人工神经网络在岩土工程中的应用分析.docx

?

?

人工神经网络在岩土工程中的应用分析

?

?

熊衍发

摘??要：岩土工程系统是一个随机、灰色、模糊的系统，位移序列复杂度较高，利用人工神经网络，可以有效辨识岩土工程位移序列及其他特性参数。基于此，文章以人工神经网络的概念为切入点，阐述了人工神经网络在岩土工程中的应用过程，剖析了人工神经网络在岩土工程中的应用效益，以期为人工神经网络的有效应用提供一定参考。

关键词：人工神经网络;岩土工程;反演分析

1?引言

巖土工程是一项复杂的地质材料赋存于地质体内的工程，通过具有非线性动态处理功能的人工神经网络在岩土工程中的应用，可以简化岩土工程特性分析流程，提高岩土工程特性分析准确率。基于此，对岩土工程中人工神经网络的应用进行适当分析具有非常重要的意义。

2?人工神经网络概述

人工神经网络又可称之为ArtificialNeuralNetwork，简称为ANN，是上世纪八十年代人工智能领域研究热点技术[1]。人工神经网络可以从信息处理视角入手，对人脑神经元网络进行抽象处理后形成特定种类简单模型，根据不同连接方式，将简单模型连接后可以组成多样化网络。人工神经网络从本质上而言是由大量神经元相互联接而成的运算模型，每一个神经元又可称之为激励函数，代表特定输出;而每两个神经元间连接则代表对信号的加权值（即权重）。

3?人工神经网络在岩土工程中的应用过程

3.1?位移预测

在岩土工程位移预测过程中，多层前向BP神经网络应用范围较广，其是一个由输入层、中间隐层、输出层构建的网络结构，常采用误差反向传播算法（误差梯度下降优化法）训练。对于多层前向BP神经网络而言，具有学习阶段（输入样本沿前向信息在各层神经元以Sigmoid函数输出后，将实际输出、期望输出间差值逆向传播至各神经元并进行各连接权调整）、工作阶段（待测样本根据类似输入按内插、外延获得类似输出）两个阶段。

在岩土工程位移预测过程中，可以通过逐一确定网络输入节点数、隐层节点数及节点作用函数，从工具主义视角逐层逼近，并利用神经网络的泛化能力进行位移预先报告。首先，在网络输入节点数、隐层节点数、隐层数及节点单元作用函数确定过程中，可以依据神经网络输入节点大于位移序列的嵌入维度方针，根据神经网络的收敛速度、振荡情况，选择小的输入节点数开展网络训练。在网络收敛速度下降后增加输入节点数再次进行训练，直至某一输入节点数时网络收敛速度达到最快。其次，以Kolmogorov定理为基础，从泛化视角入手，结合经验及试算确定隐层节点数。同时以S形函数为节点作用函数，通过仿真实验，确定变换后广义坐标——隐层节点输出值。其输入、输出之间的关系如下式所示：

[xc=c=0wi（w=10iwmxc-w+βw）→g（xw-1，……xw-o）]

式中：

[g（xw-1，……xw-o）]——非线性函数，该模型实质上为线性自回归AR（o）模型推广至非线性自回归NAR模型的近似表述;

i——神经元作用函数调整参数;

c——输入节点数

w——隐层节点数

o——隐层数目;

βw——惯量因子，

xc-w——迭代步长。

在线性自回归AR（o）模型推广至非线性自回归NAR模型的近似表述确定之后，可以将其代入某一岩土工程中，确定其在位移预测中的应用效果。该岩土工程输入节点数为3，隐层节点数及隐层数目分别为8、3，迭代步长及惯量因子分别为0.56、0.79，神经元作用函数调整参数i为0.69。则由上式构建的进化神经网络获得的岩土工程位移预先估测结果如表1所示。

由表1所示，人工神经网络在岩土工程位移值预测中表现较佳，具有较好的逼近效果及外推预测泛化能力。

3.2?力学参数反演分析

人工网络在岩土工程力学参数反分析中的应用，主要是根据输入样本、输出样本，对网络开展训练并对神经网络权值进行调整，促使神经网络系统逼近输入输出样本。这种情况下，在神经网络系统可逆时可以形成一个在一定误差范围内逼近逆系统的反问题的解[2]。一般在利用人工神经网络进行岩土工程力学问题解析过程中，需要首先进行正问题的求解获得力学系统输入、输出关系样本值后开展力学系统逆向辨识训练，实现力学反分析。以土石坝力学参数计算为例，可以非线性应变模型E-B中主要参数为反演对象，若主要参数为u、k、l、r、t，则可以用有限元法对其四十种组合进行合理排布，在选取二十个位移分量时其所对应的输入向量为：

[Au=（a1，a2，…，a20）]

[Yu=（Y1，Y2，…，Y20）]

u=（1，2，[…]40）

式中：

Yu——E-B模型中五个参数，通过利用Au、Yu对神经网络进行7523次训练，可以将E控制在0.5以下，输出误差在0.00065以下，网络收敛效果较好，将测点参数代入后可以获得对应的u、k、l、r、t值。

由于上述网络模型为双隐层BP神经网络，可以在输入层前端放