基于BP神经网络的海堤沉降研究
BP人工神经网络模型在建筑物沉降预测中应用
为 了确保建筑安全 ， 建筑 物周 围共布 设 了 ｌ 在 ４个沉 降观 测 点， 主要 布设于房 屋四角 ， 伸缩缝两侧 ， 主要承重 的构造柱 上。并 采用二等水准测量 的标准进行 了 １ ２期观测 ， 历时 １ 年半 。 网 络 输 入 与 输 出 由于单 隐层 Ｂ Ｐ网络 的非线性 映射 能力 比较慢 ， 以我们 采 所
带状 图中公里格 网的 自动生成及标注
马 云 岗
摘 要： 主要介绍 了在带状 图测量 中， 公里格网 自动生成及 标注的 一种 方法 ， 对这种 方法的原理及 使 用进 行 了详 细的说 明， 包括设计要求 ， 设计 步骤及设 计要 点等 内容 ， 以期指导 实践 。 关键词 ： 带状 图， 量， 测 拓扑
Ｂ Ｐ人工神 经网络模 型在建筑物沉降预测 中应 用★
尚 纪 斌
摘 要： Ｂ 以 Ｐ人工神经 网络模型为基础 ， 建立预 测模 型 ， 以小区某栋 建筑物 ｌ ～８期的 沉降观 测数据 为输入数据 和输 期
出数 据 ， 网络 模 型进 行 训 练 ， 对 ９期 ～ｌ 实 际 观 测 值 与 预 测 值 进 行 了比 较 ， 果 比较 理 想 ， 而 验 证 了采 用 Ｂ 对 并 ２期 结 从 Ｐ人 工神 经 网络 模 型 进 行 建 筑 物 沉 降 的预 测 是 可行 的 。 关键 词 ： Ｐ人 工 神 经 网络 ， 测 模 型 ， 筑 物 沉 降 Ｂ 预 建
第３ ７卷 第 ３ ４期 ２０１１年 １ ２月
山 西 建 筑
ＳＨＡＮＸＩ ＡＲＣＨＩ ＥＣＴＵＲＥ ｒ
Ｖｏ ． ７ Ｎ ． ４ １３ ｏ ３
Ｄｅ ． ２ １ ｃ ０１
・１ ９１ ・
文章编号 ：０ ９ ６ ２ （ ０ ）４ ０ ９ —２ １０ —８ ５ ２ １ ３ — １ １０ １
BP神经网络模型在建筑沉降预测中的应用
翟 酵
玩
摹 ＾ Ｉ ‘
ｆ
时蚂厌 １
图３ Ｄ４点 的 预 测 结 果
用 ７月 ２日至 ７月 ５日４ ｄ的观测值来预测 ７ 月 ６日的 沉降量 ， 以此类 推 ， 得到 了如表 １ 所示 的预测结果。表 １ 对
＝ ¨
ｒ ＇ 一 Ｏ ｅ ｒ ） （ １ ＝ Ｏ ￣ ｋ ） ， 隐含层 ： ｏ ＝ ¨ ｒ １ 一 （ ） Ｐ
Ｗ ；
Ｂｌ
（ ５ ） 权值修 正 ： Ｗ （ ｔ ＋ １ ） ＝ ａ ６ ｐ ０ ＋
＝
， 阈值 修正 ： Ｏ ｉ （ ｔ ＋ １ ）
（ ￡ ） ＋ １ ３ 磊 ；
２ － ２建模步骤
本 身及周边建筑 的使用安全。 本文以某高层建筑基坑开挖对 周 围已有建筑的影响为主体 ， 建立 了 Ｂ Ｐ神经 网络预测模型 ， 对周 围建筑 的沉降变形观测做 了预测 。
１ 工程简介
为 防止 高层建筑 的建设 对周 围已有建 筑造成破坏性 的
影响 ， 预防倾斜变形 的发展 ， 有关部 门从 ２ ０ ０ ４年某高层建筑
５ ￣ ｎ ＋ １ 次 的预测结果 。
人工神经网络有多种类型，其中，以 Ｒ ｕ ｍ ｅ ｌ ｈ ａ ｒ ｔ ， Ｍ ｃ Ｃ ｌ ｅ ｌ ｌ ａ ｎ ｄ 在１ ９ ８ ５ 年提出的Ｂ Ｐ 网络的误差反向后传 Ｂ Ｐ （ Ｂ ａ ｃ ｋ Ｐ ｍｐ ａ ｇ ａ ｔ ｉ ０ “
习算法运用最为广泛 ， 随着计算机应用技术 的不断提高 ， 逐 渐
● 标 准 与 检 测
巍
２ ０ １ ３ 生
Ｂ Ｐ神 经 络 抉 型 在 建 筑 沉 降 氓 捌 的 应 用
王 亮。 罗新 字 （ 兰州交通大学 土木工程 学院， 甘 肃 兰州 ７ ３ ０ ０ ７ ０ ）
基于BP神经网络方法的边坡地表沉降预测研究
基于BP 神经网络方法的边坡地表沉降预测研究孙维吉1，郭嗣琮2，梁冰11辽宁工程技术大学力学与工程学院，辽宁阜新 (123000)2辽宁工程技术大学理学院，辽宁阜新 (123000)E-mail ：sunweiji-1231@摘 要：露天开采地表变形受岩体力学性质、地质构造、岩体结构、地应力场、地下水，露天矿采剥、工程荷载条件、地震作用、气象条件及植被等不确定因素共同影响，应用BP 神经网络方法对抚顺发电有限责任公司厂区地表沉陷变形进行了预测。
由预测结果可知，神经网络预测具有很高的精确性，可以作为一种预测手段对厂区以后的变形量进行预测。
关键词：神经网络，边坡，地表沉降，预测 中图分类号：TD 3251 引言建国以来，我国露天开采有了长足发展，在国民经济发展中占有重要地位，随着露天矿的开采深度的不断增加，形成了许多高陡边坡，这些边坡的稳定与否影响着矿山的安全生产和矿区周边建筑物的安全稳定。
由于设计不合理而引发的露天矿周围地表移动和变形，甚至造成滑坡、滑动、沉陷、泥石流、岩崩等严重的地质灾害[1]。
据不完全统计，我国每年，仅由于各种滑坡造成的经济损失就达数百亿元。
在传统的“就矿建城”建设指导思想的影响下，我国建国以来已经形成了390多座矿业城（市）镇，这些露天矿大多毗邻大型工业及民用建筑，露天开采引起的邻近边坡岩体的移动与变形直接关系到附近的工业与民用建筑的安全。
而对露天煤矿、铁矿、黄金矿、磷矿及各种有色矿山而言，边坡稳定又是安全生产的关键。
目前，针对露天边坡岩体邻近地表的沉降变形及其附近大型工业厂房和工业设施稳定性研究较少。
露天开采受岩体力学性质、地质构造、岩体结构、地应力场、地下水，露天矿采剥、工程荷载条件、地震作用、气象条件及植被等不确定因素影响，地表变形沉陷值大，持续时间长，是一个十分复杂的力学时空过程，它属于灰色系统[2]，从纯力学机理的角度研究岩层与地表移动还存在很多困难，随着监测技术及手段的发展，应用神经网络方法进行了露天边坡地表变形预测。
基于改进BP神经网络的海堤渗压监测模型研究
Ｂ Ｐ神 经 网络对 海堤 渗压 进行 建模 分析 。
目前 海堤 安全 监测 多 以单 测 点 为研 究 对 象 ， 建 立
单测 点监测 模 型 ， 但 开 展 整体 研 究 时 采 取 该 方 法 不仅 工作量 大 ， 而且 缺乏 测点 之 间的机 理性 联 系 ， 不 能很好 地反 映海 堤 的整体 性 态 ， 因 此 有 必要 将 多 个 测 点 的 渗 压监测 资 料 联 系起 来 进 行 建 模 。本 文 以 多测 点 为
式中， ｎ为训 练次 数 ； 田为 学 习速 率 ； ｍ。 （ ０ ＜ｍ ＜ １ ）
表示 动量 因子 ， ～ 般取 ０ ． ９左右 。
Hale Waihona Puke 传统 Ｂ Ｐ神 经 网络模 型 一 般采 用 ｓ型 函数作 为 激
基 于改进 Ｂ Ｐ神经 网 络 的 海 堤 渗 压 监 测 模 型 研 究
周 娟， 黄 铭
（ 合 肥 工 业大 学 土 木 与水 利 工 程 学 院 ， 安徽 合 肥 ２ ３ ０ ０ ０ ９ ）
摘要 ： 针 对传 统 Ｂ Ｐ算 法存 在 的 收 敛 速 度 慢 、 易 陷入 局 部 极 小 等 缺 陷 ， 采 用 附加 动 量 算 法 和 修 正 激 活 函数 方 法 对 网络 模 型 进 行 改 进 。 以 Ｂ Ｐ神 经 网络 为建 模 工 具 ， 将 前 期 潮 位 因子 、 降 雨 因 子 和 时效 因 子 作 为输 入 ， 多 个 渗 压 测 点 值 为输 出 ， 建 立 了海 堤 渗 压 多测 点 监 测 预 报 模 型 。将 原 始 网 络模 型 、 改 进 网 络模 型 的 预 测 值 与 实 际 测
中图 法 分 类 号 ： Ｔ Ｖ ６ ９ ８ ． １
海 堤所 处地 区常 受暴雨 、 台风侵 袭 ， 因此海 堤 的堤 身 安全 尤为 重要 。渗压 作 为海堤 安 全监测 分 析 的重要 对象 ， 它 主要 是受 海 洋 潮汐 、 降 雨 等 因素 的影 响 ， 而 且
基于优化的BP神经网络算法的深基坑沉降预测
李篷王红梅王若锋熊靖飞(中化地质郑州岩土工程有限公司，河南郑州450011)摘要深基坑变形预测是进行施工参数调整和确保深基坑施工安全的重要手段，而如何对其变形进行有效、准确地预测是一个有待解决的技术难题。
BP神经网络是深基坑变形预测的常用方法，但存在易陷入局部最优的特点。
模拟退火算法(SA)是一种全局优化的启发式算法，但可能出现跳出全局最优的情况。
本文利用SA对BP神经网络的权值和阈值进行全局搜索优化，同时增加SA的记忆功能，可以有效克服两种算法的缺陷，并提高预测精度。
本文用SA优化BP神经网络算法对郑州市107辅道快速化工程深基坑沉降进行预测。
结果发现,经优化的BP神经网络能够跳出局部最优,预测精度提高,平均绝对误差(MAE)由056提高至0507;均方根误差(RMSE)由056提高至051;平均相对误差(MRE)由2.9%提高至0.08%。
关键词基坑变形;沉降预测;BP神经网络,模拟退火算法;记忆功能中图分类号P236文献标识码A文章编号2095-7319(2020)03-0101-040.引言经济的迅猛发展推动了城市基建项目不断向超大、超深规模发展,对于基坑变形的监测和预报要求也越来越高。
基坑变形的预测可以有利于后续在基坑的方案上不断地进行优化,针对深基坑变形预测的研究已有很多［1］,主要的系统预测方法分为回归分析法寸间序列分析预测法冋、灰色系统预测法阴和人工神经网络预测法150等。
其中，人工神经网络具有强大的自学习能力，在处理非线性以及复杂时间序列问题中有独特的优势。
基坑监测数据多属于非平稳的复杂时间序列，运用BP神经网络进行基坑形变预测的研究受到了广泛关注叫2、、但是,BP神经网络存在训练收敛速度较慢，容易陷入局部极小值等问题#$%剧。
而模拟退火算法(SA)是一种全局搜索优化的人工智能算法,将二者有效结合能够充分发挥每种算法的优点,实现对时间序列数据更为精确的预测问。
本文在此基础上利用SA优化BP(BackPropagation)神经网络的权值和阈值,使其尽可能满足全局最优。
神经网络算法在海洋水质监测中的应用研究
神经网络算法在海洋水质监测中的应用研究随着人类活动的不断增长和海洋资源的不断开发，海洋环境的污染越来越严重。
海洋水质监测因此显得愈发重要，但是常规的监测手段需要大量的时间和人力，且数据处理的精度较低，不能很好地反映海水质量的实际情况。
为了解决这一问题，近年来科技界开始尝试采用神经网络算法，通过对数据的自适应处理和建模，来较为准确地预测和判断海洋水质的状况。
神经网络算法是一种模拟人类大脑神经元的人工智能算法，它具有较强的自适应性和学习能力，能够从训练数据中学习到模式和规律，并根据这些规律来进行预测和判断。
在海洋水质监测中，我们可以收集各种海洋环境数据，比如海水温度、盐度、水深、溶解氧、叶绿素等参数，以这些数据作为神经网络算法的输入，来预测海水的理化性质和水生态系统的状态。
首先，我们需要对海洋环境数据进行归一化处理，将其统一转化为0-1范围内的数值。
然后，我们可以将这些数据分为训练集和测试集，训练集用于训练神经网络，测试集用于验证模型的精度和稳定性。
在训练过程中，神经网络依次对每个输入数据进行处理，并输出相应的预测值。
通过不断调整神经网络的权重和阈值，使得网络输出的预测值和实际值的误差不断减小，从而得到一个较为准确的模型。
在模型训练结束后，我们可以将其应用到测试数据中，并计算模型的误差和准确性，以评估其预测能力。
不过，需要注意的是，神经网络算法并不是万能的，在应用过程中也存在一些问题。
例如，当输入数据过于复杂或过于稀疏时，神经网络的性能可能会有所下降。
此外，神经网络算法还需要大量的训练数据和计算资源，才能得到一个较为稳定、准确的模型。
因此，在选择神经网络算法时，我们需要考虑到数据的规模和特性，以及计算资源的限制，以便得到最优的预测效果。
除了神经网络算法，近年来还有许多其他的人工智能算法被应用到海洋水质监测中，包括贝叶斯网络、决策树、遗传算法等。
这些算法各有特点，可以根据实际情况进行选择和应用。
但总体上来说，神经网络算法因其较强的自适应性和准确性，在海洋水质监测中的应用前景较为广阔。
BP人工神经网络模型在建筑物沉降预测中应用
BP人工神经网络模型在建筑物沉降预测中应用尚纪斌【摘要】Based on BP artificial neural network model, the prediction model is established. Taking the settlement detection data from phase 1 to phase 8 of a district building as input data and output data, the network model is trained. The paper also compares actual detection value to pre- diction value from phase 9 to phase 12. The results are relatively ideal, which testifies feasibility of applying BP artificial neural network model to predict building settlement.%以BP人工神经网络模型为基础，建立预测模型，以小区某栋建筑物l期～8期的沉降观测数据为输入数据和输出数据，对网络模型进行训练，并对9期～12期实际观测值与预测值进行了比较，结果比较理想，从而验证了采用BP人工神经网络模型进行建筑物沉降的预测是可行的。
【期刊名称】《山西建筑》【年(卷),期】2011(037)034【总页数】2页(P190-191)【关键词】BP人工神经网络;预测模型;建筑物沉降【作者】尚纪斌【作者单位】南京工程学院建筑工程学院,江苏南京211167【正文语种】中文【中图分类】TU4330 引言建筑物在修建过程中，随着自身荷载的不断增加，建筑物整体会发生下沉的情况。
当建筑物所在地过去是池塘等松软地基时，虽然在施工工艺上已经进行了处理，但是仍然会对沉降产生影响。
基于BP神经网络的地表沉降预测及应用
破 碎 带 中 ， 体 形态 严 格 受构 造 破碎 带 控 制 ， 变 主要 矿 蚀
区 内 围 岩 主 要 为 上 元 古 界 额 尔 古 纳 河 群 地 层 ， 种 为 硅 化 、 酸 盐 化 、 云 母 化 。 石 中 的 脉 石 矿 物 也 为 石 各 碳 绢 矿 而 初 区 微 量 元 素 的 分 配 与 岩 石 类 型 密 切 相 关 。大 理 岩 中 的 Ｐ 英 和 方 解 石 ， 未 见 有 典 型 的 矽 卡 岩 矿 物 。 步 认 为 ， ｂ、
Ｊ 沉 陷一 般 发 生 和 发 展 较 为 缓 慢 ，Ｊ学 技 术 的 发 展 和 研 究 手 段 的进 步 ， 层 ｊ 人 有一 定 的思 想 准备 ，可 以进 行 ｆ地层 沉 陷 的复杂 性 逐 渐被 人 们 所揭 使 ｊ准 确 的预 测 和预 报 ，进 而 采取 尽 可 ｉ ，经典 的理论 和 方 法 已无 法 准确 示 』能 的有 效 控 制措施 ，以便 最 大 限度 ｉ 对其 进行 解释 、 地 研究 和预 测 。 Ｉ地 减少 地 层沉 陷造 成 的损 失 。地 层 Ｊ 二 、 陷数据 分析 方法 沉 ｉ沉 陷 可 能 破 坏 一 个 地 区 的 经 济 建 Ｊ 多年 来 ，对 沉 陷监 测 数 据 分析 ｝设 ， 人 民生 命财 产 遭受 重 大 损失 ，ｆ 法 研究 极 为活 跃 ，除 了传 统 的 多 使 方 ｌ也 可能 在 局部 范 围 内使 个别 建 筑 物 ｆ 回归分 析方 法 、 间 序列 分 析 法 、 元 时 ？破 坏或 使 土地 失 去使 用 价值 。地 层 Ｊ ａｍ ｎ 波 、频谱 分析 法 和数 字滤 ｌａ 滤 Ｋ
是矿 液沉淀赋存 的有利 空 间 ， 作 为直 接找矿 标志 之一 ； 可
发育在 大理岩 构造破碎带 中的强硅化 、 铁矿 化 、 铁矿 褐 黄
基于改进BP神经网络模型的地面沉降预测及分析
基于改进BP神经网络模型的地面沉降预测及分析
李红霞;赵新华;迟海燕;张建军
【期刊名称】《天津大学学报》
【年(卷),期】2009(042)001
【摘要】针对区域性地面沉降问题,用遗传算法优化BP神经网络的初始权重,建立了地面沉降预测模型.该模型克服了BP神经网络模型存在的收敛速度慢、易陷入局部极小点的缺点.采用后验差检验法对模型拟合结果进行了检验,结果表明模型具有很好地拟合与泛化能力.应用该模型对地下水位影响强度进行了分析,表明地面沉降与地下水位存在一致响应趋势.
【总页数】5页(P60-64)
【作者】李红霞;赵新华;迟海燕;张建军
【作者单位】天津大学环境科学与工程学院,天津,300072;天津大学环境科学与工程学院,天津,300072;天津大学环境科学与工程学院,天津,300072;天津市环境保护科学研究院,天津,300191
【正文语种】中文
【中图分类】P642.26;TP183
【相关文献】
1.基于灰色神经网络模型的基坑开挖引发周边地面沉降预测分析 [J], 赵升峰;韦巡洲;杨新祥
2.基于库伊克模型的地面沉降预测分析 [J], 甄宗坤;蔡东健
3.基于AR模型的上海地区地面沉降预测分析 [J], 焉建国;陈正松;罗志才;李琼
4.基于Preisach滞后模型的地面沉降预测分析 [J], 吴蓉;李成柱
5.基于灰色神经网络GNNM(1,1)模型的地面沉降预测分析 [J], 孙钟磊;钱尊岩因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进BP神经网络模型的地面沉降预测及分析
∑ S2 =
1 n (e(T ) − e )2 ，则 后 验 差 比 值 C 定 义 为 n T =1
C = S2 S1 ，而 小 误 差 概 率 定 义 为 P = P{ e(T ) − e <
0.674 5S1} ． 评价网络外推性能好坏的指标有 2 个：C 值和
P 值．C 值小则说明均方差 S1 大、残差均方差 S2 小． S1 大则观测数据离散度大，原始数据规律性差，S2 小 则表明预测误差离散度小，因此要求在 S1 大的前提 下 S2 尽量小，即 C 值越小越好，它表明尽管原始数据 规律性差，但预测误差摆动幅度小．评价网络外推性
一致响应趋势．
关键词：地面沉降；BP 神经网络；遗传算法；初始权值；后验差检验
中图分类号：P642.26；TP183
文献标志码：A
文章编号：0493-2137（2009）01-0060-05
Prediction and Analysis of Land Subsidence Based on Improved BP Neural Network Model
（2）进行 GA 的交叉、变异算子操作，得到 N 个 新的个体，分别计算其适应值，并根据适应值大小按 最优个体保留策略进行个体选择，实现优胜劣汰．
（3）若达到事先设置的最大代数 K 或满足给定
·62·
天津大学学报
第 42 卷 第 1 期
的精度要求 ε ，求得解 W ∗ 及目标值 E ∗ ．若满足精度 要求，即 E ∗ ≤ ε ，算法结束；否则转步骤（4）．若未达 到最大代数 K ，令 k = k + 1 ，返回步骤（2）．
笔者将地下水位对地面沉降的影响视为黑箱系统采用神经网络对其辨识实现对地面沉降的预测和分析同时针对bpbackpropagation神经网络收敛速度慢易陷入局部极小点的缺点采用遗传算法geneticalgorithmga优化bp神经网络的初始权重建立了基于gabp神经网络的地面沉降预测模型改善了bp神经网络模型的运行效果
BP神经网络在地基沉降量预测中的应用
第11卷第2期中国水运V ol.11N o.22011年2月Chi na W at er Trans port Februar y 2011收稿日期：作者简介：赵正信（），男，江苏江都人，江苏省交通技师学院助讲，硕士研究生。
BP神经网络在地基沉降量预测中的应用赵正信（江苏省交通技师学院，江苏镇江212009）摘要：地基沉降是土力学中的重要课题之一，通过沉降预测可以为软土地基的工程设计以及下一步施工提供指导性意见。
文中以常用的BP 神经网络为基础，利用其具有的自组织、自适应、容错性和较强的学习能力，结合工程实例进行沉降预测。
说明该方法能够简便、精确的预测软土地基的沉降量。
关键词：BP 神经网络；地基沉降；预测中图分类号：TV 196文献标识码：A 文章编号：1006-7973（2011）02-0168-02一、引言地基基础、码头等在修筑过程中和投入使用后的很长一段时间内，将持续不断地发生变形，要认识到沉降规律，需要对观测值进行处理，其中重要的一项工作便是沉降预测[1，2]。
常用的预测方法有双曲线法、指数函数法等，王艳艳，张永光[2]曾运用灰色理论预测大坝等的沉降，这些预测方法需要较多的数据，在实际工程中常因各种原因而无法获得足够的数据，而且预测结果的准确性也无法得到。
同时地基沉降是土力学中的重要课题之一，软土变形的性质十分复杂，它与软土的种类、状态以及外界条件有很大的关系。
人工神经网络（Art ificial Neu ra l Net work ，ANN ）是一种非线性动力学系统，具有良好的自适应性、自组织性以及很强的学习、联想、容错、抗干扰能力，可以方便灵活地对多成因的复杂未知系数进行高度建模，实现高度的非线性映射关系。
BP 神经网络可揭示数据样本中蕴含的非线性关系，大量处理单元组成非线性自适应动态系统，具有良好的自适应性、自组织性及很强的学习、联想、容错和抗干扰能力，在不同程度和层次上可模仿大脑的信息处理机理，灵活方便地对多成因的复杂的未知系数进行高度建模。
基于BP神经网络的海底地形复杂度自动分类方法研究
以 实现 海 区 海底 平 坦 、 一般 、 复 杂 三 种 地 形 的 自动 识 别 与分 类 ， 并 保 留 实验 区海 底 地 形 复 杂度
细 节信 息 。
关键词 ： Ｂ Ｐ神 经 网络 ； 坡度 ； 地 形起 伏 度 ； 海底地形 ； 分 类 指 标 中图分类号 ： Ｐ ２ ２ ９ 文献标识码 ： Ａ ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ２ — ３ ６ ８ ２ ． ２ Ｏ １ ６ ． ０ ４ ． ０ ０ ４
基于BP神经网络-实时跟踪算法的海堤沉降预测
基于BP神经网络-实时跟踪算法的海堤沉降预测
沈跃军;秦鹏
【期刊名称】《人民长江》
【年(卷),期】2013(044)022
【摘要】对海堤工程进行实时监控对保障堤防安全具有重要意义.以浙江省某海堤工程沉降数据为研究对象,建立基于MATLAB的BP神经网络-实时跟踪组合预测算法模型,并用原型观测数据对其进行了校核和检验,最后将该算法结果与灰色理论中的GM(1,1)模型结果进行比较.结果表明,用BP神经网络-实时跟踪组合算法预测海堤工程变形具有较高精度和抗噪性,为海堤工程变形沉降预测提供了新的研究思路.
【总页数】3页(P100-102)
【作者】沈跃军;秦鹏
【作者单位】浙江省钱塘江管理局勘测设计院,浙江杭州310016;浙江水利水电学院水利系,浙江杭州310018;河海大学水利水电学院,江苏南京210098
【正文语种】中文
【中图分类】TV86
【相关文献】
1.基于ARIMA-RTA组合模型的海堤工程沉降预测 [J], 秦鹏;苏怀智;沈跃军
2.基于BP神经网络的海堤沉降研究 [J], 马俊强;王晓光;裴成玉
3.基于多特征融合的Camshift结合Kalman预测的实时性视觉跟踪算法研究 [J],
刘继承;孙慧琳;赵洪涛
4.一种基于预测的实时人脸特征点定位跟踪算法 [J], 翁政魁;王彬;王坤;刘辉
5.基于分层沉降理论的海堤预测沉降计算方法 [J], 潘明杰;罗林峰;吴国芳
因版权原因，仅展示原文概要，查看原文内容请购买。
标准BP神经网络算法和附加动量法在沉降监测中的应用研究
标准BP神经网络算法和附加动量法在沉降监测中的应用研究李波;柳华桥;戴鑫;贾志强
【期刊名称】《城市勘测》
【年(卷),期】2016(000)001
【摘要】在沉降监测工程实践中，由于采用的预测方法和项目沉降趋势的不同，
预测结果的精度会有差异。
而随着应用的不断深入，对现有算法进行改进以发挥算法的优势，成为目前预测算法研究的主流。
在本文的研究中，编程实现了标准BP
神经网络算法和附加动量法。
通过研究学习率对标准BP神经网络算法的影响，确定学习率的大小。
然后，研究了动量项对附加动量法收敛速度的影响，确定了动量项的取值。
最后，对两种算法的稳定性和算法的效率以及预测精度等方面进行比较，探究两种算法的特点。
【总页数】4页(P145-148)
【作者】李波;柳华桥;戴鑫;贾志强
【作者单位】天津市测绘院，天津 300381;天津市测绘院，天津 300381;天津市
测绘院，天津 300381;天津市测绘院，天津 300381
【正文语种】中文
【中图分类】P258
【相关文献】
1.附加动量法和基于遗传算法附加动量法的实现与在沉降监测中的应用研究 [J],
廉光伟;柳华桥;李波
2.小波变换和BP神经网络模型在沉降变形\r监测中的应用研究 [J], 郑云云;陈姗姗;胡勇
3.基于BP神经网络的自适应Kalman滤波在滑坡沉降监测中的应用研究 [J], 胡海洋;邹进贵;张艺航
4.组合预测法在建筑物沉降监测中的应用研究 [J], 胡佳坚
5.基于改进的BP神经网络算法在基坑形变监测中的应用研究 [J], 徐玉玲;王伟丽因版权原因，仅展示原文概要，查看原文内容请购买。
改进的BP神经网络在路基沉降预测中的应用
改进的BP神经网络在路基沉降预测中的应用郭亚宇;孙立功;苏兆仁【摘要】针对传统BP神经网络存在的缺点,提出基于遗传优化的变梯度反向传播的BP神经网络预测方法,采用遗传算法优化BP神经网络的初始权重,建立路基沉降预测模型.该模型可克服BP神经网络模型存在的收敛速度慢、易陷入局部极小点等缺点.结合现场实测数据,将该优化模型与指数曲线模型、双曲线模型、灰色预测模型和传统BP神经网络预测模型对比,结果表明改进的BP神经网络在路基沉降预测中精度最高,适宜于广泛推广应用.【期刊名称】《港工技术》【年(卷),期】2010(047)005【总页数】5页(P46-50)【关键词】沉降预测;BP神经网络;遗传优化;遗传算法【作者】郭亚宇;孙立功;苏兆仁【作者单位】陕西铁路工程职业技术学院,陕西,渭南,714000;兰州交通大学土木工程学院,甘肃,兰州,730070;陕西铁路工程职业技术学院,陕西,渭南,714000;中交一航局第三工程有限公司,辽宁,大连,116001【正文语种】中文【中图分类】TU4331 引言随着经济建设的高速发展,在软土地区修建的高速公路日益增多,高速公路对路基的沉降变形和稳定性要求十分严格;而软土压缩性大、透水性差和变形稳定时间长的工程特性给公路的设计与施工带来了许多困难。
在高速公路软基施工时,为了控制施工进度,指导后期施工,需要对路基不同时刻的沉降量以及最终沉降量进行实时预测和分析。
目前采用的主要为理论分析法和数值分析法。
其中理论分析法具有参数要求少、直观、计算简单等优点,但是计算时仅考虑竖向变形,与土体实际受力状态不符,计算精度偏低。
数值分析法则全面地考虑了土体的侧向变形,流变以及边界条件等,理论上虽较为严密,但该方法所需的计算参数较多且不易确定,距广泛应用还有一定距离。
在这种情况下,通过采用科学的预测方法处理现场实测资料,有助于准确地预测沉降,从而使后期施工组织安排达到最优。
目前这类方法有很多,如指数曲线法、双曲线法、皮尔曲线法、泊松曲线法、灰色预测法和BP神经网络预测法等。
基于BP神经网络的沉降预测模型应用
基于BP神经网络的沉降预测模型应用王成栋;霍成胜;孟军海;张彩霞;张永胜【摘要】人工神经网络是一个拥有高度非线性映射能力的计算模型,有较强的动态处理能力,在对其进行研究的基础上,利用MATLAB建立了BP神经网络的建筑物沉降预测模型,用于指导建筑物的沉降预警工作.通过将建筑物沉降的实测数据和模型的预测数据进行对比分析发现,两者间的误差相对较小,预测模型能很好地反映出建筑物沉降的发展趋势,对于建筑物沉降预警工作有着极其重要的意义.【期刊名称】《新技术新工艺》【年(卷),期】2015(000)001【总页数】3页(P93-95)【关键词】BP神经网络;建筑物沉降;预测模型;沉降预警【作者】王成栋;霍成胜;孟军海;张彩霞;张永胜【作者单位】青海省第三地质矿产勘查院,青海西宁810029;青海省第三地质矿产勘查院,青海西宁810029;青海省第三地质矿产勘查院,青海西宁810029;青海省第三地质矿产勘查院,青海西宁810029;青海省第三地质矿产勘查院,青海西宁810029【正文语种】中文【中图分类】TU433人工神经网络(artificial neural networks，简称ANN)是一种用计算机网络系统模拟人的神经系统并反映人脑一些基本功能特征的高度复杂的非线性动力学系统，从数学角度来讲，是对人脑的高度抽象和模拟。
由于ANN具有非线性自适应的信息处理能力及容错性强的特征，克服了传统人工智能方法对于直觉的缺陷，因此在模式识别、图像处理、控制和优化、智能信息管理及预测等领域有着广泛的应用。
把人工神经网络的预测功能运用到各种工程建设当中，在实践和理论两方面都有重要的指导意义。
本文利用BP神经网络建立了建筑物预测模型，取得了较好的效果[1-2]。
1.1 网络的层数BP神经网络拥有极强的非线性映射能力，通过输入层到输出层的函数计算来完成。
较多的隐含层的建立，虽然能提高网络的训练速度，增加人工神经元网络处理能力，但是训练时间也会随之增长，使训练复杂化。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第17卷 第12期 中 国 水 运 Vol.17 No.12 2017年 12月 China Water Transport December 2017收稿日期：2017-08-20作者简介：马俊强（1983-），男，中交第一航务工程勘察设计院有限公司工程师，主要从事国内、外港口岩土工程工作。
基于BP 神经网络的海堤沉降研究马俊强1，王晓光2，裴成玉1（1.中交第一航务工程勘察设计院有限公司，天津 300222，2.四川雅化实业集团工程爆破有限公司，四川 成都 610000）摘 要：海堤沉降是其失稳的主要诱因，BP 神经网络是工程中普遍运用于非线性等复杂工程问题的神经网格模型，本文分析引起海堤沉降变形因素进行分析，并对BP 神经网络原理进行简要介绍，依据海堤监测数据，利用BP 神经网络技术建立海堤施工过程中沉降量与时间之间相关性模型，对海堤沉降变形值进行预测，将计算值值与实测值进行分析，结果表明计算结果与实测值基本吻合，为今后海堤沉降过程模拟提供可借鉴的方法。
关键词：神经网络；海堤沉降；预测中图分类号：TV86 文献标识码：A 文章编号：1006-7973（2017）12-0225-03一、引言海堤工程由土、石等建筑材料人工填筑而成的防御风暴潮等自然灾害的水工建筑物，承担着保护堤坝内生命及财产安全的重要责任，海堤工程建设中海堤沉降的影响因素多样化。
如果海堤的沉降变形超过规定界限，就会造成堤坝损坏，严重影响其正常使用功能。
目前确定海堤沉降变形值的方法主要有以下几种：分层总和法、当地经验法、现场观测与推演、数值模拟技术等。
通过实时监测的沉降变形值，进行沉降变形的趋势分析，预测海堤沉降变形的过程与其最终沉降量，是海堤沉降变形预测分析的重要方法，海堤工程建设期及后期使用期通过监测数据对沉降变形值进行实时动态研究，并发现海堤沉降变形的异常情况，及时向建设单位等部门预报，以便及时采取必要措施，将损失降到最低[1-3]。
海堤工程施工工艺、工程地质条件等因素的复杂性及其特殊性，加之临近海堤的涉海工程对附近水文地质条件的改变等因素，较难预测海堤沉降变形值。
人工神经网络是非线性理论的计算方法，处理非线性、信息量大、经验型等工程难题时具有一定适宜性与可靠度。
但人工神经网络法较之其他的计算方法并非十分优越，具有一定适用性，只是其他常规方法效果不佳时，尤其对复杂问题难以用常规数学模型解决或该问题的原理需要非常多的因变量才得以解决时，人工神经网络才可以体现出解决该问题的优越性，并提供非常有效的计算工具。
误差逆向传播神经网络（back propagation neural network）简称BP 神经网络模型在人工神经网络中是一种应用比较广泛且成熟的模型[4-7]。
本文将BP 神经网络模型应用于海堤沉降变形的研究。
二、BP 神经网络原理BP 神经网络具有自我学习、归纳和推理能力等特点，是目前应用较成熟的模式自动识别和近似方法。
其原理为输入段到输出段之间的高度非线性动态分析系统，该算法较之其他算法采用误差反向传播原理的前馈型网格。
神经元在同一层位之间无任何耦合，在不同层位之间全连接，如下图1所示。
图1 BP 神经网络结构图该神经网络技术的训练算法是一个沿着梯度快速下降，使得输出实际值与输出期望值之间的均方差最小化，本文采用S 型非线性逻辑函数（如下公示1所示）作为其转换的函数。
)1/(1)(x e x f -+= （1） 其输入层中的模式向量如下公式2),...,,(21n k a a a A = （2） 上式中：n 为输入层个数；k 为学习模式对数。
中间各层的单元输入值为j k i j i ni ka w S j θ-=∑=1 （3）上式中：j θ为中间层单元的阀值；j i w 为输入层至中间单元的连接权；j 为中间层的单元个数。
中间各层的单元输出值为)(kj k j s f b = （4） 输出层的各单元输入值和输出值分别如下式tk j j i pj ktb v L γ-=∑=1 （5） )(k t t k L f C = （6） 上式中：t γ为输出层单元的阀值；j i v 为中间层至输出层的连接权值；t 为输出层的单元个数。
输出层各单元的一般误差为226 中 国 水 运 第17卷)1())(k t k t k t k t k t c c c y d --= （7）式中：k t y 为实际值与期望值的绝对误差值。
中间层各单位的一般误差值为))1(1kj k j qt jtt t j b b vd e -=∑= （8）用输出层个单元的一般误差值kt d 、阀值t γ和调整连接权值jt v 如公式9和公式10所示。
图2 BP 神经网络训练流程图k jk t jt jt b ad N v N v +=+)()1( （9） k t t t ad N N -=+)()1(γγ （10）用中间层的一般误差tj e 、阀值j θ和调整连接权ij ωk i k j ij ij a e N N βωω+=+)()1( （11）kj k j j j e d N N βθθ-=+)()1( （12）当神经元受刺激后，输入层经过各中间层计算后到输出层，在输出层得出结论；并按误差较小的逆向方向，由输出层通过各中间层逐渐修正其连接权，最后再回到输入层。
通过误差逆向不断修正的过程，网格对输入模式得出相应的正确率也不断提高，如图2所示。
基于上述理论，在海堤施工的过程中，对海堤沉降变形值进行监测，借助神经网络先对其中一部分监测数据进行学习训练，获取相应的时间与沉降变形量T-S 变化的规律，然后对其余一部分进行预测。
具体如下：选取海堤上4个监测点数据，建立一个考虑多个时间和多个沉降大小变化的BP 网络模型，模拟此海堤的沉降变形过程。
三、工程实例工程位于渤海湾，根据现有地质资料，本工程地形较平缓，地层以滨海相沉积为主，陆相沉积为辅，表层为较厚淤泥与淤泥质土为主，呈软塑状，夹少量粉砂颗粒，具有含水率高、孔隙比大、强度低、压缩性高、欠固结和层厚不均等特点，工程地质性质差；中部粉土层呈稍密状，局部夹粘性土薄层，中部粉质粘土层，呈软塑状，局部夹粘性土薄层，工程地质性质较差；下部为粉砂层，呈密实状，偶见碎贝壳，局部夹粘性土薄层，土质不均，工程地质性质较好。
海堤施工过程中4个检测点实际沉降变形数据见表1。
表1 各监测点实际沉降值时间 （d）1号点沉降值 （mm） 2号点沉降值 （mm） 3号点沉降值（mm） 4号点沉降值（mm） 0 0.00 0.00 0.00 0.00 10 35.13 37.59 35.64 48.97 20 76.00 59.91 69.97 88.17 30 126.26 112.78 118.81 166.45 40 173.93 158.71 159.74 231.71 50 213.24 203.24 216.50 277.42 60 249.75 249.17 249.50 342.67 70 283.48 293.70 277.23 393.27 80 326.98 336.85 312.87 422.69 90 348.15 357.78 337.95 443.98 100 360.98 370.37 345.87 448.97 110 365.43 376.02 351.16 450.71 120 368.50 377.50 355.12 450.82 130370.06378.95357.62图3 1号点实测值与计算值对比图图4 2号点实测值与计算值对比图第12期 马俊强等：基于BP 神经网络的海堤沉降研究 227根据现场实测值，按上述BP 神经网络原理编制程序进行训练，经过数次训练迭代后，神经网络模型能够以相对最小的误差输出，得到各监测点基于BP 神经网络技术的计算沉降值，结果见图3~图6。
由图可知，海堤施工开始阶段沉降变形比较明显，T-S 曲线较陡，这是由于上部荷载引起的地基土附加应力，从而产生沉降变形，随着时间推移，变形趋于稳定，T-S 曲线平缓。
基于BP 神经网络技术实测沉降值与计算沉降值吻合较好，因而可以得出神经网络技术计算海堤沉降的可行性和适宜性，可以满足工程实际的需求，可以进一步通过BP 神经网络预测海堤后期使用期等的沉降变形值以及海堤不均匀沉降等因素引起变形破坏模式。
图5 3号点实测值与计算值对比图图6 4号点实测值与计算值对比图图7~图8为实测值与计算值的绝对误差与相对误差，从计算结果来看，实测值与计算值有一定的误差，且误差值的大小存在不均匀性，这是由于海堤所处的地质条件比较复杂，土层不均匀性，以及施工顺序等造成地基的集中荷载和均布荷载等。
海堤沉降过程中的实测值与计算值的最大绝对误差为22.30mm，最大相对误差为9.37%，最小的绝对误差为1.83mm，最小相对误差为0.39%。
可见用神经网络预测海堤沉降过程具有较高的精度，因而BP 神经网络具有较好的自学能力，能较好的识别时间与海堤沉降值之间复杂的关系，用于海堤沉降过程的预测无疑是一个有效的方法，具有较好的可行性和实用价值。
图7 实测值与计算值绝对误差图8 实测值与计算值相对误差四、结论本文基于BP 神经网络技术进行海堤沉降变形研究。
结果表明：（1）选取4个具有代表性的样本，进行预测，预测结果跟实测结果进行比较，误差总体不大。
（2）神经网络的优点在于不考虑中间过程就能预测海堤沉降变形值。
将BP 神经网络应用于海堤沉降变形的研究，还处于初级阶段，有待于做进一步的探讨和研究。
参考文献[1] GB50007-201，建筑地基基础设计规范[S].北京：中国建筑工业出版社，2012.[2] 杨梅，卿晓霞.基于改进遗传算法的神经网络优化方法[J].计算机仿真，2009.[3] 秦植海，秦鹏.海堤地基固结系数反演与工后沉降分析模型预测[J].岩土力学，2012，33（6）.[4] 贾备，邬亮.基于灰色 BP 神经网络组合模型的基坑变形预测研究[J].隧道建设，2009，29（3）.[5] 高浪，谢康和.人工神经网络在岩土工程中的应用[J].土木工程学报，2002，35（4）：77－81.[6] 李旺林，汤馥郁等.BP 神经网络在复合地基沉降建模中的应用[J].水利规划与设计，2007，2：59－61.[7] 裴成玉，张宏明等.基于BP 神经网络的载荷试验研究[J].港工技术，2014，4.。