人工神经网络在基坑支护方案选择中的应用
基于人工神经网络的巷道围岩分类与支护参数优化研究的开题报告
基于人工神经网络的巷道围岩分类与支护参数优化研究的开题报告1. 研究背景和意义在现代矿山工作中，巷道是一个非常重要的组成部分。
然而，在巷道开采过程中，巷道围岩的稳定性和安全性往往存在很大的挑战。
因此，矿山工程在巷道支护设计和施工过程中必须精细、全面，以确保矿山的安全性和经济效益。
现有的巷道围岩分类和支护参数优化方法依赖于人工经验和站点试验，存在资源浪费、效率低下和结果不稳定等问题。
人工神经网络技术作为一种自适应的方法，可以利用大量的数据并自动进行学习和优化，因此被广泛应用于巷道围岩分类和支护参数优化研究中。
本研究旨在利用人工神经网络技术，发展一种基于巷道围岩分类和支护参数优化方法，提高巷道工程的效率、安全和经济性。
2. 研究内容和方法本研究的研究内容和方法主要包括以下几个方面：2.1 巷道围岩分类利用采集的巷道围岩的相关特征，建立巷道围岩分类人工神经网络模型，实现对围岩分类的自动化。
2.2 支护参数优化建立巷道支护参数优化人工神经网络模型，以优化设计参数和支护方案的可靠性和经济性。
2.3 模型测试和验证采用实采数据进行巷道围岩分类和支护参数优化人工神经网络模型的测试和验证，评估模型的性能和可靠性。
2.4 结果分析和应用根据模型预测结果，分析巷道围岩的工程特性和支护方案的经济性，并实现模型的工程应用。
3. 预期成果和意义本研究预期成果包括：（1）建立一种基于人工神经网络的巷道围岩分类和支护参数优化方法；（2）开发一种自适应、智能、高效的巷道围岩支护设计工具；（3）提高矿山巷道工程的效率、安全性和经济性，减少资源浪费，提高生产效率。
本研究对于国内外矿山工程领域的巷道设计和支护有直接的应用价值，也为人工神经网络技术在工程领域的应用提供了一个成功的案例。
综述人工神经网络在地基沉降预测中的应用
综述人工神经网络在地基沉降预测中的应用摘要：人工神经网络在近几年来发展迅速，在岩土工程界得到了广泛的应用，尤其在地基沉降预测方面取得了突出了成绩，本文将结合现有的一些工程实例来简单地综述一下人工神经网络在地基沉降预测方面的优越性。
关键词：人工神经网络地基沉降随着我国经济的发展，高速公路，高层建筑等作为基础建设的一部分，也得到了迅猛地发展。
这些基础建设中最首要的任务就是地基处理，因此对地基沉降预测就成了工程建设者需要解决的首要问题之一。
目前，对地基沉降预测的方法很多，除了传统的计算方法以外，还有可靠度分析法、沉降差法、FLAC有限差分法等。
近几年，随着人工神经网络方法在岩土工程界的应用，利用人工神经网络方法来预测地基的沉降已取得的比较显著的成绩，本文将结合前人的一些工程实例来综述人工神经网络在地基沉降预测中的优越性。
1人工神经网络的简介人工神经网络（Artificial Neural Network，简称ANN）[1]是集多种现代科学技术为一体的一门新兴实用科学技术。
神经网络反映了人脑功能的基本特性，是人脑的抽象、简化，模拟它的信息处理是由神经元之间的相互作用来实现的；知识与信息的存储表现为网络元件互连间分布式的物理联系；学习和识别取决于各神经元连接权值的动态变化过程。
人工神经网络正是在人类对其大脑神经网络认识理解的基础上人工构造的能够实瑰某种功能的神经网络。
它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。
它实际上是由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。
2BP建模的基本思路2.1 BP神经网络原理[2]BP神经网络（Error Back – Propagation，简称EBP或BP神经网络模型）是一种具有三层或三层以上阶层结构的、采用多层前馈神经网络的误差逆传模型。
层间各神经元实现全连接，即下层的每一个单元与上层的每个单元都实现权连接，而每层神经元之间不连接。
人工神经网络方法在基坑变形预测中的应用研究
０ 引言
随着 国 民经 济 的发展 ， 市高层 建筑 、 城 地铁 工 程
规 模 日趋增 大且 大多 位 于繁华 地带 。深基 坑 开挖及 围护结 构设 计 的影 响 因素 甚 多 ， 度 较 大 。 由此 往 难
强 的 学 习 、 想 、 错 及抗 干扰 能 力 。 目前 ， 联 容 人工 神 经 网络有 数 种模 型 ， 文基 于 Ｒ ｎｌａ 等人 提 出 的 本 ｕｅ ｒ ｈｔ
Ｂ Ｐ网络模 型见 图 １ 。
个灰 色 、 糊 、 机 的 系统 ， 表 现 的位 移序 列 十 模 随 其
分 复杂 ， 采用 理论 计 算 法 、 色 建模 法 、 间序 列 建 灰 时 模 法等 均难 以达 到要 求 。人 工 神经 网络方 法具有 复 杂 的非线 性 动态处 理 能 力 ， 需 知 道 位 移 与力 学 参 无
维普资讯
３ ８
探 矿工 程 （ 岩土钻 掘 工程 ）
２０ ０８年第 ５期
人工 神经网络 方法在基坑变 形预测 中的应 用研 究
曹祖 宝
（ 煤炭科 学研 究总院西安研 究院 ， 陕西 西安 ７ ０ ５ ） １０ ４ 摘 要： 分析研究 了人 工神经 网络方法在基 坑变形预测中的建模方法 ， 并通过实例应用 ， 明这 种方法是切 实可行 证
的。同时将 人工神经 网络方法预测结果和灰色系统模型及 时序模 型预测进 行 比较 ， 分证 明人 工神经 网络 方法在 充 变形 预测 中的优越性 。 关键 词 ： 基坑 ； 变形预测 ； 人工 神经 网络 ； 灰色系统 ； 时间序列
中 图 分 类 号 ：Ｕ ７ ． Ｔ ４３２ 文献标识码 ： Ａ 文 章 编 号 ：６ ２— ４ ８ ２ ０ ）５— ０ ８— ３ １７ ７ ２ （ ０ ８ ０ ０ ３ ０
深基坑支护结构选型决策方法与应用分析
深基坑支护结构选型决策方法与应用分析摘要：深基坑支护是建筑设计中的一个重要部分，尤其支护结构类型的确定是深基坑支护结构设计中的重点。
文章对深基坑支护结构的设计特点进行分析，阐述支护结构选型方法及建立模型，并分析其具体应用，有效地解决深基坑支护结构选型问题。
关键词：深基坑；支护结构选型；决策方法；应用分析随着建筑行业的不断发展，高层建筑逐渐得到快速的发展，而对于基坑的开挖深度也在不断的增加，加之地形因素的影响，传统的开挖支护结构选型与设计方法已经远远不能够满足当前建筑的需要。
深基坑支护结构选型问题越来越困扰着设计工作人员，如何选择合理的支护结构选型方法是从业人员关注的重要问题。
由于深基坑支护系统的相关设计属于一个系统化的工程，而支护方案的好与坏常常与基坑特点和周边环境以及地质条件等因素有着密切的联系。
传统的支护结构设计存在有较大的缺陷，一旦出现事故便会造成极大的社会影响。
因此，本文对深基坑支护结构选型方法进行分析，并具体的实际应用。
1深基坑支护结构选型方法分析深基坑支护结构的设计过程中，重点在于支护结构的选型，如何合理的选择模型是设计人员比较关注的重点。
下面阐述设计中常见的几种选型方法，分析如下。
1.1遗传算法模型分析在深基坑支护的设计过程中，遗传算法比较常见，这种选型方法上能够有效的减小因素匹配与取值上的相关波动，从而有效的隐蔽过程进行分析，并增加演化过程的自适应性。
这种算法能够有效的对支护工程方案与细部结构间更好的协同，并有效的获取环境影响最小的优化方案。
同时，这种算法能够有效嵌入各种面向对象系统中，从而避免传统遗传算法上的局限性，能够最大限度的搜集需要优化的问题，从而提高全局的最佳优化效果。
1.2灰色系统理论模型分析灰色系统理论主要是将深基坑支护的相关指标作为灰色系统，并采取灰色关联分析法进行建立支护体系的相关模型。
这种理论方法能够有效的利用相关数据与信息，并依据相关的要求及各个因素之间的发展的相似度与相异度进行权衡因素之间的关系。
人工神经网络在基坑变形性状研究中的应用
人工神经网络在基坑变形性状研究中的应用
韩冰;陈晨;曹品鲁
【期刊名称】《城市道桥与防洪》
【年(卷),期】2005(000)002
【摘要】基坑工程不仅要保证维护结构本身的安全,而且要保证周围建(构)筑物的安全和正常使用.开展基坑工程变形性状研究具有重要意义.影响基坑变形的因素很复杂,传统的计算方法已无法准确预测基坑的变形.人工神经网络(ANN)有很强的解决非线性问题的能力.近些年来基于ANN的方法在岩土工程中得到了广泛的应用.本文对ANN在基坑工程中的应用研究进行了综述,并对其发展方向进行了分析.【总页数】3页(P108-110)
【作者】韩冰;陈晨;曹品鲁
【作者单位】吉林大学建设工程学院,吉林,长春,130026;吉林大学建设工程学院,吉林,长春,130026;哈尔滨工业大学土木工程学院,黑龙江,哈尔滨,150090;吉林大学建设工程学院,吉林,长春,130026
【正文语种】中文
【中图分类】TU470
【相关文献】
1.基于BP人工神经网络的预测模型在基坑变形预测中的应用 [J], 曹静;鞠晓;师庆峰
2.人工神经网络在深基坑变形预测中的应用 [J], 王旭东;赵建平;余闯;杨晓东
3.人工神经网络方法在基坑变形预测中的应用研究 [J], 曹祖宝
4.人工神经网络在预测深基坑周边地表沉降变形中的应用研究 [J], 葛长峰;胡庆兴;李方明
5.人工神经网络在软土基坑土钉支护变形预测中的应用 [J], 赵升峰;陈尚荣;汪城因版权原因，仅展示原文概要，查看原文内容请购买。
深基坑支护结构位移的神经网络预测
Ｋｅ ｗｏ ｄｓ：ｄｅ ｐ ｆ ｕ ａ ｉ ｎ ｐ ｔ ｙ ｒ ｅ ｏ ｎｄ ｔｏ ｉ ；ｄｅ ｏ ｍ ａ ｉ ｎ ｐｒ ｄｉｔｏ ｆ ｒ ｔｏ ｅ ｃ ｉｎ；ＢＰ ｔ ｒ ｎｅ ｗｏ ｋ；Ｂａ ｅ ｉ ｎ ｍ ｅ ｈ ｄ ｙ ｓａ ｔ ｏ
ｇ ｔ ｎ ｅ ｒｌ ｅｗ ｒ ｉ ｅｍ ｓ ｐ ｐ ｌ ｎ ， ｈ ｅｒｌ ｅｗ ｒ ｏ ｅ ｆｒ ｒｄｃｉｇｔｅｆｕ ｄ ｔ ｎ ａｉ ）ｎ ｕａ ｎ ｔ ｏｋｗｈｃ ｉ ｔ ｏ ｔ ｏ ｕａ ｏ ｅ ｔｅｎ ｕａ ｎ ｔ ｏｋ ｍ ｄ ｌ ｏ ｅ ｉｔ ｈ ｎ ａｉ ｏ ｈ ｓｈ ｒ ｐ ｎ ｏ ｏ
ＬＩ Ｙｕ ｚ ａ ｎ— ｈ ｎｇ，ＨＡＮ ａ －ｅ Ｘｉｏ ｌｉ
（ ｉ ａ ｃ ｎ ｅ ｎ ｃ ， ｙＵ ｉｅｓ ｙｏ Ｘ ’ｎＳ ｉ ｃ ａ ｄ ｅ ＾ｚ 吕 ｎ ｖ ｒ ｔ Ｄ ｉ ｆＡｒｈｔ ｔ ｒ ， ’ ｎ ｈ ａ ｘ １ ０ ５ ｈ ｎ ｃ ｉ ｃ ｅ Ｘｉ ａ ，Ｓ ａ ｎ ｉ ０ ５ ，Ｃ ｉａ） ｅｕ ７
李 云璋 ， 晓雷 韩
（ 安建 筑科 技 大 学 ， 西 西 安 ７ ０ ５ ） 西 陕 １０ ５
摘 要 ： 对 深 基 坑 系 统 的复 杂 性 和 变 形 非 线 性 ， 人 工 神 经 网 络 技 术 引 入 其 中 。 在 分 析 讨 论 了 人 工 针 将
Байду номын сангаас
神 经 网络 中应 用 最 为广 泛 的 Ｂ Ｐ网络 基 本 原 理 的基 础 上 ， 立 了基 坑 变 形 预 测 的 神 经 网 络 模 型 ， 应 用 建 并 Ｂ ｙｓ ｎ方 法 对 实 例 加 以 论 证 。研 究 表 明 ， 经 网 络是 解 决 基 坑 变 形 预 测 的有 效 方 法 之 一 。 ａｅｉ ａ 神 关 键 词 ： 基 坑 ；变形 预测 ；Ｂ 深 Ｐ网 络 ； ａｅｉ Ｂ ｙｓ ｎ方 法 ａ 中 图 分 类 号 ： Ｕ４ ３ Ｔ ７ 文献 标 识 码 ： Ａ 文 章 编 号 ： ６ ２ ｌ ４ （ ０６ Ｏ — ０２ 一 Ｏ ｌ ７ 一 ｌ４ ２ ０ ）４ ０ ２ ４
人工神经网络在嵌岩支护结构可靠度分析中的应用
Ａｂ ｔａ ｔ ｓｒ ｃ ：Ｄｕ ｏ ｔｅ ｓ ｏ ｔｏ ｎ ｓｏ ｅ ｅａ ｅｉｂ ｌ ｙ ａ ａｙ ｉ ｔ ｏ ｆｕ ｄ ｒｒ ｕ ｄ ｃ ｎ ｔｕ ｔ ｎ ｓｒ ｃｕ ｅ ， ｅ ｔ ｈ ｈ ｒｃ ｍｉ ｇ ｆｇ ｎ ｒ ｒｌａ ｉｉ ｎ ｌｓｓｍｅｈ ｄ ｏ ｎ ｅ ｇｏ ｎ ｏ ｓｒ ｃ ｉ ｔｕ ｔ ｒ ｓ ｌ ｔ ｏ ａ ｎ ｗ ｔｏ ｈ ｔｃ ｍｂ ｎ ｓａ ｔ ｃａ ｅ ｒ ｅｗｏｋ ａ ｄ ｉ ｏ ａ ｃ ａ ｌ ｇ Ｍｏ ｔ ａ ｌ ｔｏ ｓｐ ｔｆｒ ｒ ｒ ｅ ｍｅｈ ｄ ｔａ ｏ ｉ ｅ ｒｉ ｉｌｎ ｕ ａ ｎ ｔ ｒ ｎ ｍｐ ｒ ｎ ｅ ｓ ｍｐｉ ｎ ｅ Ｃ ｒｏ ｍｅｈ ｄ ｉ ｕ ｏｗａ ｄ ｆ ｉ ｆ ｌ ｔ ｎ ｏ
ｐ ｏ ｅ ｓａ ｅ ｕ ｔ ｒ ｖ ｈ ｔｔ ｅｍｅｈ ｄ ｐ ｏ ｏｅ ｓｅｆｃｅ ｔ ｃ ｕ ａｅ ａ ｄ ｐ ａ ｔ ａ ｌ． ｒ ｃ ｓ ｎｄ ｒ ｓ ｌ ｐ ｏ ｅｔ ａ ｈ ｔ ｏ ｒ ｐ ｓ ｄ ｉ ｆ ｉ ｎ ，ａ ｃ ｒｔ ｎ ｒｃ ｉ ｂ ｅ ｓ ｉ ｃ
ＡＰ ＰＬＩ ＣＡＴ１ ０Ｎ ０Ｆ ＡＲＴＩ ＣＩ Ｌ ＦＩ Ａ ＮＥＵＲＡＬ ＮＥＴＷ ＯＲＫ Ｎ Ｉ ＲＥＬＩ ＡＢＩ ＴＹ ＬＩ ＡＮＡＬＹ Ｓ Ｓ ０Ｆ Ｉ Ｒｏ ＣＫ ． ｏ ＣＫ ＥＴＥＤ ＵＰＰｏ ＲＴ Ｓ Ｓ ＳＴＲＵＣＴＵＲＥＳ
ＭＡＯ ｉｐｎ ’ Ｊｎ ｉｇ ．ＸＵ Ｗ ｅ ｉ
人工神经网络在深基坑变形预测中的应用
（ 京 工 业 大 学 土 木 工 程 学 院 ， 苏 南 京 ２ ００ ） 南 江 １ ０ ９
摘
要 ：以 Ｂ Ｐ人 工 神 经 网 络 为 基 础 ， 用 其 强 大 的 非 线 性 映 射 能 力 ， 立 深 基 坑 支 护 结 构 最 大 侧 向 位 移 的 预 测 模 利 建
Ｂ Ｐ网 络 是 通 过 将 网 络 输 出 误 差 反 馈 回传 （ ａｋ Ｂｃ
Ｐ ｏ ａａ ｏ ） 对 网络 连 接 权 进 行 修 正 ， 而 实 现 网 ｒｐｇ ｔ ｎ 来 ｉ 从
络 的映 射 功 能 。 ９ ９年 ， ｏ ｅｔ ｃ ｔＮ ｅ ｏ １８ Ｒ ｂ ｒ Ｈｅｈ— ｉｌ ｎ证 明 了 ｓ
坑 工 程 中 发 生 的 事 故 也 越 来 越 多 ， 成 了 重 大 的 经 造 济 损 失 － 。深 基 坑 工 程 中 的 最 大 问题 是 由 于 开 挖 引 ］ 起 周 围 土 体 变 形 ， 而 导 致 周 围 的建 筑 物 和 地 下 管 从
线 等 设 施 的 破 坏 。 目前 ， 坑 设 计 时 主 要 采 用 ｎ 法 基 ｌ
一
和 有 限元 等 方 法 进 行 变 形 估 算 ， 由 于 理 想 模 型 与 但 实 际 工 况 的 差 别 、 算 参 数 难 以 正 确 确 定 等 因 素 的 计 影 响 ， 得 计 算 得 到 的 变形 值 与 实 际 变 形 量 相 差 较 使 大。 因此 ， 关 重 要 的是 寻 求 一 种 对 基 坑 变形 更 为 有 至 效 的 预 测 方 法 。 工 神 经 网络 则 具 有 解 决 复 杂 的 、 人 不
收 稿 日期 ： ０ ２ ０ — １ ２ ０ — ７ ０ 作者 简介 ： 旭 东 （９３）男 ． 苏武 进人 ， 教 授 ， 要从 事 土与结 构物 相互作 用和 基坑工 程研究 。 王 １６一 ． 江 副 主
神经网络在基坑监测数据处理中应用论文
神经网络在基坑监测数据处理中的应用摘要：为实现准确预测城市地铁基坑临近地表与建（构筑物）变形的目的，提前掌握基坑施工对周边环境的危害程度与范围，本文利用bp神经网络其处理非线性问题的优势，克服前期监测数据少、训练速度不高等困难，成功预测该基坑后期开挖周边地变形规律与变形量，预测结果与是测试间误差小，吻合度高，为基坑工程后期开挖工作提供了安全保障。
关键字：神经网络非线性基坑工程中图分类号： tn711文献标识码：a文章编号：前言基于人工神经网络的控制称之为神经网络控制系统，简称为神经控制，是一个高度复杂的非线性系统。
神经网络具有大规模并行、分布式存储和处理的特点，尤其是在包含多因素、不精确和模糊的信息问题处理上具有优势。
神经网络的发展与神经、计算机、人工智能、信息科学等有关，是一门新兴的边缘交叉学科。
深基坑工程是一项极其复杂的工程，基坑的变形监测是基坑设计和施工的重要组成部分。
人工神经网络是一种智能预测方法，凭着良好的非线性映射能力及自适应能力等特点，为深基坑工程很多的问题解决提供了一个新方法。
尤其是bp网络在监测领域中都得到了广泛的实践和应用，并取得了长足的发展。
神经网络构架及数据正则化在工程实际问题处理中，首先要判定该情况是否归属神经网络的研究领域，然后根据问题特点选择合适的神经网络方法，确定模型。
其构架过程如下：1、编制模型数据样本2、选择网络模型及参数3、网络训练和仿真结果比对4、网络预测和网络选择由于bp网络对要输入的数据有一定限制要求，因此对训练样本及检验样本，首先应对样本进行正则化变换处理。
采用归一化和标准化[5]。
1、归一化：就是要把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。
，bp网络的限制范围为[0 ,1]，则对于变量可用下式进行变换：(2.1)2、标准化：是将数据按比例缩放，使之落入一个小的特定区间。
(2.2)(2.3)(2.4)式中：为原始输入数据；为样本数量；为样本平均值；为标准差；为标准化后的。
深基坑支护结构变形预测的神经网络方法
ｅ ｇｎ ｅ ｎ ， ｕ ａ ｎｖ ｒｉ ， ｈ ３ ０ ２ Ｃ ｉａ ｎ ｉｅ ｒ ｇ Ｗ ｈ ｕ ｉｅｓｔ Ｗｕ ａ ４ ０ ７ ， ｈ ） ｉ ｎ ｙ ｎ ｎ
［ ｓｒｃ］ ｍｉｇａ ｅｉ ｏｔｎｅｏ ｅ ｒ ｔ ｎｃ ｎ ｏ Ａｂ ｔ ｔＡｉ ｎ ｔｈ ａ ｔ ｍｐ ｒ ｃ ｆ ｆ ｍａｉ ｏ ｔ ｌｎ ａ ｄｏ ｏ ｒ ｉ
ｓ ｌ ｅ ｈ ｃ ｕ ｌ ｒ ｂ ｅ ｕ ｃ ｓ ｆ ｌ ． ｏ ｖ ｅｆ ｔ ａ ｏ ｌｍｓ ｃ ｅ ｓｕ ｌ ｔ ａ ｐ ｓ ｙ
缩 写 Ａ Ｎ） 强大 的 非线 性 大 规 模 并 行 处 理 能 力 对 Ｎ 深 基 坑 支 护 结 构 的变 形 进 行 动 态 的 ＡＮ 预 测 ， Ｎ 不 同 于 一 般 采 用 的 单 测 点 预 测 模 型 ，本 文 提 出 同 时 考 虑 不 同测 点 的观 测 值 的 ＡＮ 预 测 模 型 ， Ｎ 以提 高
■ 张海涛 ’何亚伯 １ 江汉 大学 建筑 工程 系， ， （． 武汉 ４０５；． ３０６ ２ 武汉 大学 土建学院 ，武汉 ４０７） ３０２
【 要】 摘 针对 深基坑 支护 结构 变形 控制 的重要 性 ， 出 了基 提
态 向被 动 和 主 动 土 压 力 状 态 转 变 ， 基 坑 开 挖 引起
ＺＨＡＮＧ ｉｔｏ ， － ｏ Ｈａ． ＨＥ Ｙａ ｂ ａ
（ 、 ｐ ｒｍｅ ｔ ｆ ｒｈ ｔ ｃｕ ａ ｇ ｎ ｅ ｎ ， ｉｎ ｈ ｎＵｎ ｖ ｒｉ ， １ Ｄｅ ａ ｔ ｎ ａｃ ｉ ｔｒ ｌ ｎ ｉ ｅ ｒ ｇ Ｊａ ｇ ａ ｉ ｅｓｔ ｏ ｅ ｅ ｉ ｙ Ｗ ｕ ａ ３ ０ ６ Ｃｈ ｎ ； Ｓ ｈ ｏ ｆ ｉ ｄａ ｃ ｉ ｃ ｕ ａ ｈ ４ ０ ５ ， ｉａ ２． ｃ ｏ ｌ ｃ￣ｌ ｎ ｏ ｎ ａ ｈｔ ｔｒｌ ｒ ｅ
人工神经网络在基坑变形预测中的应用
人工神经网络在基坑变形预测中的应用随着人们对于建筑物的外貌美观和功能的要求变得越来越新异，建筑物的高度、施工技术的强度、施工人员的整体技能素养等都受到了严峻的挑战，作为建筑基础施工项目的基坑施工对于整个建筑安全施工的重要意义和价值引起了各技术人员的重视，以人工神经网络的BP多层网络算法来为基坑的施工提供风险预测，其应用前途是远大的，使用意义是深刻的。
本文将通过对人工神经网络进行的简要研究，吸收总结前人经验，以BP网络算法来对其在实例中的应用进行演算，以此来研究人工神经网络在基坑中对于基坑变形预测的实际应用。
标签：人工神经网络多层网络BP算法基坑变形预测1前言人工神经网络（ANNS）作为一种静态非线性映射，以通过对简单非线性进行单元处理的复合映射来获得复杂系统的非线性处理能力，是对于人脑或自然神经网络若干基本特性的抽象和模拟。
BP网络是1986年由Rumelhart和McCelland 为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。
BP网络能学习和存贮大量的输入·输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小，其拓扑结构包括输入层（input）、隐层（hide layer）和输出层（output layer）[1]。
人工神经网络研发的目的在于模拟大脑的一些机理和机制，在现代神经科学的基础之上提出并应用于现实生产生活之中，其所具有的优越特性主要有以下三个方面[2]：1.1学习功能人工神经网络的学习功能是为了将预测能力在未来进行普及，只需要将许多不同的图片样板以及对应的识别结果输入人工神经网络，网络就可以通过这一学习功能学会识别类似的图像，并将识别的过程和结果存储为经验数据库内，为之后的工作提供基础对比数值，从而实现较为精准的预测，这就为人工神经网络应用于各类预测活动提供了可能性，而建筑施工中基坑支护方案的实施便是通过这一学习功能进行数值计算，从而对施工进行模拟模型构建和施工预测，以保障施工方案的可行性以及施工过程的安全性[3]。
地下工程围岩稳定性分类的人工神经网络模型
地下工程围岩稳定性分类的人工神经网络模型
由于时常出现路基围岩稳定性较差等质量问题，通常在进行路基挖掘前是需要认真分
析路基围岩稳定性评价的，而本文将提出一种利用人工神经网络（ANNs）技术来评价地下
工程围岩稳定性的方法。
首先，基于实际情况，对围岩稳定性评价要求设定5个等级 : 优秀、良好、中等、
较差、不良。
通过与专家的讨论，根据现实围岩稳定性的信息，包括了围岩节理网络状况、围岩类型、围岩强度及其分布度等要素，确定了路基围岩稳定性等级分类模型，并对
它们进行了不同程度的加权分配，确定了具体的输入参数。
其次，将上述参数应用于人工神经网络模型，使用BP神经网络算法构建围岩稳定性
分类模型，该算法可以有效地根据输入数据提取特征，提高模型精度。
最后，将这个模型应用于深水平井施工实体基坑边坡围岩的稳定性评价，结果表明：
该模型具有很好的准确性，有助于提供准确的围岩稳定性信息。
本文的研究结果表明，构建的人工神经网络模型能够有效地评价地下工程围岩稳定性，准确、快速地提供深水平井施工实体基坑边坡围岩的稳定性信息，对于对路基挖掘质量具
有重要应用价值。
但是，也有需要提高的地方，如围岩应力条件模型等，以便进一步提高
模型准确性和实用性。
同时，在稳定性分类模型方面，应该引入新的数据要素，以满足现
实评价的需要。
基于神经网络的基坑变形监测分析及应用
基于神经网络的基坑变形监测分析及应用随着城市建设的发展，基坑工程在城市建设中起着重要的作用。
然而，基坑变形问题一直是工程施工中关注的难点之一。
为了解决基坑变形监测与分析问题，神经网络作为一种人工智能技术，开始被广泛应用于基坑工程领域。
本文将探讨基于神经网络的基坑变形监测分析及其在工程实践中的应用。
一、神经网络的特点及优势神经网络是一种人工智能技术，其模仿人脑神经系统的结构和工作方式，具有以下特点和优势：1. 非线性映射能力：神经网络能够处理非线性问题，并具有强大的数据建模和学习能力。
2. 自适应性：神经网络能够自动调整权值和偏置，从而适应不同的输入数据。
3. 并行处理能力：神经网络可以同时进行多个输入的处理，加速计算速度，提高效率。
4. 容错性：神经网络具有一定的容错性，对于一些噪声和干扰具有一定的鲁棒性。
二、基坑变形监测方法1. 传统监测方法：传统的基坑变形监测方法主要包括测点法、测区法和测线法等。
这些方法需要固定测点并进行定期测量，然后通过计算分析来得到基坑变形情况。
然而，传统方法繁琐且易受人为误差和环境干扰影响。
2. 基于神经网络的监测方法：利用神经网络技术可以实现基坑变形的实时监测与分析。
通过部署传感器采集大量变形数据，结合神经网络的数据处理和模型建立能力，可以实现对基坑变形的精确监测和预测。
相较于传统方法，基于神经网络的方法更加准确、稳定且具有较高的自动化水平。
三、神经网络在基坑变形监测中的应用1. 变形预测：通过基坑施工前的数据采集和神经网络的训练，可以建立基坑变形的预测模型。
在施工过程中，结合实时监测数据，可以实时预测基坑变形趋势，并及时采取相应的措施，从而保障施工的安全与质量。
2. 异常监测与预警：基于神经网络的基坑变形监测系统可以实时监测基坑变形参数，并与预设的安全阈值进行比较，一旦发现异常情况，系统能够及时发出预警信息，提高基坑施工的安全管理能力。
3. 数据分析与优化设计：通过神经网络分析大量基坑变形数据，可以提取出变形规律和影响因素，为基坑设计和工程施工提供科学依据，优化设计方案，降低工程变形风险。
神经网络反演分析法在基坑支护变形数值模拟和预测中应用
神经网络反演分析法在基坑支护变形数值模拟和预测中的应用【摘要】：本文将神经网络与数值模拟相结合，用神经网络反演分析被支护体“综合力学性能参数”，建立flac 3d模型，通过神经网络表达从基坑变形特征值到土体物性参数的非线性映射关系，创建神经网络结构，并将其应用于数值模拟中来实现对基坑支护变形的预测。
【关键词】：神经网络、反演分析、flac 3d、数值模拟abstract: in this article, authors combine neural network with numerical simulation, back analyse the“combination property parameter” of supported soil by neural network, create flac 3d model, express the nonlinear relationship from deformation character of foundation pit to property parameter of soil, establish neural network structure, and use it in deformation numerical simulation of foundation pit in order to realize forecast for deformation .keywords: neural network, back analysis, flac 3d, numerical simulation中图分类号：tn711 文献标识码：a 文章编号：基坑的变形对于开挖所引起的环境效应评价以及信息化施工都有着十分重要的意义。
然而，在目前的各种数值计算方法中，很难对基坑的变形做出较为准确的模拟和预测。
其原因就在于对岩土体的初始参数难于确定，这也是目前数值计算方法应用于岩土体模拟中遇到的最大困难之一【1，2】。
提高钻孔灌注桩质量的措施
能指标不符合要求 ， 泥浆 比重不够未形成 坚实泥皮 有效保护 孔壁 而发生坍孔事故 。
在施工 中应 按 土 的塑性 指数 和 黏土 颗 粒含 量 来选 择 黏 土。
通常采用塑性指 数 大于 ２ 、 径小 于 ０ ０５ ｍ 颗粒 含 量 大于 ５粒 ．０ ｍ、
掺入碳酸钠 ０ ３ 一 ．％ ， ．％ ０４ 通过人工或泥浆搅拌机调 ３ 护筒 的埋置深度没 有根 据实际地质条 件和设计要 求确定 ， ５ ％的黏土 ， ） ０ 和， 储存 在泥浆 池 内， 再用 泥浆泵 输入 钻孔 内。需要 注 意的 是在 由于埋 置太 浅 ， 口坍塌 或 附近地 面受水 浸湿 泡软 ， 孔 当受 到钻 机 的冲击振动 时造成坍 孔。 砂性土 、 砂砾或 卵石 中钻孔 ， 事先需要准备充 足数量 的黏土 （ 一般 ０ ８ ％） ４ 泥浆材料没有依 据钻 孔 的工程 地质 和钻机 的性 能要求选 约为钻孔体积 的 ７ ％一 ０ 。泥浆材料 的选 定和基本 配合 比的 ） 确定应 以最容易坍 塌 的土层为 主 ， 通过试 成孔 做进 一步 修 正 ， 并 取， 泥浆性能指标不 符合要 求 ， 比重 不够 未形成 坚实 泥皮有 效保
提 高 钻 孔 灌 注 桩 质 量 的 措 施
常 杰
摘 要 ： 对桥 孔施工 中普遍存在流砂层坍孔 、 针 卵砾石成 孔与护壁 困难等现 象， 介绍 了提 高钻孔灌 注桩质量 的措施 ， 出 指 在施工过程 中， 分工明确 ， 应 密切 配合 ， 统一指挥 ， 做到快速 、 连续施工 ， 如发现质 量事故 ， 应分析原 因， 采取合 理的技 术措
同时埋设护 筒时 应在 护筒底 部用 ３ ０ｍｍ厚 ０ 等特点 。所 以了解掌握桥桩各孔 的地质钻探 资料 ， 根据 资料 进行 定护筒的埋置深度 ， 的黏土夯实 ， 围宜对称分层夯填 黏土 ， 周 回填密实 ， 增加 护筒 的稳 设备 、 、 工艺 泥浆材料 的选 型 以及合理 施工 方案 的制定 就成 为施 保证孔 口附近地 面不受水浸 泡而变得湿 软和在受 到钻 机的 工准备阶段 的重要 工作 ， 工 方案 中分析 各种 不利 因素 ， 在施 制定 定性 ， 针对性措施 。根据力学原理测算 ， 了保 证当孔 内支护力 大于砂 冲击振动时孔 口不坍孔 。 为
探析人工智能在深基坑工程中的应用
探析人工智能在深基坑工程中的应用摘要：在高层建筑物设计施工中，一般需要开挖深基坑，深基坑不仅可提高土地的空间利用率，同时也为高层建筑物的抗震、抗风等提供稳固的基础。
随着建筑高度的增加和规模的扩大，基坑深度和防护边坡的高度也不断加大。
目前，国内高层建筑的地下深度通常为2～6 层，基坑深度通常是8～30m，如国家大剧院工程的基坑深达32.5m，而城市地铁车站的基坑深度甚至超过40m。
随着基坑开挖宽度和深度的不断增加，深基坑的变形监测也越来越重要。
关键词：人工智能；深基坑工程；应用1、引言深基坑的变形监测内容很多，如监测基坑周围土体沉降、坑底隆起、支护结构水平位移、基坑周边收敛、坑壁倾斜和外鼓、深层土体差异沉降和水平位移等，对这些变形直观而有效的监测方法是测量几何量法。
监测基坑周围土体沉降和坑底隆起主要采用几何水准法，变形量通常较大。
监测精度要求不高时，也可采用全站仪测距三角高程法与水平位移监测同步进行。
2、维护监测点的管理维护监测点，需要在深基坑开挖前，对周围进行支护处理，防止深基坑作业造成位移或下沉。
对周围的护桩进行稳定测试。
按照维护监测的标准，采用有效的桩顶部测试方法，采用有效的钻孔灌注方法，将孔洞钻好后，将其中的桩砂浆、钢筋灌入其中，确保顶部中线位置的标准钉扣。
然后进行浇筑和打浆处理，确定测试的标准点。
围护桩的变形监测需要控制实际的监测要点，在深基坑作业开挖的过程中，需要对每一个点的位置、深度进行分析，对相关数据的不同进行判断，确定其中可能存在的问题。
按照规定的集成标准进行倾斜或拉伸。
倾斜量不同可能产生的效果有所不同。
必须要对围护桩的内部倾斜量进行监测分析，确定不同的倾斜量标准。
依照围护桩内部的倾斜量进行监测分析，确定整个围护桩在不同时刻、不同深度、不同位置的位移标准，逐步确定测量点的基本中心，按照重心点进行分析，尽可能的设定深基坑的边条中心位置。
按照中心位置的深度，使用泥沙进行填实加固处理，使用PVC管作为监测标志。
神经网络在深基坑变形预测中的运用
神经网络在深基坑变形预测中的运用摘要：人工神经网络具有很强的非线性映射能力和高度的容错性，适合于处理那些模糊信息或不确定因素的知识,其推理方式类似于人类的思维方式,是处理不确定性、非线性和其它不确定问题的有利工具。
而深基坑变形的影响因素是非常复杂的,深基坑变形与其影响因素之间的关系也是极为复杂的非线性关系。
本文总结了近年来神经网络在深基坑变形预测中的运用，旨在对神经网络的智能预测有一个初步的了解。
关键词：神经网络；深基坑变形：预测；总结引言随着我们国家城市建设的不断发展,深基坑工程在数量和难度上都有大幅度的提高,这使得在深基坑工程中的事故频繁发生,给我国的经济造成了重大的损失。
深基坑工程的实施工程中存在许多问题，而其中最大问题是开挖引起周围土体的变形,从而导致周围的建筑物和地下管线等设施的破坏[1]。
目前,基坑设计时主要运用m法和有限元等两种常用的方法来进行变形估算,但理想模型与实际工况的差别、计算参数等都难以正确确定。
受到这些不确定因素的影响,使得计算得到的变形值与实际变形量往往相差比较大。
因此,寻求一种对基坑变形的一种有效预测方法是至关重要的。
人工神经网络可以克服这些困境，它具有解决复杂的、不确定性的、非线性问题的能力,非常适合解决岩土工程问题。
在基坑变形预测方面比常规方法有明显的优势[2]。
另外，深基坑开挖引起的围护结构变形是受到多种因素的影响,如围护结构方式、开挖方式、工程地质及水文地质条件等。
围护结构的变形与它的每一个影响因素之间均存在着极其复杂的非线性关系,如何判断基坑变形的趋势对于施工自身安全和保护周边既有建(构)筑物的运营安全具有重要意义。
而神经网络是一种高度自适应的非线性动力系统,通过神经网络学习可以得出输入与输出之间的高度非线性映射,能比较有效的预测基坑变形。
相对于数值分析法、解析法等传统的岩土计算方法,神经网络在处理数据预测方面具有容错能力强、预测或识别速度快的优势, 避开了特征因素与判别目标的复杂关系描述,特别是公式的表述[3]。
人工智能在深基坑支护工程中的应用
人工智能在深基坑支护工程中的应用
朱元青
【期刊名称】《地下空间》
【年(卷),期】2001(021)005
【摘要】探讨了深基坑支护设计中应用专家系统与神经网络技术的方法。
按照专家系统的组成部分，论述了专家系统的结构。
【总页数】4页(P488-491)
【作者】朱元青
【作者单位】解放军后勤工程学院，重庆400041
【正文语种】中文
【中图分类】TU473.2
【相关文献】
1.“两墙合一”某深基坑支护工程在软土夹砂层中的应用 [J], 石迪秋;林志明
2.混合遗传算法在深基坑支护工程优化设计中的应用 [J], 张华威;孙国玺
3.人工智能技术及其在钢铁工业中的应用──第七讲人工智能技术在钢铁工业中的应用 [J], 杨自厚
4.排桩+内支撑组合结构在深基坑支护工程施工中的应用 [J], 于涛
5.人工智能技术及其在钢铁工业中的应用第六讲人工智能技术在钢铁工业中的应用（上） [J], 杨自厚
因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
解 （ ） 进行基坑 支护 方案选择的方法 ， 决 了专家 系统获取 知识 困难 的 ６ 问题 。根据对 现场条件了解的深入情况 ， 出了三个层 次 的基坑 提 （） ７ 支护方案选择 ， 在这 三个 层次 中 ， 工神 经 网络分别 完成 了根据 人
根据定量指标分类 以及根据定 量指标 预测 的三大 （ ） 定性指标分类 、 ８ 功能 。由于其基础 是建 立在大量的工程 实例和工 程经 验之上 的 ， （） ９
同样 ， 阈值修正公式 中也包含一个趋势项 ， ： 在 即
Ａ ｆｋ ）＝ａ ｆｋ Ｉ ０（ ＋１ Ｏ（ ）＋
Ａ ｋ ）＝ （ ） ６ ０（ ＋１ ａ ｌｋ 因而更具有实践 意义 。 其 中 ， 为学习速率 ； 为 松 弛系 数。Ｊ取 较大 的值 ， 以加 与实 际情况更 加贴切 ， ， ７ 可
随着我 国经济 和城 市建 设 的发 展 ， 量深基 坑 工程 不断 涌 大 全性 ， 对基坑工程 的造 价和进 度也 有很 大的影 响。然而 ， 响支 影 护结构方案选择 的因素有 很多 ， 在工 程实践 中 ， 坑支 护方 案 的 基 选择往往取决于工程技术人员的经验 ， 带有很 大的人为 因素和不
快学 习的速率 ， 但也会使权值产 生较大 的变化从 而可能导 致权值 参 考 文 献 ： ［ ］ 胡守仁 ， 少波， １ 余 蔡 的振荡 。为此 ， 引入 松弛 系数 对 权值 修正进 行微调 ， 网络产 对
Ｓ ｍｅ ｍ ｅ ｓ ｒ ｓｔ ｍｐ ｏ ｅ ｔ ｅ ｑ ａｉｙ ｏ ｏ ｅ ｉ ｏ ａ ｕ ｅ ｏ ｉ ｒ ｖ ｈ ｕ ｌ ｆｂ ｒ ｄ ｐ ｌ ｔ ｅ
ＣＨＡＮＧ ｉ Ｊｅ
Ａｂ ｔ ａ ｔ ｓ ｒ ｃ ：Ａｉ ｎ ｔ ｏ ａ ｄ ｈ ｌ ｏｌ ｐ ｅ ｒ ｖ ｌｉ ｔ ｈ ｏ ｅ ａ ｏ ｄ ｆ ｃ ｌ ｅ ｎ ｔ ｅ ｈ ｎ ｍｅ ｏ ｓｅ ｉｔｄ ｉ ｕ ｒ ｎ ｒ ｇ ｏｅ ｃ ｎ ｍｉ ｇ ａ ｗ ｓ ｎ ｏｅ ｃ ｌ ｓ ，ｇ ａ ｅ ｏ ｔ ｅ ｈ ｌ ，ｄ ｄ ｉ ｕ ｔ ｓ ａ ｄ ｏｈ ｒｐ ｅ ｏ ｎ ｎ ｘｓｅ ｎ ｃ ｒｅ ｔｂ ｉ ｅ ｈ ｌ ｏ 。 ｌ ｆ ａ ｎ ｉ ｆ ｉ ｄ ｓｒ ｅ ｏ ｔ ｔ ｎ，ｔ ｉ ｐ ｐ ｒｉ ｔ ｄ ｃ ｄ ｓ ｍｅ ｍｅ ｓ ｒ ｓｔ ｍｐ ｏ ｅｔ ｅ ｑ ａｉ ｆｂ ｒｄ ｐｌ ，ｐ ｉｔｄ ｏ ｔｔａ ｈ ｏ ｓｒ ｃ ｉｎ ｐ ｃ ｓ ，ｓ ｏ ｌ ａ ｅ ａ ｕｉ ｈ ｓ ａ ｅ ｎ ｒ ｕ ｅ ｏ ａ ｕ ｅ ｏ ｉ ｒｖ ｈ ｕ ｌ ｙ ｏ ｏ ｅ ｉ ｏ ｔ ｅ ｏ ｎ ｅ ｕ ｈ ｔｉ ｔｅ ｃ ｎ ｔ ｔ ｒ ｅ ｓ ｈ ｕ ｄ ｈ ｖ ｎ ｕ ｏ ｏ ｃｅ ｒｄｖ ｓ ｎ ｏ ｂ ｒ ｏ ｐ ｒ ｔ ｌｓ ｌ １ ａ ｉｉｉ ｆ ａ ０ ，ｃ ｏ ｅａ ｅ ｃｏ ｅｙ，ｕ ｉ ｅ ｏ ｏ ｌ ｎｆ ｄ ｃ ｍｍａ ｄ，ｔ ｃ ｉ ｖ ａ ｉ ｉ ｎ ｏ ａ ｈ ｅ ｅ ｒｐ ｄ，ｃ ｎ ｎ ｏ ｓ ｃ ｎ ｔ ｃｉｎ Ｉ ｕ ｄ ｑ ａｉ ｃ ｉ ｅ ｔ ，ｓ ｏ ｌ ｎ 。 ｏ ｔ ｕ ｕ ｏ ｓｒ ｔ ． ｆｆ ｎ ｕ ｌ ｙ ａ ｃｄ ｎ ｓ ｈ ｕ ｄ ａ ａ ｉ ｕ ｏ ｏ ｔ ｌｚ ｅ ｒ ａ ｏ ｓ ａ ｅ ｒ ａ ｏ ａ ｌ ａ ｕ ｅ ，ｔ ｏ ｒｍｅ ｙ ｙ ｅ ｔ ｅ ｓ ｎ ，ｔｋ ｅ ｓ ｎ ｂｅ ｍｅ ｒ ｓ ｒ ｔ ｈ ｓ ｙ ｅ ｄ． Ｋｅ ｒ ｓ：ｂ ｒ ｄ ｐ ｌ ｙ ｗｏ ｄ ｏｅ ｉ ｅ，ｑ ａｉ ｍｐ ｖ ｍｅ ｔ ｕ ｔ ｉ ｒ ｅ ｎ ，ｍｅ ｓ ｒ ｌ ｙ ｏ ａｕ ｅ
１ ３ Ｂ Ｐ网络 参数 的选择 ． —
根据试算 ， 隐含层 结点 的数 目 ＝２×输入 层结 点数 ＋输 出层
结点数 ， 以取得较 快 的学 习速度 。误 差控 制 系数 ｓ取 ０ ０ 可 ． ｌ可 以取得 比较好 的效果 。
行技 术经济的 比较 了。用户 只要 根据 前面筛 选 的结果 将各 方案 的基坑 和支护结构参数输入到 网络 中 ， 就可 以得 出相 应 的变 形和
第３ ７卷 第 ２ ９期 ２０１１年 １ ０月
山 西 建 筑
ＳＨＡＮＸＩ ＡＲＣＨ Ｉ ＴＥＣＴＵＲＥ
Ｖｏ ． ７ Ｎｏ ２ １３ ． ９
Ｏ ｔ ２ １ ｃ． ０ １
・７ ・ ３
文章编号 ：０ ９ ６ ２ （０ ）９ ０ ７ －２ １０ — ８ ５ ２ １ ２ －０ ３０ １
造价 的预测。然后 根据 用户对 不 同方 面的侧 重权衡 各方 面 的关 系做 出最 终选 择。
为加快学 习速度 ， 修改 的 △规 则 ， 采用 即在 原有 的权 值修 正 ３ 结语 本文通 过对人 工神经网络的研究 ， 出了应用人 工神经 网络 提 公式 中包含一 个趋势项 ， ： 即
Ｙ ∑ 。 修 （＋ ）＝ （） ｔ 阈 正： ｉ ） ， 权值 正： １ Ｊ ＋ Ｓ ， 值修 ｝ ｉ ｔ
０（ ｋ＋１ ）＝０（ ） 叼６ ｉｋ 。 。至 此 ， 网络 中的所有权值 和阈值 都调
整 了一 遍 。
坑的深度 、 长宽 、 支护结构插入基坑 以下深度 、 土层参 数等 作为学
参考文献 ： ［ ］ Ｊ Ｊ ４２ ０ ， ３ Ｇ －０ ８ 建筑桩基技术规 范［ ］ ９ ｓ． ［ ］ 郭林 山． ４ 混凝 土钻孔灌 注桩施 工质 量控制 与检 测试验 ［ ］ Ｊ 山西建筑 ，０ ０ ３ （ ）２ ２２ ３ ２ １ ，６ ５ ：３ －３ ．
［ ］ ＪＪ ２ －５ 公路桥 梁地基与基础设计规 范［ ］ １ Ｔ ４８ ， ０ ｓ ［ ］ ＪＪ ４ －００， ２ Ｔ １ ０ 公路桥涵施工技术规范 ［ ］ ０ ２ ｓ．
输八层 隐舍 层 输 出层
号
图 １ 三层人工神经网络结构 图
． 自适应过程 中不断修改权值分布 ， 最终将 网络稳定在一定 的状态 １ ２ 学 习过程 设输入层各结点输入的数据为 则 隐含层各结 点得 到的输 下 。知识库就体现 在神 经元之 间 的权 值分 布上 。由于神 经元 之
１ 人工 神经 网络 的建立
在工程实 践 中最 常用 的人 工 神 经 网络 是 Ｂ Ｐ网络 （ ａｋ — Ｂｃ— Ｐｏａａｉ ） 该 网络使 用 了误 差反 向传 播算法 ， ｒｐｇｔ ｎ ， ｏ 可根 据给 出样 本 —ｙ的映射关 系 ， 自学 习并推 导 出其 函数 关 系式。该算 法所 采 用的学习过程 由正 向传播 和反 向传播两 部分 组成 。在正 向传 播 过程中 ， 输入模式从 输入层 经 隐含层逐 层处理 并传 向输 出层 ， 如 果在输出层得不到期 望 的输 出， 则转 入反 向传播 。此时 ， 误差 信 号从 输出层向输入层传 播并 沿途调 整各 层间 连接权值 以及各 层 神经元的阈值 ， 以使 误差 信号不 断减 小 ， 算法 的实质 是求误 差 该
（ ） 则专家系统 的优越性 。 ４ 第二个层次相 当于是基 于 大量 的工程 经验对 基坑 的支 护方
权值 修正为
Байду номын сангаас
ｚ ｔ一０ ） ｆ１ ｚ ＝（ｆ ｆ０ （ —０ ）
（ ｋ＋１ ＝ （ ）＋ ｆ ） ｋ Ｙ
阈值 的修正为 ：
０（ ｆｋ＋１ ）＝０（ ）＋ ｆｋ
在 ３种 ， 然后进 （ ） 案做出选择 ， 这一 步可以把 方案范 围缩小到 ２种 ～ ５ ＝ Ｙ（ 一 神经网络 ， １ 只要对学 习样本进 行一定 的处理 。对大 量 的工 程实例
ｌ
了。
对于输 出层各结 点 的输 出值 ， 比较 其与期 望值 ｔ的误差 ， 如
果 结 误 之 各 点 差 和ｅ：∑ Ｉ ｏ 大 误 制系 ， ｔ Ｉ 于 差控 数ｓ ｆ 一 则
函数的极小值 ， 它通过 多个学 习样本 的反复训练并 采用梯度 下降 进行误差反传递过程 ， 否则 输入下一样本 进行计算 。 法， 使得权值沿误差 函数 的负梯度方 向改变 ， 并收敛 于最 小。 误差反传递 的过 程就是 使 网络 的权 值和 阈值 根 据最 小二 乘 １ １ Ｂ Ｐ 网络 的 结 构 ． — 法的思想 ， △规则进行改变 。对于输 出结点 ， 即 误差信号 为 ：
间具有一定 的冗余 性 ， 允许输 入模 式偏 离学 习样本 ， 其计算 行 为 出为 ：
具有 良 的容错和抗 噪能力 ， 好 这点类似 于人 在缺少某些 信息 的情
况下仍能对事 物作 出正确判 断。
Ｙ＝（ 一ｉ ，∑ ０ ）
输出层各结点的输出为 ：
（） １ （） ２
确定性 。
由映射神经 网络存在定理可知 ， 三层神经 网络能 以任意精度
现。基坑支护结构 的正 确设计 和施 工不但 直接决 定 了工程 的安 逼 近任 意复杂 的非线形映射关系 ， 结构见 图 １ 其 。
输
入
信
输 出 信
号
随着计算机和人工智能 的发展 ， 人工神 经网络 （ Ｎ 为解决 Ａ Ｎ） 这个 问题开辟 了一条新 的途径 。人工神 经 网络是 由大量类 似 于 神经元 的处理单元相互连接而成 的非 线形复杂 网络 系统 ， 以模 可 拟人 的直观思维方式 。它可 以通过对 大量实例 的学 习 ， 内部 的 在
先按不 同的支护方案进行分类 ， 然后将 同一类 的支 护方案 中各基
其中， 卵为学 习速率参 数 。隐含 层结点 的误 差信号 应 由与之 行第三个层次 的技 术经 济 比较。在这 个 阶段 同样 可 以应用 人工 相连 的 所 有 结 点 的 误 差 来 决 定 ， 差 信 号 ： 误
收 稿 日期 ：０ １０ －７ ２ １ － ６０
作者简介： 顾浩声（９７ ） 男， １７ ． ， 博士， 上海天华建筑设计有限公司， 上海 ２０３ ０ ２５
・
７ ４・