基于進化神經網絡的單樁承載力預測模型研究

楊 愛 新

(山西二建集團有限公司，山西 太原 030013)

?

基于進化神經網絡的單樁承載力預測模型研究

楊 愛 新

(山西二建集團有限公司，山西 太原 030013)

將收集到的單樁承載力實測數據樣本作為網絡模型的學習訓練樣本，建立了基于進化神經網絡的單樁承載力預測模型，并通過檢測樣本對預測模型的外推能力進行了檢測，證明了預測模型有較好的外推預測能力。

神經網絡，遺傳算法，單樁承載力，預測模型

目前應用于單樁承載能力的現場測定方法分為兩種類型：一類為靜荷載試驗，即傳統的最可靠但費時費力且成本昂貴的力法。該方法直觀可靠，但是從機理上講實際上是將樁身結構的承載力和地基對樁的支承力這兩個因素合為一體予以體現，它雖然反映了單樁的承載能力，但對進一步改進樁基的研究設計起到的作用并不大；另一方面，該方法對高噸位的基樁承載力的測定往往是難以實現的。單樁承載能力測定的第二類方法為動測法，它是運用動力理論和樁土結構的邊界條件而建立的。

單樁承載力的確定或者預測，是一個復雜的非線性問題，運用目前相關力學理論，從機理上去定量求解，由于假設條件的限制，其精確度有一定的誤差。可以從非線性尋優求解的角度去解決單樁承載力的確定，即不考慮單樁承載力的機理，只考慮單樁承載力和其影響因素之間的非線性關系，只要確定了它們之間的非線性關系，那么就解決了單樁承載力確定和預測的問題。

1 進化神經網絡算法分析

目前神經網絡算法理論已經較成熟，對于處理非線性問題應用廣泛，在神經網絡算法中BP神經網絡是目前使用最多的一種網絡算法。BP算法采用的是誤差梯度下降算法，這種算法對于數據擬合的局部優化精度較高，但是其得出的模型結果外推能力較差，影響數據模型的實用性。為了提高網絡模型學習訓練效率或提高模型的外推能力，可以通過對網絡結構參數以及網絡訓練開始初始權值進行優化設定。網絡結構參數以及網絡訓練開始初始權值進行優化設定的方法可以使用遺傳算法，遺傳算法具有優良的全局尋優能力，這樣就可以把全局尋優和局部尋優的算法結合起來處理非線性問題的尋優。

1.1 進化神經網絡算法的基本思想

進化神經網絡算法可以確定非線性關系的能力，其可以確定由n維到m維的數學映射關系f:Rn→Rm。用BPNN來表示BP網絡模型，其一般形式如下：

BPNN[n,nh1,nh2,…,m|W]。

其中，括號內表示BP網絡模型的各個要素：n和m分別為模

型的輸入和輸出個數，nh1,nh2…為各隱含層神經元個數；W為權值矩陣。這樣，用BP神經網絡映射關系，則可表示為：f(x)=BPNN[n,nh1,nh2,…,m|W](x)。

進化神經網絡算法是先進行網絡權值和結構參數的全局優化，然后再使用BP神經網絡進行局部優化。其流程框圖見圖1。

1.2 進化神經網絡算法的基本步驟

1)BP神經網絡結構參數的遺傳算法進化。對于進化神經網絡算法的結構參數的優化，它是從隨機產生的結構參數開始，遺傳算法通常有復制、交叉、變異等算法操作，并且通過這些操作形成一個循環。每一級循環中權值矩陣是不參與操作的，因而對各結構參數組個體的適應性評價不能實時進行。

2)BP神經網絡初始權值的遺傳算法進化。每個初始權系數矩陣個體與對應的結構參數組成的是一個完整的BP網絡模型，因而可以直接用于預測分析計適應值。適應值計算公式：

對各結果參數組的初始權系數優化后，進入BP算法訓練循環。

3)優化后初始權值的訓練。遺傳進化算法具有優秀的全局搜索能力，但是在局部精度方面無法深入。因此，對上面兩步產生的各模型結構參數及其優化后的初始權值，還要按普通BP算法進行學習訓練，進行局部優化。

2 進化神經網絡單樁承載力預測模型建立

單樁承載力的大小受多種因素的影響，通過有關理論分析可知主要與樁基本身設計參數和樁所處巖土地層的特征有關，本次單樁承載力的大小預測是以鋼筋混凝土預制樁為例進行的模型建立。樁基本身設計參數主要包括樁的直徑，長度，入土深度，巖土地層特征可以使用樁基側摩阻力加權平均值和樁端土承載力來進行定量化表征。進化神經網絡模型的輸入層可以設置為5個，即為直徑，長度，入土深度，樁基側摩阻力加權平均值和樁端土承載力。網絡的輸出層設置為1個，即為單樁承載力。網絡的隱含層可以使用遺傳算法進行優化確定。本次模型的訓練數據收集了山西太原地區36根樁的實測資料作為網絡建模數據樣本，其中30根數據作為網絡模型的學習訓練樣本，6根數據作為模型的檢測樣本，以檢驗樣本的外推能力，檢測樣本見表1。

表1 檢測樣本數據

2.1 需要設置的參數

在確定神經網絡結構參數范圍時，關于神經網絡初始權值，BPNN所采用的梯度下降算法具有明顯的初值效應，因而，初始權系數設定的好壞與否會大大影響收斂速度和學習精度。Sietsma和Dow建議初始權值范圍為[-0.5,0.5]；Gallagher和Downs以及Kavzoglu建議為[-0.25,0.25]；Paola以及Staufer和Fisher建議為[-0.1,0.1]等。但這些都是在各自領域取得的結果，普及性還有待證明，在設定初始權值范圍時可作為參考。算法終止條件可以根據問題的精度要求以及進化過程的收斂情況設定。常規的遺傳算法是通過事先給定一個最大進化代數加以限制，這種設置方法比較粗略且對不同的問題很難確定一個最佳的進化代數。在實際應用時，如果問題對象對精度有明確要求，或者對問題精度有清楚的認識，可設定進化到獲得的參數在求解問題時(對學習樣本的擬合精度和對測試樣本的預測精度)滿足精度要求終止算法；如果事先難以給定確定的精度要求，可設定在進化過程達到收斂狀態(種群中的最佳適應值和平均適應值連續幾個進化代數保持相對穩定)時終止算法。同樣，對進化神經網絡中的不同進化過程也要有所區別，結構參數進化過程涉及的參數對象較為簡單，個體多樣性程度較低，可能會出現假收斂狀態(持續少數幾代后又產生明顯的進化現象)，可將判別的持續代數標準調大一些。相反，初始權值過程中可設較小值以減少計算時間。

2.2 模型的建立

通過對網絡結構參數的分析可知，網絡的輸入層為5個輸入參數，分別為：直徑，長度，入土深度，樁基側摩阻力加權平均值和樁端土承載力。輸出層為1個參數即為單樁承載力。按照上述訓練參數的設定，通過30根混凝土預制樁的數據資料進行網絡學習訓練，并且使用人機互動的算法軟件實現網絡學習訓練得到單樁承載力的預測模型。進化神經網絡算法軟件見圖2。

然后通過檢測樣本對預測網絡模型進行檢驗，檢驗結果見表2，證明預測模型有一定的外推能力。

表2 網絡模型檢測樣本結果

3 結語

神經網絡算法對于處理非線性問題有較好的優勢，通過分析可知對于單樁承載力的預測問題，可以使用神經網絡算法來確定它們之間的非線性關系，以進行單樁承載力的預測。通過遺傳算法對BP神經網絡算法進行了改進，提高了算法全局尋優能力。通過收集到的山西太原地區的混凝土預制樁的數據資料，使用進化神經網絡進行樣本的學習訓練，得到了單樁承載力的預測模型，通過檢測樣本進行檢驗，證明了模型有較好的外推能力。

[1] 焦李成.神經網絡系統理論[M].西安:西安交通大學出版社,1990.

[2] 張 清,宋家蓉.利用神經元網絡預測巖石或巖石工程的力學性態[J].巖石力學與工程學報,1992,11(1):35-43.

[3] 黃 強.樁基工程若干熱點技術問題[M].北京:中國建筑工業出版社,1996.

[4] 張立明.人工神經網絡的模型及應用[M].上海:復旦大學出版社,1993.

Research on prediction model of single pile bearing capacity based on evolutionary neural network

Yang Aixin

(Shanxi2ndConstructionGroupCo.,Ltd,Taiyuan030013,China)

Through the collection to the single pile bearing force data sample do network model of learning and training samples, to establish based on evolutionary neural network the single pile bearing capacity prediction model and samples were detected by the extrapolation capability of prediction model were detected, proved that the prediction model has better prediction ability.

neural network, genetic algorithm, single pile bearing capacity, prediction model

1009-6825(2016)24-0075-02

2016-06-20

楊愛新(1971- )，女，工程師

TU473.11

A