参数反演—基于BP神经网络.pptxVIP

工程岩体力学参数的智能反分析 姓名：罗鹏 班级：土木1303班 论文结构 第1章 前沿 第2章 BP神经网络 第3章 正演模型的建立 第4章 物理力学参数的反分析 第5章 结论和展望 第1章 前沿 1.1 研究背景及意义 近年来，我国基础设施建设快速发展，同时这些工程的建设不可避免的会遇到各种不同的岩体。如果无法对岩体的力学参数进行准确的确定，那么工程的设计、施工以及管理都会遇到巨大的挑战。传统的实验法、经验分析法、数值分析法都存在着一些缺陷。 反分析方法在求解力学参数方面具有很好的适用性。将反演的力学参数值与实际的力学参数值进行对比，可以看出反分析方法在解决力学参数方面具有很好的适用性。此方法为实际工程的参数反演提供了基础。 第1章 前沿 1.2 国内外研究现状（神经网络算法） 第1章 前沿 1.2 国内外研究现状（反分析方法） 第1章 前沿 1.3 研究内容及思路 正演分析 反演分析 第1章 前言 第2章 BP神经网络 2.1 BP神经网络的原理 BP算法的基本思想是，学习过程由信号的正向传播和反向传播两个过程组成。 正向传播 相等 反向传播 不等 误差 （反向传播的过程中更新权值） 给定样本 隐含层 输入层 输出层 停止 比较输出值与期望值 输出层 输入层 隐含层 第2章 BP神经网络 2.2 BP神经网络的结构 BP神经网络的特点：（1）BP神经网络的传递函数必须可微；（2）采用误差反向传播算法进行学习 第2章 BP神经网络 2.3 BP网络的学习算法 学习算法分为正向传播和反向传播 正向传播计算误差： 反向传播更新权值：权值调整量 =学习率*局部梯度*上一层输出信号 标准的BP算法存在着一些缺陷，因此对标准的BP算法进行改进，得到：动量BP法，学习率可变的BP算法 第2章 BP神经网络 2.4 BP神经网络的设计 （1）网络的层数：3层 （2）输入层和输出层节点数：输入层节点数为2，输出层节点数为3 （3）隐含层节点数：20 第2章 BP神经网络 2.4 BP神经网络的设计 （4）传递函数的选择：隐含层采用Log-Sigmoid函数，输出层使用线性函数。 （5）训练算法的选择：L-M算法 （6）初始权值的确定：在（0，1）之间随机选定 （7）学习率的确定：0.18 第3章 正演模型的建立 3.1 FLAC 3D软件简介 FLAC 3D可以用于模拟三维土体、岩体以及其他材料的力学特征，广泛应用于地下洞室、施工设计、边坡稳定等诸多领域。 优点：（1）对模拟塑