想记忆功能，能够模拟人脑思维的方式进行分析推理，能够在一定程度上克服资料占有不足以及经验方面的局限性，从而实现对拱坝溃坝风险进行评价，这与以往的数学分析方法有着本质的区别，也显得更加客观、合理。由于土石坝溃坝风险评价的目的是要进行溃坝的风险判别和风险区划，实际就是模式识别的问题，因此，本文选择BP神经神经网络结构为55-3，即输入层5个节点，一个隐含层，隐含层个节点，输出层个节点采用自适应学习率的算法，动量项系数取为095，起始的学习率为0.01目标误差取0.001，迭代至网络收敛。 图二、 神经网络预测模型拓扑图 参考文献[1]中建立的生命风险标准、社会风险标准及经济风险标准图，从中随机抽取20组数据利用MATLAB软件中的神经网络工具箱编程并代入网络进行训练 序号 溃坝概率 生命损失（人） 经济损失 （万元） 年期望生命损失（人/年） 年期望经济损失（万元/年） 可容忍 风险 可接受 风险 不可接受风险 1 0.1456 0.024 0.2107 0.0044 0.1571 1 0 0 2 0.0038 0.0144 0.0024 0.0158 0.2014 1 0 0 3 1 0.138 1 0.992 0.7892 0 0 1 4 0.0867 0.0199 0.0002 0.0684 0.4501 0 1 0 5 0.3371 1 0.0301 0.7078 0.8622 0 0 1 6 0.063 0.1455 0.0211 0.1146 0.5212 0 1 0 7 0.0183 0.0158 0 0 0.2356 1 0 0 8 0.0239 0.1152 0.0205 0.0265 0.0231 1 0 0 9 0.0572 0.1366 0.0343 0.1217 0.3254 0 1 0 10 0 0.0295 0.012 0.0663 0.5256 0 1 0 11 0.1217 0.0057 0.1108 0.0059 0.0025 1 0 0 12 0.1896 0.6757 0.1517 0.6083 0.7521 0 0 1 13 0.2634 0.3387 0.0975 0.175 0.5638 0 1 0 14 0.0513 0.2383 0.4804 0.3881 0.3562 0 1 0 15 0.0109 0.0039 0.0807 0.004 0.0256 1 0 0 16 0.8821 0.9485 0.2173 1 1 0 0 1 17 0.1161 0.3 0.0379 0.6368 0.7523 0 0 1 18 0.0913 0 0.4238 0.0506 0.4789 0 1 0 19 0.0038 0.0167 0.0047 0.04 0.0032 1 0 0 20 0.1462 0.33 0.0401 0.7322 0.6