基于遺傳神經網絡的多層磚房震害預測研究

李偉麗(大慶市龍鳳區住房和城鄉規劃建設局，黑龍江 大慶 163711)

基于遺傳神經網絡的多層磚房震害預測研究

李偉麗(大慶市龍鳳區住房和城鄉規劃建設局，黑龍江 大慶 163711)

多層磚房在遭遇地震時破壞較為嚴重,會給人民的生命與財產造成巨大的損失。將神經網絡與遺傳算法相結合，建立遺傳神經網絡對多層磚房的震害進行了預測。樣本的預測結果與實際結果一致,說明應用遺傳神經網絡算法對多層磚房的震害進行預測是可行。

遺傳神經網絡；震害預測；多層磚房

地震作為一種突發的自然災害，一旦發生就會給人們的生命財產造成巨大的損失,如1995年日本神戶7.5級地震造成千人死亡,2008年的汶川大地震房屋倒塌無數，造成數百萬人無家可歸，2011年日本東海岸發生9.0級大地震，該地震并引發了海嘯造成了巨大的傷亡[1]。從汶川大地震的報道可以看出，當地震發生時很多人在倒塌的房屋下喪生或被圍困。中國作為發展中國家，很多小城市的住宅大多是多層磚房，這些多層磚房的抗震性能差，在地震中倒塌的幾率極大，因此地震發生時造成的傷亡也是最大的。因此,如果能在地震前預測出多層磚房的震害程度和空間分布,從而可以采取一定的措施,對建筑物進行加固,對將施工的建筑物通過對場地的勘察、設計和施工來提高建筑物的抗震性能,將地震帶來的損失降至最小。下面，筆者提出應用遺傳神經網絡的方法來對多層磚房的震害進行預測，把磚房的破壞分為5類：基本完好、輕微損壞、中等破壞、嚴重破壞和倒塌，相對應的震害指數分檔為[1，0，0，0，0]、[0， 1，0，0，0]、[0，0，1，0，0]、[0，0 0，1，0]、[0，0，0，0，1]。

1 遺傳神經網絡算法

BP神經網絡上實現了一個從輸入到輸出的映射功能，具有可以實現任何復雜非線性映射的功能，特別適合于求解內部機制復雜的問題。但是傳統的BP神經網絡的全局搜索能力差，而且經常會陷入局部無窮小,導至網絡的泛化能力差。遺傳算法(Genetic Algorithm)是一類借鑒生物界的進化規律(適者生存，優勝劣汰遺傳機制)演化而來的隨機化搜索方法。其主要特點是直接對結構對象進行操作，不存在求導和函數連續性的限定；具有內在的并行性和更好的全局尋優能力；采用概率化的尋優方法，能自動獲取和指導優化的搜索空間，自適應地調整搜索方向，不需要確定的規則。因此，將遺傳算法和神經網絡有機結合以提高收斂速度、避免陷入局部最優來解決復雜問題已經越來越受到人們的重視[2]。遺傳神經網絡的算法基本步驟[3]如下：①編碼。分別用實數表示網絡的權值；設定參數：輸入種群規模、交叉概率、變異概率、網絡層數(不包括輸入層)、每層神經元數。②初始化種群。初始種群是由隨機產生n個權值矩陣構成的，每個矩陣作為一個將要訓練的神經的網絡。③評價。對每個神經網絡以前向方式運行，計算評價函數值，并保留最優個體。④遺傳操作。依次進行選擇、交換、變異、BP訓練，保留最優個體，并計算評價函數值。若誤差達到指定的精度，則轉⑤,否則轉④。⑤結束。

2 多層磚房震害樣本的采集

筆者選用的8個震害因子具體的參數取值如下：

1)房屋的層數 由于磚房的破化率是隨著層數的增多而變大的，因此房屋的層數是影響因素之一。

2)施工質量 施工質量分為3類即為：優秀、中等、差。該參數的取值為：優為10,中為8，差為6，同時施工質量受到年代影響，因此筆者規定每5年減0.5。

3)砂漿標號 該參數按施工時的砂漿標號實際取值。

4)結構的合理性 結構的合理性直接影響結構的剛度,因此結構的合理性是影響磚房抗震的主要因素。直接采用綜合評判的隸屬度作為該參數的取值。

5)磚墻面積率 該參數的取值按公式:磚墻面積率=磚墻凈面積率/建筑面積來確定。

6)房屋的整體性 房屋整體性的好壞直接影響著磚房的抗震性能，而影響房屋整體性的的主要因素有：樓屋蓋形式、圈梁構造柱和地梁基礎情況、房屋的完好狀態等。該參數取值為以下幾個部分的和：

樓蓋：現澆5，預制4，木屋蓋3。

屋蓋：現澆5，預制4，木屋蓋3。

圈梁、構造柱：有圈梁增加1，有構造柱再增加1。

地下室或基礎：加1，傷裂減1～2。

7)場地條件 Ⅰ類土取10,Ⅱ類土取8,Ⅲ類土取6，如果地形地貌不利，則減1～2；若地下水位較高減1。

8) 地震動峰值加速度 按實際峰值加速度大小，以重力加速度g為單位取值，可取為0.05、0. 1、0.15、…。

3 神經網絡的建立與訓練

隨機選用30個包含不同破壞程度的多層磚房的震害資料的樣本,每個樣本含有8個震害因子,如表1。將25個樣本作為網絡的輸入向量P=[K1,…,K25],輸出即為磚房的破壞程度,輸出T=[T1,…,T25],(B=[K10,…,K30])為預測樣本。

表1 多層磚房震害實例的因子取值

圖1 學習過程誤差訓練曲線

由于樣本的數據間差異較大，所以筆者應用Matlat自帶的歸一函數premnmx()進行數據歸一化處理,從而提高遺傳神經網絡的泛化能力,遺傳神經網絡結構是8-22-4，即輸入層神經元為8個，隱含層神經元為22個，輸出層神經元為4個，隱含層神經元的變換函數采用tan2sigmoid 型函數tansig；輸出層神經元的傳遞函數采用線性函數purelin；訓練函數采用trainlm函數。遺傳算法中令種群數為80，交叉概率Pc=0.5，變異率Pm=0.05，最大迭代次數為30，終止條件設為網絡誤差小于10-3。遺傳神經網絡算法的誤差曲線、誤差平方和曲線圖與適應度曲線圖分別見圖1～3。

圖2 誤差平方和曲線圖

從圖1～3可以看出，遺傳算法具有快速尋優的特性，經過5代左右遺傳迭代，網絡前向誤差大幅下降，適應度函數也在急劇的上升，說明遺傳算法的運用收到了既定的效果，能夠幫助BP網絡快速地尋找到全局最優點，在經過30代遺傳迭代后，遺傳搜索停止，而轉入BP算法，進行局部空間的尋優；從訓練曲線可知,網絡訓練36步已達標。以上結果說明應用遺傳算法對神經網絡的權值優化得到了良好的效果，使網絡的訓練速度明顯加快。

4 神經網絡預測結果

利用訓練好的神經網絡, 預測表1中26～30個方案的震害, 計算結果見表2。從表2可看出,樣本的預測結果與實際結果(表1)一致,說明應用遺傳神經網絡模型對多層磚房的震害進行預測是可行。

表2 BP神經網絡預測結果

5 結 語

考慮了影響多層磚房的幾個主要影響因素，利用遺傳神經網絡算法預測多層磚房的震害程度，得到了比較精確的結果。遺傳神經網絡隨著訓練數據的不斷積累，它可以在新的基礎上進行學習，形成更完善的預測系統，進一步提高網絡的精度和模型的應用范圍，這是其他數學模型無法比擬的。隨著人工智能方法在工程中的應用日漸成熟, 遺傳神經網絡在震害預測方面一定會發揮更大作用。

[1]高惠瑛, 李清霞.地震人員傷亡快速評估模型研究[J].災害學，2010，25(10):225-227.

[2]劉洪,馬力寧,黃楨. 集成化人工智能技術及其在石油工程中的應用[M]. 北京：石油工業出版社，2008.

[3]郝華寧,劉陽.基于遺傳神經網絡的個股價格短期預測[J].西安石油大學學報，2010,25(2) :88-90.

[編輯] 洪云飛

P315.9

A

1673-1409(2012)05-N166-03

10.3969/j.issn.1673-1409(N).2012.05.055

2012-02-27

李偉麗(1976-)，女，2005年大學畢業，工程師，現主要從事建筑工程招投標監管方面的研究工作。