基于GRNN软土地基变形预测研究.docVIP

基于GRNN软土地基变形预测研究 　　摘 要：软土地基沉降的计算是一个难点，目前尚无绝对精确的方法。本文针对软土地基沉降高度非线性的特点，提出利用广义回归神经网络（GRNN）良好的非线性拟合能力建立软土地基沉降预测模型的方法。经实例分析，本文的方法收敛性好，精度高，便于实践应用。 　　关键词：软土地基;沉降;GRNN;BP;预测 　　 　　中图分类号：TU471.8 文献标识码：A 文章编号： 　　1 引 言 　　我国沿海与内陆地区分布有大量的软土地基。因此，在这些地域[1]，如何有效地预测与控制软土地基的沉降变形对于公路、桥梁等大跨度土木工程的顺利施工与运行有着重要意义。然而，目前软土地基的变形预测方法仍然是一个研究难点，主要原因为：①土体本身的本构模型仍难以精确给出，由此软土变形的物理机制尚有待研究；②常用的基于e-p曲线的分层总和方法虽然提供了理论指导且简便易行，但???应用时通常要根据情况乘以一个经验系数，但经验系数的确定又成为一个难题。 　　当理论方法无法暂时无法给出满意的解答时，考虑使用非线性方法建模来研究通常是一个合理的选择。由于软土地基的沉降变形可能与软土本构模型、路基特性、控制措施以及软土的应力历史等多种因素相关，因而该问题应归属于非线性预报模型问题。常用非线性建模方法有灰色理论[2]、神经网络方法[3]等，其中神经网络方法根据数学机理的不同，又分为Hopfield、BP、RBF等多种方法。广义回归神经网络（GRNN）是近年来兴起的一种用于非线性模型建立的算法，该算法拥有调节参数少、稳健性良好以及收敛速度快等多种优点，故本文选用该算法探究建立软土地基变形预测模型。 　　2 GRNN神经网络 　　2.1 GRNN神经网络结构 　　GRNN本质上也是一种径向基网络（RBF），近期被众多学者应用到线性与非线性函数的回归、拟合领域。理论研究表明，只要在隐含层中设置足够多的神经元，GRNN和RBFNN都能逼近任意的连续函数[4]。通常情况下，GRNN为四层结构，输入层、径向基层、特殊的线性层以及输出层，其与RBFNN的不同之处正是在于其线性层。典型的GRNN网络结构如图1所示。 　　 　　 　　图1 GRNN网络结构图 　　在如上图所示网络结构中，径向基层的径向基函数通常选用高斯基函数（）作为概率密度函数。设输入向量为，输出变量为，则联合概率密度函数为: 　　 (2.1) 　　其中，表示的是输入向量；含义为输出向量；为平滑参数，满足。 　　GRNN网络的网络结构与神经元的权值在学习样本确定之后就已基本确定，故其网络的训练主要在于平滑参数的确定，即网络训练过程中人为调节的阈值仅有一个，这个特点也使其尽可能避免了人工干预。通过若干次神经网络训练，选取使得网络训练误差最小的值。 　　2.2 GRNN非线性拟合简例 　　为便于说明GRNN神经网络的非线性拟合能力，选择如式(2.2)所示的常规非线性函数进行拟合分析，并将其拟合结果与BP神经网络相对比。 　　(2.2) 　　 　　 　　图2.1 BP神经网络拟合结果 　　 　　 　　图2.2 GRNN拟合结果 　　图2 BP与GRNN网络拟合结果对比 　　 　　由图2对比，不难看出，对于某同样非线性函数，GRNN的拟合结果明显优于BP神经网络，且在全局误差收敛性较好。同时，程序记录BP神经网络拟合耗时为17.329s，而GRNN拟合耗时仅为0.046s，故从时间成本上看，GRNN也具有独特的优越性 　　 　　 　　3 基于GRNN的软土地基预测应用 　　3.1预测模型建立流程 　　根据GRNN预测模型建立的特点，针对软土地基沉降这一具体的工程问题，制定分析步骤如下： 　　a.网络参数设置初始化； 　　b.分析影响因素，输入样本数据； 　　c.训练网络，确定平滑参数； 　　d.网络训练完成； 　　e.由已建网络模型进行软土地基沉降预报。 　　3.2实例分析 　　为使得实例分析具有实际工程意义，选取与文献[5]相一致的输入样本，如表1所示。 　　 　　表1 神经网络模拟样本 　　 　　 　　对于以上神经网络模拟样本，建立GRNN神经网络，本文的模型拟合结果与文献[5]结果对比如表2所示。 　　 　　表2 神经网络模拟结果 　　 　　 　　由表2，不难看出，在相同的样本数据下，基于GRNN的软土地基沉降预测模型较文献[5]中的方法优化不少，也验证了该方法的实用价值。 　　 同样地，应用上述建立的GRNN网络模型，预测软土地基沉降如表3所示。 　　 　　表3 神经网络模拟结果 　　 　　 　　由表3可见，本文的建立的神将网络模型预测收敛迅速，精度良好。