土钉墙神经网络理论.doc

本文介绍了在一个土钉支护工程中土钉应力的监测结果，同时将神经网络理论引入土钉应力的预测中，建立了土钉应力预测的时间序列神经网络模型，并用遗传算法改善BP网络的局部极小值问题。最后，将预测结果与实测数据进行了比较，结果表明本文方法是有效的。 关键词：深基坑；土钉支护；土钉应力；监测与预测；神经网络；遗传算法 。 　　土钉支护近年来快速发展，已成为一种重要的 基坑支护型式，它充分利用 土体自身的强度，通过在原位 土体中设置 钢筋等金属杆件(土钉)，分担 土体所承受的外力和自重，改善土体的受力情况，并在开挖面构筑 钢筋网喷射混凝土面层，使土钉、面层和原位土体三者构成一个整体而共同工作。土钉支护具有施工方便、性能可靠和突出的经济特性，同时，在土钉支护的施工过程中，对周围环境的影响很小，因此，土钉支护被广泛应用于基坑开挖工程中。在全国许多省市的基本建设中，土钉支护发挥了重要作用，创造了显著的经济效益[1～3]。 　　在基坑开挖过程中，土钉应力的发展直接反映了土钉在整个围护结构中所发挥的作用。就内部稳定性而言，若土钉受力较小，说明围护结构是安全的；若土钉受力过大，则有可能发生土钉屈服或土钉与周围土体之间发生滑移，而导致围护结构的破坏。目前的对策一般是采用监测的方法，在基坑开挖的整个过程中，对其各方面的情况进行观测，以便及时发现问题，采取必要措施。但监测资料所能反映的只是当天及以前的情况，而无法对其将来的变化作出预测，因而有学者提出了信息化施工的概念，即根据现场量测的信息，依据基坑当前的响应对后续响应作出预测，进行预测的方法有基于反演分析的预测法、灰色预测法等[4，5]。本文引入神经网络(Artificial?Neural?Networks)的方法对土钉应力进行预测。 1?人工神经网络的基本原理 　　人工神经网络属于人工智能的范畴，近十几年来得到了迅速发展，它模拟人脑的结构及其智能特点，其特色在于信息的分布式存储和并行协同处理，并具有良好的自适应性、容错性、冗余性等特点。人工神经网络具有高度的非线性映射能力，事先不需要假设输出变量与输入变量之间的关系，而是通过样本的学习，实现输入与输出之间的非线性映射，因此，人工神经网络已成为一种重要的信息处理方式而普遍应用于各个工程和学科的研究领域[6～8]。80年代末期，人工神经网络也开始在土木工程中得到应用[9，10]。目前已出现的神经网络模型很多，对网络进行训练的方法也很多，而在工程中得到应用最多的是BP神经网络(Back?Propagation?Neural?Network)，它是一种多层前馈型神经网络，采用反向传播学习算法。 　　BP神经网络的算法包括两大步骤：其一是输入的正向传播过程，即输入数据从输入层逐层向输出层传播，得到输出响应；其二是输出误差的反向传播过程，即输出的误差由输出层开始反向传播到输入层，而网络各层的权值改变量则根据传播到该层的误差大小来决定。BP神经网络算法的步骤如下： 　　(1)初始化网络各层的权值wij(0)和神经元阈值θj(0)为小的随机数； 　　(2)提供学习样本，即输入向量xn和输出向量yn，n=1，…，N； 　　(3)计算网络的实际输出及隐层单元的状态： Opj=f(ΣwijIpi-θj)?(隐含层)?(1)?Opk=f(ΣwjkIpj-θk)?(输出层)?(2)? 式中：f为Sigmiod函数，f(x)=1/[exp(-x)+1];Ipi为训练样本为p时节点i的输入。 　　(4)计算误差对各层的影响： δpk=Opk(1-Opk)(Ypk-Opk)?(输出层)?(3)?δpj=Opj(1-Opj)Σδpkwjk)(隐含层)?(4)? 式中：Ypk为训练样本为p时网络输出层节点k的期望输出。 　　(5)?修正权值和阈值： wji(n+1)=wji(n)+ηδpjOpj+α(wji(n)-wji(n-1))?(5)?θj(n+1)=θj(n)+ηδpj+α(θj(n)-θj(n-1))?(6)? 　　(6)计算网络输出误差： E＝1/2Σ(Ypk-Opk)2?(7)? 式中：η为学习率；α为动量因子。 　　(7)判断误差是否满足要求，若满足则转到(8)，否则转到(3)； 　　(8)训练结束。 2?土钉应力的观测 表1?基坑开挖深度内各土层物理力学指标土层名称?天然重度γ/(kN/m3)? 内摩擦角φ/°? 抗剪强度C/kPa?厚度h/m?杂填土?18.0?15?10?0.9?塘泥?17.0?5?5?1.0? 粉土?18.7?31.5?23.7?4.1? 粉土?18.5?30.7?12.0?4.6? 　　某深基坑工程位于杭州江干区，围护结构采用土钉支护，基坑开挖深度为7.5m，基坑开挖深度内各土层