改进BP神经网络在软土地基沉降量的应用
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。
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神经网络在软土地基沉降预报中的应用
度， 并将 （ — ｎ ｍ＋ ） （ — １ ， ｎ ｍ＋ ） （ ） ２ ， ｎ 作为网络
输入 ， 计算 出预测值 （ ｎ＋１ 。 ）
， 出 ｂ ｆ 输 ＝
（ ｅ ， ｉ １ ２ 八，） ｎｔ ） （ ＝ ， ， Ｐ ｂ
（） ３
式 中
） 网络 的传 递 函数 ， 为 可取 双 曲正 切 ｓ
． ．
体步骤为：） １ 首先把 （ ） （ ） … （ ） １ ，２ ， ｎ 分成 ｋ ， 组 每 组有 ｍ＋１个值 ， ｍ个值 作 为网络节 点输入 ， 前 后
一
个作 为输 出节点 的期望 值 ；） 用 Ｂ ２利 Ｐ算 法 ， 网 将
络 的连 接 强 度 进 行 训 练 ； ） 用 收 敛 后 的 连 接 强 ３利
对 于软土地 基 沉降预报 问题 ，Ｐ神 经 网络技 术 Ｂ
主要包括 ３ 个方 面： ） １ 确定合适 的网络结构 ， 包括 中间 的层 数 、 层单 元数 ； ） 择 全适 的训 练样 本 、 各 ２选
检验 样本 ；） ３ 训练 、 检验 网络 。
区
图 ３ 软土地基沉降预报人工神经网络模型
日期
Ｏ—
ｌ／ ２
４ ０ ０ 一
利用训练好的网络进行等时距沉降插值 ， 间距 取 为 １ 时插 值 结 果 见 表 １ ０天 。通 过 图 ４网 络插 值
散点与实 测沉 降曲线 的对 比， 以直 观地 看 到 插值 可 的效果很好 。
图 ４ 实测沉降 曲线与预测值 的对 比曲线图
维普资讯
维普资讯
塾 … 量 篓翌 堡墨 … … ………………………………… ………………………… ５
的绝对值 影响 网络 的学 习性 能首先 要对 数据进 行预
基于BP人工神经网络的公路软土地基沉降预测
交 通
科
技
Ｓ ｒａ ．２ ０ ｅ ｉｌＮＯ ４
Ｔｒ ｎ ｐ ｒ ａ ｉｎ Ｓ ｉ ｎ ｅ ８ ｃ ｎ ｌ ｇ ａ ｓ ｏ ｔ ｔ ｃｅ ｃ Ｌ Ｔｅ ｈ ｏ ｏ ｙ ｏ
Ｎｏ ３ Ｊ ｎ ． ０ ０ ． ｕ ｅ ２ １
基于 Ｂ Ｐ人工 神经 网络 的公路软土地基沉 降预测
类型 为 ｔｎ ｉ， 出层 的传 递 函数 类型 为 ｐ ｒｌ ； ａｓ 输 ｇ ｕ ｅ ｎ ｉ 训练 函数选 取 ｔａｎ ｄ ； 习函数 选取 ｌ ｒ ｇ ｍ； ｒｉｇ ｘ 学 ｅ ｎｄ ａ
性 能 函数 选 取 ｍｓ。 ｅ
１ ３ 网络 训 练 ．
在 Ｍａｌｂ的命 令行按 回车键后 ， ｔ ａ 网络开始训
表 １ 训 练 样 本 仿 真 值 与 目标 值 对 照 表
预报 系统 。一方 面确 保路 堤 在施 工过 程 中的安全
和稳 定 ； 一方 面 ， 土地 基 上 的高速公 路 路基潜 另 软
在 的工后沉 降会 对 交 通 运 输 造 成 相 当 大 的危 害 ， 因此 要正确 预测 工 后 沉 降 ， 工 后 沉 降 控 制在 设 使
张 德 刚 翟 娟
（． １ 中交 一 公 局 桥 隧 工 程 有 限 公 司 高碑 店 ０ ４ ０ ； ． 北 交 通 职 业 技 术 学 院 武 汉 ７０ ０ ２ 湖 ４０７） ３０ ９
摘
要
采用 Ｂ Ｐ人 工 神 经 网 络 ， 用 杭 瑞 高 速 公 路 软 土 地 基 实 测 沉 降 数 据 直 接 建 模 ， 行 了软 土 利 进
１ １ 数据 采集 及归 一化 处理 ．
训练样 本 数 据 见 表 １ 为 使 网络 训 练更 加 有 ，
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 ）
神经网络在高速公路软土地基沉降预测中的应用
（） １分布存储和 容错性 ： 一个信息不是存 储在一个地 方而是 按内容
沉降经历 了 ３ 个不同的阶段 ， 表现为 ３ 种不同类型 的沉 降特征 ： 瞬时沉 降、 主固结沉降和次固结沉降。 响软土地基最终沉降的因素 主要有 ： 影 一 是 软土的工程特性 ， 如土的强度 、 压缩性 和透 水性等决定路 基的沉降特
计算地基的沉降量的常用方法主要有 ： 分层总和法 、 理论公式法 、 数 值分析法和经验公式法等 ， 中以分层总和法最 简便 但是计算 精度最 其 差 ；ｅ ａｈ 的经典 理论 公式法虽物理概念 清晰 ， 应用条件苛刻 ， Ｔｒ ｇｉ ｓ 但 率定
降影响参数与沉降之间的非线性关 系， 再将待测点的实测沉降 影响参数
经网络预测 了软 土地基的沉降 ， 并计算 出软 土地基的沉降值。
关键 词 ： 高速 公 路 ； 土地 基 ； 降值 ； 经 网络 软 沉 神
中图分类号 ：Ｐ ８ ．； ４ ６１ Ｔ ３ ９１Ｕ １ ．
文献标识码 ： Ａ
用来实现的 ： 与信 息的存储 表现 为网络 元件互连间分布式的物理联 知识
软基的固结变形一直是工程建设者需要解决 的问题之一。
（） ４ 神经 网络是 大量神经元 的集体行 为 ， 不是各 单元行为 的简单相
加， 而是表现 出一般复杂行 、 各种类型 的吸引子和出现混沌现象等 。 有 （） ５ 神经元可 以处理一些环 境信息十分复 杂 、 知识背 景不清楚和 推
统的串行计算机 。 （） ３ 自学 习 、 自组织 和 自适应性 ： 人工神经网络 可以通 过训练和学 习 来获得网络的权值与结构 ， 呈现出很强的 自学习能力和对环境的 自适应
能力 。
有显著的影 响。 三是施工工期的影响。 施工工期 直接影响加载速率 ， 因而 影响路基的沉降。四是路基的沉降还与路 基的处理方法有关 。
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。
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。
人工神经网络预测软土地基沉降
质很差 ，在这 种地 段上修 建路 堤极 限高 度都 有一定 的 限制 ，超过极 限填 上高度 后 ，施工 速度 过快 很容 易造
成 路堤 塌方 事故 。同时 ，由于软土 的高 压缩 性 ，必 然 引起 路堤 软 基发生 较大 的沉 降变 形 和侧 向位移 。 另外 ， 软 土地基 固结 变形 速度相 当慢 ，影 响土体 强度 的增 大 从 而严重 制约施 工 速度 的提 高 。因此 ，如何较 为准 确 地 预估路 堤软 基 的固结变 形一 直是 工程建 设者 需要 解 决 的首要 问题 之一 。
【 关键词】 高速公路 ，软 土地 基 ，神 经 网络 ，Ｂ 网络 Ｐ
中 图分 类 号 ：Ｔ １ ３ Ｐ ８ 文献 标 识 码 ：Ａ
ＡＢ Ｔ Ｓ ＲＡＣ Ｔｈ ｓ ｐ ｐ ｒｂ ｉｆ ｎ ｒ ｄ ｃ ｈ ｒ ｐ ｒ ｙ ｏ ｏ ｔｃａ ｏ ｎ ａ ｉ ｎ ｎ ｆｅ ｔｓ ｆ ｌｙ ｆ ｕ ｄ ｔ ｎ ｏ ｅ ｐ ｅ ｓ ｙ Ｔ ｉ ａ ｅ ｒｅ ｌ ｉ ｔｏ ｕ ｅｔ ｅ ｐ ｏ ｅ ｔ ｆｓ ｆ ｌｙ ｆ ｕ ｄ ｔ ｓａ ｄｅ ｆ ｃ ｏ ｔｃａ ｏ ｎ ａ ｉ ｓｔ ｘ ｒ ｓ ｗａ ．Ｔｈ ｓ ｙ ｏ ｏ ｉ ｐ ｐ ｒ ａ ｅ ｕ ｔ ｌ ａ ｄ ｅ ｔ ｏ ｇ ｏ ｆ ｍａ ｐ ｎ ａ ａ ｉ ｔ ｆ ＡＮＮ ｏ ｆ ｒ ｃ ｓ ｉ ｇ ｇ ｏ ｎ ｅ ｔｅ ｎ ｆ ｓ ｆ ｃａ ｏ ｎ ａ ｉｎ ，ａ ｄ ａ ｅ ｄ ｑ ａ ｅ ｙ ｈ ｎ ｌ ｓ ｓ ｒ ｎ ｆ－ ｐ ｉ ｇ ｃ ｐ ｂ ｌ ｙ ｏ ｉ ｔ ｏ ｅ ａ ｔｎ ｒ ｕ ｄ ｓ ｔ ｌｍｅ ｔ ｏ ｏ ｔ ｌｙ ｆ ｕ ｄ ｔｏ ｓ ｎ ｃ ｌ ｕ ａ ｅ ｅ ｔｅ ｎ ｆｓ ｆ ｃａ ｏ ｎ ａ ｉ ｎ ， ｈ ｅ ｕ ｔｉ ａ ｉｆ ｄ ａ ｃ ｌ ｔ ｓ ｓ ｔｌ ｍｅ ｔ ｏ ｏ ｔ ｌｙ ｆ ｕ ｄ ｔ ｓ ｔ ｅ ｒ ｓ ｌ ｓ ｓ ｔ ｉ ．Ｓ ｏ ｓｅ ｏ ＡＮＮ ｏ ｅ ａ ｔｎ ｒ ｕ ｄ ｓ ｔｌ ｍｅ ｔｏ ｏ ｔｃ ａ ｏ ｎ ａ ｉｎ ｆ ｒ ｃ ｓ ｉ ｇ ｇ ｏ ｎ ｅ ｔｅ ｎ ｆ ｆ ｌ ｙ ｆ ｕ ｄ ｔｏ ｓ ｓ ｈ ｓ ｗｉｅ ａ ｐ ｉａ ｉ ｎ ｆ ｒ ｇ ｏ ｎ ａ ｄ ｐ ｌ ｔｏ ｏ ｅ ｒ ｕ ｄ ｃ ＫＥＹＷ ＯＲＤＳ ｅ ｐ ｅ ｓ ｙ，ｓ ｆ ｌ ｙ ｆ ｕ ｄ ｔｏ ｓ ｘ ｒ ｓ ｗａ ｏ ｔ ｃａ ｏ ｎ ａ ｉ ｎ ，ａ ｔｆ ｉｌｎ ｕ ａ ｅ ｗｏ ｋ， ｂ ｃ ｒ ｐ ｇ ｔｏ ｅ ｒ ｌｎ ｔ ｒ ｒｉｉ ａ ｅ ｒ ｌ ｔ ｒ ｃ ｎ ａ ｋ ｐ ｏ ａ ａ ｉ ｎ ｎ ｕ ａ ｅ ｗｏ ｋ
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。
人工神经网络在软土地基沉降预测中的应用
型 ，并对 某高 速公路 软 土地基 沉 降进行 了分析 ，取 得 了较 为满意 的结 果 。
２ Ｂ Ｐ人 工神 经 网络 模型
高速 公路 软土 地基沉 降控 制 ，对保证 施 工 的正 常进 行 和公路 通车后 路 面 的顺 滑平 缓 ，都具 有非 常 重要 的 意 义 。但 软 土 地 基 沉 降 中 存 在 许 多 不 确 定
） ，用 ｔ ｓ 型函数计算 隐层的输 出Ｘ 和用线性 ａｉ ｎｇ ｉ 变换函数计算输 出层 的输 出 ｙ，输入层神经元 的 ｋ 输 出等 于其 输 入 。假 设 隐 含 层 有 ｎ 个 神 经 元 ，输 ． 入 层有 ｎ个 神 经 元 ，输 出层 有 ｍ 个 神 经 元 。则 有 （） ２ １ 、（ ）式 。
学 习 ，再 用建立 的预 测模型 预测 出 了最终 的沉 降 量。所 得 的 结 果与 实测值 达 到 了较 好 的 一 致 性 ，
与用其它理论计算方法所得结果相比较具有较 高精度 。 关 键词 神 经 网络 软 基 沉降 预测模 型 不等 时距
络方 法 ，提 出 了 软 土 地 基 沉 降 的 神 经 网络 预 测 模
维普资讯
全 国中文核心期 刊
路基工程
２０ ０６年第 ４期 （ 总第 １７期 ） ２
人 工 神 经 网络 在 软 土 地基 沉 降 预测 中 的应 用
崔
摘 要
令
窦远 明
天津 ３ ０ ） ０ １０ ３
（ 北 工 业 大 学 土 木 工程 学 院 河
（ ）荷载的不确 定性 ，软土地 基 的各类荷载 ４ 的变异 性 复 杂 ，无 法 精 确 确 定 作 用 在 地 基 上 的荷 载 ，因而 ，要建 立一 个全 面反 映这 些影 响 因素 的理 论 分 析模 式难度 很 大 。 根据 已获得 的部 分实 测数 据或 历史 积累 的经验 资料估算软土地基的沉降，在现阶段有很强的现实 意义 。 国 内外学 者进 行 了大量 的试 验研究 和 理论分 析 ，提出不少估算的方法 ，这些方法大多将软土地 基 的时 间一 沉 降 曲线假定 为某 一数 学模 型 ，利用 已 获得的试验数据确定该数学模型中的各个参数，外 推或估算软土地基的沉降，由于软土地基的上述复 杂特性 ，所得 的结 果与 实测值 往往 都存 在着 较大偏 差 。人工 神经 网络 因具 有 较 强 的非 线 性 映 射 能力 ， 因而 得 到 了广 泛 的应 用 ，尤 其 对 于 复杂 条 件 情 况 ， 更 凸现 了它独 特 的优越 性 。为 了进 一 步提 高沉 降 的 预 测精 度 ，更 好 地指导 高 速公路 施工 ，应用 神经 网
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神经网络在高速公路软土地基沉降预测中的应用
２ ５ ５３
析 方 法具 有 较 强 的非线 性 动 态处 理 能 力 ． 需要 精 不 确 的数学 模 型 ． 无需 知 道 各变 化 的参 数之 间的 关 也
分 利 用现 有 的 观测 成果 来 指 导公 路 的后 续施 工 ． 对
多种 软 土路 基 沉 降分 析方 法 ． 地 在 公路 建设 过 程 各 中也 结 合 当地具 体 实 际地 质条 件 和公 路 特 点 给 出 了不少经 验方 法 但 所有 这些 方法 都有其 优缺 点 和
适用 条件 ． 理论上 和工 程应 用上 遇到 不少 问题 在
缩性大 、 敏度高、 灵 固结 变 形持 续 时间 长 ， 土 的这 软
测 试 手段 、 试 仪 器 的 的 限制 ． 测 实验 得 到 的土 体 的 实验 参 数往 往 与实 际 有差 异 ． 对 土体 本 构模 型 的 这
建 立 和参 数 的选 取 ． 来 了一 定 的 偏 差 ． 响 了路 带 影
误 差小 。
关 键 词 改 进 的 Ｂ 神 经 网 络 Ｐ
误 差 逆 传 播 学 习 地基
沉 降 量
中 图法 分 类 号
Ｔ １３ 文 献 标 识 码 Ｐ８：
Ｂ
常规路 基沉 降计算方法
软 土在 我 国分 布 十分 广 泛 ． 着 经济 的高速 发 随 展 ． 家在 基 础 设 施 建 设 中加 大 了 投 入 ， 地 高 速 国 各 公路 也 如雨 后 春 笋般纷 纷 新 建 ． 高速 公 路在 新 建 但 过程 中受公 路 经过 的地 区 的工程 地 质 条件 的限 制 ．
些 工程 特性 ＿ 公路 施 工和 营运 期 间对路 基 沉 降 ｌ 为在
的准 确 的预估 带来 了很 大 困难 因此 软基 沉 降量及 其速 率 的预估 也是 工程设 计 的热点 问题 随着 土力 学 的发 展 和计 算机 的广泛 应 用 ． 国内 外 已提 出 了许
改进BP神经网络在软土地基沉降量中的应用
4) 用中间层的输出{ yj} 、连接权值{ wjt} 计算输出层各单元的
输入{ L t } , 然 后 用 { L t } 通 过 S 函数 计 算 输 出层 各 单 元 的 响 应
{
C
k t
}
。
n
∑ L t =
wjtyj - θt , t = 1 , 2 , …, n ,
j =1
Ckt = f ( L t) , t = 1 , 2 , …, n 。
固结沉降 ( 见图 2) 。
参考文献 :
求得结果后 ,可 列出 各节点 的位移 值 ,根据 中性点 处桩 体位 [ 1]陈仲颐 ,周景星 ,王洪瑾 . 土力学 [ M ] . 北京 :清华大 学出版 社 ,
移与桩间土位移相等 的原理 ,用 内插 法界的 最中 性点的 位置 ,本
1994. 24225.
1 BP 人工神经网络概述
1. 1 BP 网络的结构 BP 网络的产生归纳 于 B P 算法的 获得 。网络学 习公 式推导
思想是 , 对网 络权 值 ( w ij , Tli ) 的修正与阀值 (θ) 的修正 , 使误差 函 数 ( E) 沿 负梯 度 方向 下 降 。B P 网 络三 层 节 点表 示 为输 入 节点 xj 、隐节点 yi 、输出节点 O l 。
社 ,1990. 84285. [ 3]袁灯平 ,黄宏伟 ,程泽 坤. 软土地 基桩 侧摩阻 力研 究进展 初探
[J ]. 土木工程学报 ,2006 ,39( 2) :54260. [ 4]易发成 ,李少和 ,于远忠 ,等 . CF G桩复合地基负摩阻 力的几个
问题 [J ]. 建筑技术 ,2006 ,37( 3) :1842186.
3) 用输入模式 xk , 连接 权值{ wij }计 算中 间层各 单元 的输入 Sj , 然后用{ Sj }通过 S 函数计算中间层各单元的输出 ( yj ) 。
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。
土工格栅处理软土路基沉降量的BP神经网络预测
（ 、ｏ ｅｅ ｆ ｉ ｌ ｎｉ ｅ ｎ ，ａｊ ｇＵ ｉｅ ｉ ｆ ｅｈｏ ｇ ，ａｊ ｇ ｉ ｇｕ２０ ０ ｈｎ ； １Ｃ ｌｇ Ｃｖ ｇ ｅｒ ｇＮ ｎｎ ｎ ｒ ｔ ｏ Ｔｃｎｌ ｙ Ｎ ｎｉ ａ ｓ １０９ Ｃ ｉ ｌ ｏ ｉＥ ｎ ｉ ｉ ｖ ｇｙ ｏ ｎＪｎ ａ
２ Ｎ ｎ ａＳｉ ． ａ ｄ ｏ ｌ＆ Ｒ ｃ ｎｉｅ ｒ ｇ ｅｈ ｏｏｙＣ 、 ｔ 、 ａｊ ｇ Ｊ ｎ ｓ １ ０ ８ Ｃ ｉａ ｏ ｋＥ ｇ ｅ ｎ ｃｎ ｌ ｏ Ｌ Ｎ ｎ ｎ ｉ ｇｕ ２ ０ １ ｈｎ ） ｎ ｉ Ｔ ｇ 。ｄ ｉ ａ
０ 引言 土工格栅处理软土路 基沉 降量 的预测是工程设计 、施 工过程 中的主要技术难题 之一 。由于其沉 降受分层填 土压
Ｂ Ｐ神经网络是一种具有 ３ 层或 ３ 以上阶层结构的神 层
经 网络 （ 图 １ 如 所示） 层间各神经元 实现权连接 ， 。 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。当一组学习模式提供给网络后 ， 神经元 的激
络模 型沉降预测结果比较 准确 ， 最终沉降预测结果具有一定的工程应用价值 。 其
［ 关键 词 】 土工格栅； 神经网络模型； 路基沉降 ［ 中图分类号 】Ｕ ４ ［ Ｔ ４ ７ 文献标 识 码 】 ［ 章编 号 】０ ５ ２ ０ ２０ ）２ ０ ６ ３ Ａ 文 １０ —６ ７ （０７ ０ —０５ —０
维普资讯
５ ６
江苏建筑
２０ ０７年第 ２ （ 期 总第 １２ ） １期
土工格栅处理软土路基沉降量的 Ｂ 神经网络预测 Ｐ
黄辉 ， 张志铖， 李俊才
（ 南京 工业大 学土木 工程 学院 。 江苏 南京
２ ０ ０ ； 京南大 岩土 工程技 术 有限公 司 。 １０９ 南 江苏 南京
改进的BP神经网络在路基沉降预测中的运用
改进的BP神经网络在路基沉降预测中的运用孔繁盛;张彦拓【摘要】针对BP神经网络存在训练过程不确定的缺点,基于MATLAB建立改进的BP神经网络模型,该模型可克服BP神经网络模型在训练过程中收敛速度慢、易陷入局部极小点等缺点.结合实体工程实测数据,将该优化模型与指数曲线模型、双曲线模型、泊松曲线模型和Compertz模型对比分析,结果表明改进的BP神经网络模型在黄土路基沉降预测中精度最高,可运用于黄土路基的沉降预测.【期刊名称】《山西交通科技》【年(卷),期】2014(000)005【总页数】4页(P1-3,10)【关键词】沉降预测;BP神经网络;优化;路基;高速公路【作者】孔繁盛;张彦拓【作者单位】山西省交通科学研究院,山西太原 030006;中国交通集团路桥技术有限公司,北京 100011【正文语种】中文【中图分类】U416.00 引言在公路施工过程中，沉降观测是保证路基是否稳定安全的重要环节，因此在公路路基的不同施工阶段中，需要对路基的沉降进行预测，以指导工程施工。
目前，计算沉降量与时间关系的方法有两大类：第一类是根据固结理论并结合各种土的本构模型，进行沉降量的计算的有限元法，如考虑非线性弹性模型及弹塑性模型的有限元法、考虑黏弹塑性模型的有限元法、考虑结构性的损伤模型的有限元法以及大变形固结有限元方法等；第二类是根据实测资料推算沉降量与时间关系的预测方法[1-2]，如指数曲线法、双曲线法、泊松曲线法、Compertz曲线法以及BP神经网络模型等。
但是由于形成条件、形成年代和组成成分等不同土的工程性质具有明显的区域性，这种差异的存在，使得要想建立能反映各类岩土的、适用于各类岩土工程的理想本构模型是困难的，甚至说是不可能的，所以固结理论和本构模型与工程实际存在一定的差距，理论计算的时间与沉降关系与实测结果很难保持一致，且地基沉降的实际情况往往比较复杂，所以利用实测沉降观测资料推算后期沉降（包括最终沉降）有着重要意义。
基于遗传算法因素筛选的BP神经网络在软土路基沉降数据处理中的应用
基于遗传算法因素筛选的BP神经网络在软土路基沉降数据处理中的应用∗王江荣;赵睿;袁维红;任泰明【摘要】软土路基沉降与其影响因素之间存在着非线性关系，因输入自变量较多，用神经网络建模容易出现过拟合现象，导致网络模型预测精度降低。
针对这个问题，提出用遗传算法对输入自变量进行压缩降维处理，同时对网络模型的权值和阈值进行优化。
实例仿真表明：经降维和权值及阈值优化的BP网络具有较高的精度；预测效果优于GRNN网络模型和单纯BP网络模型；用于软土路基沉降预测是可行的。
%There is a nonlinear relationship between the settlement of soft soil subgradesub-grade and its influencing factors,. bBecause of the numerous input variables are more, the neural network modeling is prone to over fitting phenomena , which leads to the decrease of the prediction accuracy of the network model. To solve this problem, a genetic algorithm is proposed to reduce the dimension of the input variables, and the weights and thresholds of the network model are optimized. The simulation results show that the BP network has a high precisionaccuracy, and the predictive effect is better than that of the GRNN network model and the BP network model,. andTherefore it is feasi-ble to predict the settlement of soft soil subgrade.【期刊名称】《矿山测量》【年(卷),期】2016(044)005【总页数】4页(P87-90)【关键词】软土路基沉降;BP神经网络;遗传算法;因素筛选;沉降预测【作者】王江荣;赵睿;袁维红;任泰明【作者单位】兰州石化职业技术学院信息处理与控制工程系兰州 730060;兰州石化职业技术学院信息处理与控制工程系兰州 730060;兰州石化职业技术学院土木工程系，甘肃兰州 730060;兰州石化职业技术学院信息处理与控制工程系兰州730060【正文语种】中文【中图分类】TU443客观、准确、及时的预测软土路基终降量，对保证高速公路路基施工质量和运营期路面的平稳性、车辆行驶的安全性具有重要意义。
- 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)。
（ Ｏ） １ 重新从 ｍ 个学习模 式对中随机选取一个模 式对 ，
返 回步骤 （ ，直至 网络 全局 。 ３） 误 差函数 Ｅ小于预先设定 的一个极 小值 。 （ 结束学 习。 １ １）
各 的 应｛ 单元 响 ｃ ）
Ｌｔ
， ， 一 ｔ 一 ：１ ２
，
２Ｂ ． Ｐ网络 的结构 Ｂ 网络 的产 生归纳于 Ｂ Ｐ Ｐ算法 的获得。 网络学 习公式
ｎ
ｃ ＝ｆ（ Ｌ）
ｔｌ ， ｎ ＝ ， …， ２
推导 思想是 ，对 网络权值 （ Ｗ ， ｆ）的修正 与阀值 （ 的 ０）
ｊ １２ …， ＝ ，， Ｐ， ｔ ，， ｎ ＝１２…， ０＜ ＜１
传
（ 用中间 ８） 层各单元的 一般化误差 ） 输入层各单 、
，
２
，
元的输入 修正连接 权 ＿ ｝
ｆ＝ １２，． ，， ， ． ，２ ． ＝ １２ ．．Ｐ ， ，． ， ０＜ ＜１
改进Ｂ 神经 网络在软土地基 Ｐ 沉降量的应用
一 蒋健 华
本文利用神经 网络 的强大预测功能 ， 将其引入到软土地 基沉降 的预报 中。 利用 人工神经 网络方法进行预报可包含场 区的地质条件 ，土质特点及其受力模式等信息 ，最终形成一 个广义 函数 ，从而在给定输入值 （ 前期监测信息 ） 的情况下 能够得到输 出 （ 沉降预测值 ） 中详细 阐述 了沉降预报 的 。文 多层前馈神经 网络 的误差逆传播模 型 （ Ｐ模型 ）的原理 ， Ｂ 组成和建模步骤 ，并结合工程实例进行验算 ，结果表 明在软 土中利用神经 网络进行地基沉 降的预 报是可行的。
目前 ， 人工神 经网络技术存在一些 不足 之处 ： 训练 时网 络 收敛很慢 、易出现麻痹和瘫痪现象 、网络学 习速度和精度 的问题 等等。 为了加快网络训练速度 ， 免陷入局部极小点 ， 避 本 文采 用 了改进 的三层 ［ ３ Ｐ网络模 型。该模型的精髓是对输 入 数据 进行归一化预 处理 、训练 中结合 了附加动量法。 ４输入数据 的预 处理 ． 网络 学 习前 的数据 处理对神 经 网络具有 至关 重要 的作 用 ，它影响到网络的学 习速度和精度。资料 的整理包括 网络
图１ ｐ 网络 的拓 扑结 构 图 Ｂ
ｗ， １＝ ｆ ） ・ ・ ｆ （ ） ｗ（ ＋ ｅ ｘ Ｎ＋ ， Ｎ ；
（ 选 取下一个学 习模 式对提供给 网络 ，返 回到步骤 ９） （ ，直到全部 ｍ 个模式对训练完毕。 ３）
区会引起振荡 ，影 响收敛速度 ，容易 陷入局部极 小值 ，而非
修 正 ，使 误 差 函 数 （ 沿 负梯 度 方 向 下 降 。Ｂ Ｅ） Ｐ网络 三 层 节
（）希 输 模 ｋ 网 实 输 ） 算 ５用 望 出 式Ｏ 、 络 际 出｛ 计 输
出层 的各单 元的一般化误差 ． ） ［
＝
（ 一ｃ ）ｃ （一ｃ ） ・ ・１
ｔ１ ， ， ：，．ｎ ２一
构成。
（ 用输 入模 式 ，连接权值｛Ⅵ ｝ ３） 计算 中间层 各单 元的输入 Ｓ ，，然后用｛Ｓ ） ， 通过 Ｓ函数计算 中间层各单 元的
输 出（ ，）
＝
＝
Ｗ ’
一
，
ｊ ，， ｎ ＝１２ …－
ｆ（， ｓ）
ｊｌ ， ｎ ＝，…， ２
（） ４ 用中间层的 输出｛ ， 、 Ｉ ＿ 连接权值｛ ｌ 计算输出 ｝ －， ｗｆ ， 层各单元的 输入｛ ）然后用｛，通过 Ｓ函 ， ） 数计算输出 层
（ １）初始化。
（ ） 取 模 式 对 ２ 选 点 ，Ｏ 为 输 出节 点 。 ’ ，Ｄ 提供 给 网络 ， 为 输 入 节
网络 ） 将 Ｗ— 学 习规 则一般 化 ，对非线性可微分 函数 ，是 Ｈ 进 行权值训练 的多层 网络 。目前 ， 人工神经 网络 的实际应 在 用中 ，绝大部分 的神经 网络模 型是采用 Ｂ Ｐ网络和 它的变化 形式 ，它也是 前向网络的核心部分 ，并体 现 了人工神经 网络 的精 华部分 。从物理 学角度 来讲是一 种高度 非线性 动力 系 统 ；从信 息处理的角度来讲是一种 巨量并行 处理 系统 ，它是 由大量 的功 能简单 的处理单 元彼此 高度复杂 地连在一 起所
点表示 为，输入 节点 ， 、隐节点 卜 输 出节点 ０ｌ 。如下
图 １所 示 ：
ｄ
▲
（ 用连接权｛ ． 输出层的一般化误差＿ ）、 ６） ｗ ｝ 、 ［ 中 间层的输出（ ） 计算中间层各单元的一般误差． ） ［
Ｐ ＝［ ‘ ｔ‘ ’１ 』 ｗｉ ／ （ 一 ） ］ ｊｌ ， ， ＝ ， ｎ ２
ｄ
▲
ｄ ３
▲
ｄ ４
▲
ｄ
●
１ 吴
●
●
●
●
薹
・ ・ ・ ・ ・
、
・ ・
输 层
隐 隐岔 层
输 入 层
（ ） 输出 各 的 般化 差｛ ） 中间 ７ 用 层 单元 一 误 、 层各 单 输出 ， 连 权 元的 （ ） 修正 接 ＿ ｝
Ｗ ： Ｎ 十 Ｉ ：ｂ ¨ Ｎ＋ Ｗｔ ｏ ｄ ・Ｊ Ｊ ・
１Ｂ ．Ｐ人 工 神 经 网络 概 述 反 向传 播 网络 （ ａ ｋ Ｐｏ ａ ａｉｎ Ｎ ｔ ｒ 简 称 Ｂ Ｂ ｃ — ｒｐ ｇ ｔ ｅｗｏ ｋ ｏ Ｐ
传递函数一般 为（ ， Ｓ型函数 ０ １）
） ＝
误差 函数对第 Ｐ个样本误差计算公式为
Ｅ＝ （ 一
２
其 中 ： ｔｆ Ｏ 分别 为期 望 输 出和 网络 的计 算输 出。 、 Ｂ Ｐ网 络 பைடு நூலகம்学 习过 程 的 具体 步骤 ：
中 出现 ，同时加快收敛速度 ， 引入动量项 平滑梯度下降 方 可 向的剧烈 变化 ， 加快收敛速度 。所谓动量项 的加入就是指在
网络每次 的权值和 阀值 改变量 中加入前一 次的改变量 ， ｋ 第
次 循 环 中 的权 值 和 阀值 改 变 量 可 表 示 为 ：
３改进 Ｂ ． Ｐ神 经网络的建立