進(jìn)化神經(jīng)網(wǎng)絡(luò)預(yù)測房屋爆破振動(dòng)破壞程度研究

鄭松鵬 黃志波 李輝 汪勇志

(福建農(nóng)林大學(xué) 金山學(xué)院 福建福州 350002)

0 引言

在爆破振動(dòng)作用下，建筑物結(jié)構(gòu)會(huì)出現(xiàn)不同程度的響應(yīng)與破壞。隨著爆破工程作業(yè)環(huán)境愈來愈復(fù)雜，由此導(dǎo)致的糾紛不斷增多。房屋在爆破振動(dòng)作用下的損害狀況的預(yù)測與防治成為了當(dāng)前的研究熱點(diǎn)和難點(diǎn)。

目前，常用的爆破振動(dòng)危害預(yù)測方法的預(yù)測結(jié)果與現(xiàn)場實(shí)際的結(jié)果，在很多情況下誤差較大[1-2]。為此，急需建立能夠?qū)Ρ普駝?dòng)房屋危害程度較為精確的預(yù)測方法。史秀志[1-2]、董隴軍[3]基于神經(jīng)網(wǎng)絡(luò)利用判別分析法建立了爆破振動(dòng)房屋危害程度預(yù)測方法，并對(duì)被保護(hù)建構(gòu)筑物的安全狀況進(jìn)行了預(yù)測研究。由于神經(jīng)網(wǎng)絡(luò)有一定的適用范圍和局限性，不能完全達(dá)到全局的最優(yōu)。遺傳算法具有搜索全局最優(yōu)解和隱含并行性的優(yōu)點(diǎn)，將遺傳算法引入人工神經(jīng)網(wǎng)絡(luò)形成的進(jìn)化神經(jīng)網(wǎng)絡(luò)方法已在其他領(lǐng)域獲得應(yīng)用，并被證明該法能克服單純神經(jīng)網(wǎng)絡(luò)的缺陷[4-6]。

基此，本文嘗試建立基于進(jìn)化神經(jīng)網(wǎng)絡(luò)方法的爆破振動(dòng)對(duì)房屋破壞程度的預(yù)測模型。工程實(shí)例證明該法在預(yù)測爆破振動(dòng)對(duì)房屋破壞等級(jí)方面是可行的。

1 進(jìn)化神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)具有模擬人類部分形象思維的能力。它采用類似于“黑匣子”的方法, 通過學(xué)習(xí)和記憶, 找出輸入與輸出之間的特征關(guān)系,特別適用于參數(shù)變量和目標(biāo)函數(shù)之間無數(shù)學(xué)表達(dá)式的復(fù)雜工程問題中。遺傳算法模擬了自然界生物進(jìn)化過程中的“優(yōu)勝劣汰, 適者生存”的法則, 將復(fù)制、雜交、變異等概念引入到算法中, 通過構(gòu)造一組初始可行解群體并對(duì)其操作, 使其逐漸移向最優(yōu)解。它是一種全局最優(yōu)化方法, 特別適用于多極值點(diǎn)的優(yōu)化問題。克服了傳統(tǒng)優(yōu)化方法易于陷入局部最優(yōu)解的缺點(diǎn), 搜索具有隱含并行性, 可以較快地搜索到全局最優(yōu)解。

運(yùn)用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的自適應(yīng)、自組織、自學(xué)習(xí)的能力以及具備的高度非線性映射性、泛化性和容錯(cuò)性的特點(diǎn)，將遺傳算法的全局尋優(yōu)能力與BP算法的局部尋優(yōu)能力相結(jié)合，搜索神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu), 并用最佳推廣預(yù)測學(xué)習(xí)算法訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)，形成進(jìn)化神經(jīng)網(wǎng)絡(luò)[7]。

2 進(jìn)化神經(jīng)網(wǎng)絡(luò)民房破壞程度預(yù)測模型

2.1 房屋破壞程度影響因素及量化

影響爆破振動(dòng)對(duì)房屋破壞程度的因素很多，除了爆破振動(dòng)特征參量外，還有房屋結(jié)構(gòu)形式及強(qiáng)度、房屋所處的場地條件等。結(jié)合爆破振動(dòng)作用下民房的破壞機(jī)制[8-10]，選取爆破振動(dòng)幅值、主頻率、主頻率持續(xù)時(shí)間、灰縫強(qiáng)度、磚墻面積率、房屋高度、屋蓋形式、圈梁構(gòu)造柱、施工質(zhì)量、場地條件這10個(gè)主要影響因素作為民房破壞程度的評(píng)判因子。根據(jù)爆破振動(dòng)對(duì)房屋的破壞特征, 可以把房屋的破壞程度分為3個(gè)等級(jí)：基本完好；輕微損傷；破壞。輸出參量破壞等級(jí)標(biāo)準(zhǔn)及數(shù)據(jù)量化如表1所示[2]。

其中，爆破振動(dòng)幅值、爆破振動(dòng)主頻率、主頻率持續(xù)時(shí)間、灰縫強(qiáng)度、磚墻面積率、房屋高度可以采用實(shí)測值直接輸入；屋蓋形式、圈梁構(gòu)造柱、施工質(zhì)量、場地條件屬于狀態(tài)參量，需要將其進(jìn)行數(shù)量化處理。其取值標(biāo)準(zhǔn)如表2 所示[3]。故每一個(gè)學(xué)習(xí)樣本為一個(gè)11維向量，前10個(gè)分量影響爆破振動(dòng)對(duì)房屋破壞程度的因素值，后1個(gè)分量為房屋破壞等級(jí)。

表1 房屋破壞等級(jí)劃分標(biāo)準(zhǔn)及數(shù)據(jù)量化表

表2 部分狀態(tài)參量數(shù)據(jù)量化表

2.2 預(yù)測步驟

首先，應(yīng)用神經(jīng)網(wǎng)絡(luò)建立影響爆破振動(dòng)對(duì)房屋破壞程度的因素與房屋的破壞等級(jí)之間的映射關(guān)系, 實(shí)現(xiàn)對(duì)于任一組給定的爆破振動(dòng)對(duì)房屋破壞程度的影響因素值, 均可以通過該網(wǎng)絡(luò)的推廣預(yù)測能力求出其相應(yīng)的房屋破壞等級(jí)。然后，應(yīng)用遺傳算法具有搜索全局最優(yōu)解和隱含并行性的優(yōu)點(diǎn)，對(duì)房屋破壞等級(jí)進(jìn)行搜索尋優(yōu)，確定最終的破壞等級(jí)。具體步驟如圖1所示。

圖1 進(jìn)化神經(jīng)網(wǎng)絡(luò)預(yù)測模型建立步驟

3 工程應(yīng)用實(shí)例

3.1 工程概況

銅綠山礦露天采場已有40多年的開采歷史，附近居民稱自己的住宅因爆破振動(dòng)而出現(xiàn)損壞，要求銅綠山礦賠償。為此，對(duì)周圍典型民房進(jìn)行爆破振動(dòng)監(jiān)測，并對(duì)破壞情況進(jìn)行宏觀調(diào)查記錄。

3.2 建立訓(xùn)練樣本

基于典型民房的爆破振動(dòng)監(jiān)測數(shù)據(jù)及破壞情況調(diào)查記錄資料，按照上述2.1的方法量化民房破壞程度的10個(gè)評(píng)判因子形成訓(xùn)練樣本，如表3所示。

3.3 房屋破壞等級(jí)預(yù)測結(jié)果

利用表3中的訓(xùn)練樣本對(duì)進(jìn)化的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。經(jīng)過試算確定3層神經(jīng)網(wǎng)絡(luò)，進(jìn)化到第四代時(shí)最佳適應(yīng)值為0.000 114 608，如圖2所示，經(jīng)過7500次訓(xùn)練，訓(xùn)練誤差到達(dá)0.001，如圖3所示，建立既有較高精度的模型。用訓(xùn)練好的模型預(yù)測房屋破壞等級(jí)，其預(yù)測結(jié)果如表4所示。不僅符合房屋實(shí)際破壞等級(jí)，而且能進(jìn)一步反映房屋在某破壞等級(jí)下的嚴(yán)重程度，進(jìn)而精確評(píng)價(jià)房屋的破壞等級(jí)。

表3 訓(xùn)練樣本

圖2 最佳適應(yīng)值變化 圖3 訓(xùn)練過程誤差變化

4 結(jié)論

將遺傳算法的全局尋優(yōu)能力與BP算法的局部尋優(yōu)能力相結(jié)合形成的進(jìn)化神經(jīng)網(wǎng)絡(luò)應(yīng)用于預(yù)測爆破振動(dòng)對(duì)民房破壞程度，可以克服其他單一優(yōu)化方法易陷入局部最優(yōu)和房屋破壞評(píng)判因子與房屋破壞等級(jí)之間的映射關(guān)系難以確定的缺點(diǎn)。模型實(shí)例預(yù)測證明, 基于文中10個(gè)評(píng)判因子建立的預(yù)測模型對(duì)爆破振動(dòng)對(duì)民房破壞程度預(yù)測簡單實(shí)用、準(zhǔn)確可靠。其量化的結(jié)果為精確評(píng)判房屋破壞等級(jí)提供依據(jù)。