人工神經網絡在基坑支護施工質量評價中的應用研究

李佳玉

[摘要]在影響基坑邊坡的各種不確定因素錯綜復雜評價過程中，以BP神經網絡為主的評價模型存在收斂速度慢，容易陷入局部極值等缺陷。鑒于人工魚群算法在全局尋優和收斂速度上的優越性，本文提出一種基于人工魚群算法優化BP神經網絡的評價模型。評價結果表明，該方法是可行的。

[關鍵詞]基坑支護；施工質量；應用研究；人工魚群算法 文章編號：2095 - 4085（2018） 07 - 0179 - 02

依據某市水資源可持續發展狀況，本文對此提出的基坑邊坡穩定性方法，基于BP神經網絡進行評價。將人工魚群算法引入神經網絡的權值優化過程中，在網絡計算中，并且通過對BP神經網絡收斂速度慢的特性點，計算結果表明，該算法在整個計算過程中對最優值的優化具有準確、方便、快速的優點[1]，為模型建立符合事實進行指導作用。

1 人工魚群算法

1.1 人工魚群算法概述

由于魚類數量最多，在該地區生活的一般是水體中營養最豐富的，魚類中的魚往往能發現自己或跟隨其他魚類尋找高營養物。分析的基本前提是建立各因素的本構關系，在此基礎上合理選擇單元仿真模型。目前已有三種模擬方法，可以用大型有限元軟件進行分析。模擬的方法主要有三種，可以歸納為以下三種典型行為：①覓食行為②聚群行為③追尾行為[2]。

如果量程不是很小，魚的面積很小，計算機的容量和處理速度都要考慮到整體的模型。在替代整個區域結構之前，應分析差異，判斷所選模型的合理性。

1.2人工魚群網絡

鑒于人工魚群算法作為一種全局搜尋算法，BP算法收斂速度慢，并且很容易于陷入局部最優解的特性，還有極強的全局最優解尋優性能，因此把他們BP算法和人工魚群算法兩者有機的結合起來，叫做人工魚群網絡[3]。

（1）初始化權值和閾值。在網絡結構BP（n，q，m）擬定后，隱含層第j單元的激活閾值OjH（j=l，∧，q）及輸出層第k單元的激活閾值0k（k=l，∧，m），網絡參數包括輸入i單元到隱含層第J單元的權值W1（i=1，∧，q；j=1，∧，k）隱含層第j單元到輸出層第k單元的權值Wjk（j=l，∧，q；k=1，∧，m。

將每條人工魚看一組權值和閾值，權值和優化的過程就是人工魚不斷改變位置尋找最佳食物源的過程。

假設人工魚的初始重量是可見區域的下一個狀態的隨機選擇，如果結果表明該狀態下的食物濃度大于當前狀態下的食物濃度，那么步驟就朝著那個方向前進。相反，若是隨機選擇的，經過多次的檢查，如果還不滿意，然后隨機步驟。

（2）計算樣本信息。首先向前暗示，通過激活函數輸出隱藏信息，假設有總樣本，首先訓練樣本信息。

（3）對樣本信息進行計算。首先向前傳播到隱含上，經過激活函數f（x）的作用得到隱含層的輸出信息，假設總計有p個式樣標本，輸第r個（r=1，∧，p）訓練標本信息。Hir=f（∑WljXir-OjH），（j=1，∧，q，r=l，∧，p.

}2l

（1）激活函數f（x）一般采用型Sigmoid，即

從輸出信息傳到輸出層，可得到最終輸出的隱含層結果為：

如果網絡輸出與期望輸出間存在一定的誤差，則將誤差反向輸入，利用公式來調節網絡權值和閾值：

上訴過程就是網絡學習的信息正向輸入行為，另一個行為為誤差反向輸入過程。

在滿足一定誤差滿足的要求下，多次計算以上兩個過程，直至出現網絡輸出與期望輸出間值。

1.3確立相應模型

典型的工作有理論研究是三種行為的基礎，其理論基礎也通過數值計算和結構相互作用計算。由于行為的復雜性還沒有像其他樣本那樣獲得完美的模型關系，許多學者已經開始從宏觀和微觀兩個方面建立和研究模型。典型的工作

雖然考慮了這些因素的物理非線性，但本構方程受到非線性本構理論的限制。

在實驗中，易分化的變化分為三個階段。該模型在低速計算的作用下表現出很強的特性。在大區域結構的情況下，應從區域條件、區域的合理模擬和樣本因素等方面進行分析，分為三個階段，其中一個階段是初步的。第二階段是第二階段，又稱穩定狀態；第三、三階段是最后階段，即不穩定階段。

2 基坑支護評價

這種方法簡單模型，結合實際情況，本文采用人工魚群算法對基坑支護的評價指標數據的處理也更輕便，當然，也有一些缺點，位置可左右移動，當實體單元不夠緊密，但誤差在可接受的范圍。這種方法是解決形式復雜且數量很多時的較佳方法。

2.1選取評價標準

在這一部分，人工魚群算法應用于基坑支護參數優化特性評價基坑支護工程的評價標準、評價指標和六級五。這里輸入的層為1層素填土、2層粉土、3層粉土、4層粉土、5層粉土、6層粉質粘土與粘土輸出為基坑支護評價等級。將人工魚所代表的權值w、權值v設置為20組，可視域Visual=1.5，擁擠度因子δ=0.7，最大步長Step=0.5。迭代次數Num=10000。

2.2樣本生成

生成的計算樣本，由此得出的計算樣本是在五個指標的六級水平基礎上，在指標每一級的標準值范圍內進行的，隨機生成六個樣本，六級標準總共生成二十個建模樣本。

2.3結果分析

兩種實驗方案的運行可見用基坑支護評價的個建模樣本，將評價指標數據規范化后，BP，AF - BP模型可持續評結果對比，其中一級（ BP3. 17，AF -BP3. 96）二級（BP2. 17，AF - BP2. 96）三級（BP3.27，AF - BP3. 94）四級（BP3. 47，AF - BP3. 98）五級（ BP3. 23 ，AF - BP3. 86）六級（BP3. 43， AF - BP3.76）。

通過比較不同二種神經網絡，精度更加準確，收斂速度更好，得出人工魚群AF -BP神經網絡對基坑支護的評價效果很好，優于經典BP神經網絡。

3 結語

本文應用了人工魚群算法優化BP神經網絡評價模型，并用于基坑支護評價，結果表明，此方法具有魯棒性好，全局收斂性好，收斂速度快等優點，對其評價等級進行比較，進一步顯示出該方法的優越性，不失為在基坑支護施工過程中，由于切實采取技術措施，在施工過程中杜絕了失穩的產生，為工程的加固設計提供參考依據，并對管理具有指導意義。

參考文獻：

[1]郭繼秋，唐慧哲.工程項目成本管理[M].北京：化學工業出版社，2005.

[2]侯志榮，呂振肅.IIR數字濾波器設計的粒子群優化算法[J].電路與系統學報，2003，8（4）：16 -19.

[3]李曉磊，邵之江，錢積新，一種基于動物自治體的尋優模式：魚群算法[J].系統工程理論與實踐，2002，22 （11）：32 - 38.