高速公路路基沉降预测的ELMAN模型研究.pdfVIP

高速公路路基沉降预测的ELMAN模型 郑 治1唐勇2 (1．重庆交通科研设计院重庆市400067；2．四川省交通厅，成都630000) 摘要公路建设中，路基沉降问题是亟待解决的一大技术难题。人工神经网络具有较 强的自组织、自适应、容错性以及很强的学习、联想能力，本文将ELMAN模型应用到高速公路 施工期间和工后路基沉降预测中，通过对实测资料的计算分析，证明本模型预测精度高，简便 易行，具有广泛的工程实用价值。 关键词人工神经网络Elman模型路基沉降预测 ELMANfor SettlementPredictionof Model Subgrade F援pressways ZHENG29tiTANG yong 目前，岩土工程中沉降预测神经网络建模法主要有两种，一种是把各影响因素同沉降 的关系用神经网络隐式表达，预测时，由已知外界影响因素推断沉降，也即BP网络；另一种 方法不考虑沉降的各影响因素，而建立当前沉降同过去各沉降历史值间的神经网络模型即 Elman模型。大量的工程实践资料表明，路基的沉降有其本身的内在规律性。对于确定的 路段，其沉降变形的发展具有一定的趋势，而监测数据正是这种规律的反映。因此，监测数 据不是纯随机的而是具有随时间变化的规律性和连续性，前后存在一定的依存关系，前期 观测数据的变化规律蕴含着后期沉降的变化趋势。另一方面，路基沉降往往受很多因素影 响，这使得定期观测的数据具有一定的随机性，表现在沉降曲线上有一定的波动。因此，在 路基的施工阶段，可随着施工和监测的进行，收集新的变化数据，建立新的模型，以预测下 一步的沉降变形。当路基竣工后沉降变形渐渐趋于稳定，可用竣工后的沉降观测数据建立 工后沉降预测模型。位移时序预测模型更少的受各土工参数的影响，只建立时间与位移的 相互关性，在缺乏准确的土工参数数据的情况下，可以更好的根据路基沉降的前期观测，预 测路基的后期沉降变形。 1 Elman神经网络的原理 目前，岩土工程中多采用多层前馈神经网络作为位移时序预测模型，即采用一个输入层、 一个中间隐层及一个输出层的3层网络。该网络没有反馈连接，没有动态记忆，本质上是一个 非线性静态映射网络。在表示一个动态系统时需采用时延的方法，通过将多个过去值同时输 入给网络而将学习系统在时域中的动态行为转换成静态映射问题。本文采用一种新型反馈网 络一Elman网络。在此网络中，信息在前向传递的同时还要进行反向传递，是一种典型的动态 神经元网络。它是在BP网络基本结构的基础上，通过存储内部状态使其具备映射动态特征 437 的功能，从而使系统具有适应时变特陛的能力。 利用Elman网络对离散点进行高度非线性拟合，这种拟合曲线反映了离散点分布规律和 发展趋势。设{tiIi=1，2，…n}为路基沉降监测的时间序列，{筇；Ii=1，2，…n}为路基沉降数 网络建立的曲线模型与传统的曲线拟合有着根本的不同。传统的曲线拟合是在确定了函数的 阶数之后来确定函数的系数，使得函数曲线与离散点相吻合，因此有大的局限性，不能充分表 现出其发展趋势和规律。 2 Elman网络结构 Ehnan神经网络可以看作是一个具有局部记忆单元和局部反馈连接的前向BP神经网络， 其基本结构如图1所示。从图中可以看到-m目 Elman神经网络主要由输入层、中间层、关联 层、输出层组成。每一个中间层节点都有一中间层 个与之对应的关联层节点(contextnode)连接。 输入层节点与中间层节点，中间层节点与输输人层 。笋零冬≥ 出层节点以及关联层节点与中间层节点之间 都有可调权值相连接。当隐层神经元足够多 图1圈一神经网络的基本结构 时，Elman网络的这种结构可以保证网络以任意精度逼近任意的非线性函数。 3日m钔网络的学习算法 为了清楚地表示Elman神经网络的学习算法，首先定义下列