基于模态分析和BP神经网络的红松方材孔洞定量检测
基于布谷鸟—BP神经网络的页岩脆性指数预测研究
基于布谷鸟—BP神经网络的页岩脆性指数预测研究黄开兴;刘卫华;吴朝容;胡华锋;周枫;李勇;陈朝譞;汪子祺;孙正星【期刊名称】《中国石油勘探》【年(卷),期】2024(29)2【摘要】页岩储层具有低孔隙度、低渗透率的物理性质,因此在页岩气开采中往往需要对其储层进行压裂处理,而页岩储层的可压裂性可用脆性指数来评价。
目前应用最广泛的岩石脆性指数计算方法是基于矿物组分法。
基于矿物组分法计算获得岩心页岩脆性指数(BI),利用BP神经网络的自我学习能力,探寻测井参数与页岩脆性指数(BI)之间的非线性关系,再结合布谷鸟(CS)算法的全局优化能力和稳定性来提升BP神经网络的预测精度和稳定性,从而建立基于CS—BP神经网络的页岩脆性指数预测模型。
使用CS—BP预测模型对研究区Y1井和Y2井两口井进行了页岩BI值预测,其预测结果显示:CS—BP预测值与岩心BI值的变化趋势基本一致;CS—BP预测值总体预测效果较好。
研究结果表明:基于布谷鸟(CS)—BP神经网络,利用测井资料快速计算页岩脆性指数的方法在研究区具有一定的实用价值。
【总页数】9页(P158-166)【作者】黄开兴;刘卫华;吴朝容;胡华锋;周枫;李勇;陈朝譞;汪子祺;孙正星【作者单位】成都理工大学地球物理学院;中国石化石油物探技术研究院有限公司中国石化地球物理重点实验室【正文语种】中文【中图分类】TE19【相关文献】1.涪陵页岩气田焦石坝区块页岩脆性指数地震定量预测2.地震叠前反演方法预测页岩脆性指数在南川地区的应用3.基于孔隙度分级的页岩脆性矿物指数预测方法4.沁水盆地海陆交互相页岩脆性指数预测与测井响应分析5.川南页岩气田L区块页岩脆性指数叠前地震定量预测因版权原因，仅展示原文概要，查看原文内容请购买。
基于MEA-BP神经网络对木材内部缺陷诊断的研究
基于MEA-BP神经网络对木材内部缺陷诊断的研究刘佳美;徐凯宏;王立海【摘要】为了提高木材内部缺陷的自动识别率,采用电阻层析成像(ERT)的方法获取电导率波动信号,通过小波包变换对采集的数据进行3层小波包分析,对八维特征向量进行提取,利用思维进化算法(MEA)优化权值和阈值,孔洞、节子、腐朽试样各45组数据,进行BP神经网络训练,每种缺陷20组作为测试集,识别木材内部缺陷.结果表明:MEA-BP神经网络对木材孔洞、节子和腐朽的识别率分别为96.92％、95.38％和92.31％,该模型解决了复杂组合的优化问题,提高了搜索效率,并且达到最佳的预测效果.%In order to improve the automatic recognition rate of wood internal defects,Electrical Resistance Tomography (ERT) method was usedto obtain the electrical conductivity fluctuation signal.Three-layer wavelet packet analysis is performed on the collected data by wavelet packet transform,and the 8 dimensional feature vector was extracted.The weight and threshold were optimized by using Mind Evolutionary Algorithm (MEA).Hole,knot and decay of the 45 groups of data for BP neural network training,20 sets for each defect was used as a test set,and the defects of wood were identified.The results showed that the recognition rates of MEABP neural network for wood holes,knots and decay were 96.92％,95.38％and 92.31％.The model solves the optimization problem of complex combination,improves the search efficiency and achieves the best prediction effect.【期刊名称】《林产工业》【年(卷),期】2018(045)002【总页数】6页(P19-24)【关键词】缺陷识别;小波包分析;MEA-BP神经网络;无损检测【作者】刘佳美;徐凯宏;王立海【作者单位】东北林业大学机电工程学院;东北林业大学机电工程学院【正文语种】中文【中图分类】S781.5目前，我国的木材需求量大，资源不足，利用率偏低。
基于BP神经网络的微孔钻削实时监测
方法 中 ，钻削加工可以获得较好 的加工质量及较高的
生产效率 ，因此在 国内外 占主 导地 位。在微 细 钻孔 中 ，微钻头极易折断 ，并造成工件报废 。如何避免钻 头折断是长期困扰微孔钻 削加 工的技术难题 。钻
头折断的根本原因在于磨损后钻削力增大 ，达到了所 能承受的极限。因此 ，通过钻削力在线监测来预测微 钻 头 折 断 、实 时 报 警 换 刀 是 一 种 行 之 有 效 的 方
Ｌ ｕ ，Ｘ Ｏ Ｇ Ｊ ｎ ｉ ，Ｓ Ａ ｉｐｎ ，Ｏ ｉａ Ｉ ｅ Ｉ Ｎ ａ ｑａ Ｘ ｉ ｏ Ｈ Ｏ Ｑ ｕ ｉｇ Ｕ Ｙｂ ｏ
（ ｃ ｏｌ ｆ ｅｈ ｎｃｌ ｎ ｉ ｅｉｇ ａｊ ｇＩｓｔｔ ｏ ｅｈ ｏ ｇ ，Ｎ ｎｉｇＪ ｎ ｓ １ ７ ｈｎ ） Ｓ ｈｏ ｏ ｃ ａｉａ Ｅ ｇ ｅｒ ，Ｎ －ｉ ｎｔｕｅ ｆ ｃ ｎ ｌ ｙ ａｊ ａｇｕ２ １ ，Ｃ ｉａ Ｍ ｎ ｎ ｎ ｉ Ｔ ｏ ｎ ｉ ｌ６
基于 Ｂ Ｐ神经 网络 的 微孔 钻 削实 时监 测
李 雪，熊建桥 ，邵秋 萍 ，欧益 宝
（ 南京工程 学 院机械 工程 学院 ，江 苏南京 ２ １６ ） １１７
摘要 ：为防止微孔钻削过程 中钻头折断 ，研制微孔钻削在线监 测系统 。该 系统 以主轴 电机三相 电流对 应的 电压信号 为 监测对象 ，应用神经 网络建立钻头磨损状态与信号特征的关 系模 型 ，以此获 取隐含微细钻 头磨损状态 的信息值 。实验结果 表明 ，应 用此 系统进行微孔钻削在线监测 ，可以有效避免微钻 头的折 断，提高钻头 的利用率 。
基于卷积神经网络的樟子松木材密度近红外预测模型优化
基于卷积神经网络的樟子松木材密度近红外预测模型优化刘晓利;李耀翔;彭润东;张哲宇;陈雅【期刊名称】《森林工程》【年(卷),期】2024(40)3【摘要】近红外光谱分析技术在木材密度的预测方面具有独特的优势,是一种方便且快速的无损检测技术。
卷积神经网络作为经典的深度学习模型之一,能够利用卷积和池化操作提取数据中的特征映射进行学习,与传统的学习模型相比具有更强的模型表达能力。
为此将卷积神经网络用于近红外光谱预测木材的气干密度,以樟子松为研究对象,获取样本木材横切面的近红外光谱数据,采用杠杆值与学生化残差t 检验(HLSR)法剔除奇异样本,采用SGS+MC+Auto(Savitzky-Golay smoothing+mean centering+autoscaling)对光谱数据进行预处理,通过竞争性自适应重加权算法(competitive adaptive reweighted sampling method,CARS)对特征波长进行提取,构建卷积神经网络模型,预测樟子松的气干密度;并与偏最小二乘回归(partial least squares regression,PLSR)、支持向量机(support vector regression,SVR)和BPNN(backpropagation network)神经网络的预测结果进行对比。
结果表明,当校正集比例小于0.65时,模型预测结果略低于PLSR模型。
但当校正集比例大于0.7时,卷积神经网络(convolution neural network,CNN)模型的预测精度优于其他模型,且随着训练样本比例的增加,模型的性能和稳定性也随之提升。
研究表明CNN可以显著提高近红外预测木材气干密度的模型精度,实现基于近红外技术的木材密度有效预测。
为木材气干密度无损检测提供了理论基础和科学依据。
【总页数】10页(P142-151)【作者】刘晓利;李耀翔;彭润东;张哲宇;陈雅【作者单位】东北林业大学机电工程学院【正文语种】中文【中图分类】S781.31【相关文献】1.基于近红外技术的落叶松木材密度预测模型2.应用近红外光谱和小波网络构建的木材基本密度预测模型3.IPSO-BP木材绝干密度近红外光谱预测模型4.基于5年生火炬松建立木材基本密度近红外预测模型5.基于IFSR异常样本剔除的落叶松木材密度近红外优化模型的研究因版权原因，仅展示原文概要，查看原文内容请购买。
基于人工智能方法的地下洞室群爆破振动速度预测
基于人工智能方法的地下洞室群爆破振动速度预测马晨阳;张汉斌;袁青;周玉纯;汪煜烽;吴立;刘洋【摘要】There are many influence factors in blasting excavation engineering of super-large section underground caverns.In order to accurately predict the blasting vibration velocity,the LS-SVM model was established based on support vector machine,which improved the speed and accuracy of the solving problem with structural risk minimiza-tion.The LS-VSM model was adopted to predict blasting vibration velocity induced by the underground water-sealed LPG caverns in China,and compared with the traditional prediction model as Sadov's formula model(SA model)and fuzzy neural network model(FNN model).The analysis results indicated that global root mean square relative error (RMSRE)of LS-SVM model was 4.68% compared with 14.42% by FNN model and 19.33% by SA model.Mean-while,there were 14 groups meeting the error threshold value(6%)aboutthe generalization performance of prediction model,while FNN model and SA model didn't meet the requirement.Thus,in prediction of blasting vibration velocity, regardless of prediction effect or generalization performance,the LS-SVM model was superior to FNN model and SA model.%特大断面地下洞库爆破开挖工程中涉及到众多的影响因素,为了较准确地预测出爆破振动速度,引入支持向量机理论,建立最小二成支持向量机爆破振动速度预测模型(LS-SVM模型),该模型利用结构风险最小化来提高求解问题的速度和精度.采用该模型对某地下水封LPG洞库工程进行爆破振动速度预测,并与传统的萨道夫斯基回归公式模型(萨氏模型)和模糊神经网络模型(FNN模型)进行对比分析.分析结果表明:LS-SVM模型、FNN模型与萨氏模型的全局均方根相对误差 RMSRE分别为4.68%、14.42%与19.33%;LS-SVM模型有14组数据满足预测模型泛化能力误差阀值(6%)的要求,而FNN模型与萨氏模型均不满足要求.因此LS-SVM模型在爆破振动速度预测中的预测性能和泛化能力均优于FNN模型及萨氏模型,可为多因素影响下类似工程爆破振动速度预测提供借鉴经验.【期刊名称】《爆破》【年(卷),期】2017(034)004【总页数】5页(P12-16)【关键词】地下洞室群;爆破振动速度预测;最小二乘支持向量机;模糊神经网络【作者】马晨阳;张汉斌;袁青;周玉纯;汪煜烽;吴立;刘洋【作者单位】中国地质大学(武汉)岩土钻掘与防护教育部工程研究中心,武汉430074;中国地质大学(武汉)工程学院,武汉430074;中国地质大学(武汉)岩土钻掘与防护教育部工程研究中心,武汉430074;中国地质大学(武汉)工程学院,武汉430074;中国地质大学(武汉)岩土钻掘与防护教育部工程研究中心,武汉430074;中国地质大学(武汉)工程学院,武汉430074;中国地质大学(武汉)岩土钻掘与防护教育部工程研究中心,武汉430074;中国地质大学(武汉)工程学院,武汉430074;中国地质大学(武汉)岩土钻掘与防护教育部工程研究中心,武汉430074;中国地质大学(武汉)工程学院,武汉430074;中国地质大学(武汉)岩土钻掘与防护教育部工程研究中心,武汉430074;中国地质大学(武汉)工程学院,武汉430074;武汉电力职业技术学院电力工程系,武汉430077【正文语种】中文【中图分类】TD235.3目前，钻爆法仍是水利水电工程、交通运输工程、矿业开采工程，乃至储备洞库工程的主要施工方法。
基于改进布谷鸟算法-BP神经网络的松茸发酵过程软测量建模
基于改进布谷鸟算法-BP神经网络的松茸发酵过程软测量建模朱湘临;宋彦;王博;丁煜函;朱莉;姜哲宇;陈威【摘要】针对松茸发酵过程中关键参量难以实时在线检测的难题,提出了一种基于改进布谷鸟算法(CS)与改进BP神经网络(BPNN)相结合的松茸菌丝生物量软测量建模方法;首先采用两阶段动态发现概率法对传统CS进行改进,平衡CS的全局搜索与局部搜索能力;然后引入附加动量和动态调整学习率对BPNN进行改进,提高BPNN参量的修正精度;最后,通过CS算法获取BPNN的初始权值和阈值,并由权值修正公式(附加动量与动态学习率相结合)对权值进行动态修正;仿真结果表明,改进的CS-BPNN软测量模型在预测精度提高了6％以上,能够实现松茸发酵过程实时在线测量的需求.【期刊名称】《计算机测量与控制》【年(卷),期】2019(027)005【总页数】5页(P39-43)【关键词】松茸;布谷鸟算法;软测量;BP神经网络【作者】朱湘临;宋彦;王博;丁煜函;朱莉;姜哲宇;陈威【作者单位】江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;无锡太湖水务有限公司,江苏无锡214000;江苏大学电气信息工程学院,江苏镇江212013【正文语种】中文【中图分类】TP30 引言松茸作为一种珍贵的食药两用真菌，因其自身特有的抗肿瘤、抗衰老、改善免疫系统功能等功效而大受人们喜爱[1]。
随着我国对松茸需求量的日益增大，传统的培养方式已远远不能满足人们对松茸的需求。
松茸液态深层发酵和其他传统生产方式相比，具有菌丝体生长周期短、产量高、污染小等优越性，并且通过液体深层发酵获得的菌丝体在营养价值上与野生子实体相近。
然而，由于发酵过程的高度时变性和不确定性，目前，关键生物参量还难以实时在线测量。
基于PCA-BP神经网络的EDXRF分析测定地质样品中铁、钛元素含量的
基于PCA-BP神经网络的EDXRF分析测定地质样品中铁、钛元素含量的基于PCA-BP神经网络的EDXRF分析测定地质样品中铁、钛元素含量随着现代科技的不断发展，地质勘探和矿产资源开发对材料成分的分析也变得越来越重要。
传统的分析方法通常需要运用昂贵的化学药剂或显微镜来确定元素含量，费时费力，而且操作相对繁琐，因此需要更为高效、准确的方法来降低成本和提高精度。
利用PCA-BP神经网络结合EDXRF分析技术进行分析成为越来越受欢迎的一种方法，本文将介绍此方法的应用并分析其优势。
一、基本原理1. EDXRF分析技术EDXRF是指采用能量色散X射线荧光分析仪进行的元素分析技术。
其基本原理是将粉末样品放置在X射线束的辐射区域中，等待样品吸收辐射后释放出荧光信号，利用X射线分析仪探测器扫描、分析这些信号之后，进而得到样品中各种元素的含量。
2. PCA-BP神经网络PCA主成分分析是指通过统计分析将复杂的数据转化为易于解释的几个主成分，以便于更好的理解数据变量之间的相互作用和关联。
BP神经网络则是一种常用的人工神经网络，可用来进行各种预测和分类任务。
实际上，PCA主成分分析和BP 神经网络结合可以大大提高数据处理和分类的精度和效率。
3. EDXRF和PCA-BP神经网络的关联将EDXRF技术与PCA-BP神经网络相结合可以大大提高分析准确性和处理数据的效率。
EDXRF分析技术可以用来测量元素含量，可生成多种数据变量，这些变量可以作为神经网络输入参数，进而用于网络训练与分析使得可以从数据中提取出更为有用的特征，预测元素含量，达到精准分析的目的。
不同于传统的方法，EDXRF技术结合PCA-BP神经网络使用高效率的数据提取算法来降低了样品处理时间，并在研究中证明了这种方法比传统方法具有更高的准确性和有效性，因此得到了广泛的应用。
二、符合实际应用的方法在实际应用中，高质量和准确的数据是关键，因此必须建立在一定样本基础上进行大量实验和测试，以调整参数和提高预测精度。
BP神经网络在低孔渗储层水淹层识别中的应用
BP神经网络在低孔渗储层水淹层识别中的应用牟立伟;张美玲;颜旭【摘要】针对榆树林油田低孔渗储层水淹层识别难度大,提出以BP神经网络模型为理论基础,结合研究区岩心分析、试油、以及常规测井等资料,建立油层水淹状况与测井响应值之间的对应关系,实现对水淹层的高精度解释.通过对BP神经网络模型的训练,得到满足误差条件的最佳网络.运用最佳网络对测试数据进行检验分析,最终92.9％油层水淹状况解释准确,有效解决了低孔渗储层水淹层识别难度大,精度低的问题.【期刊名称】《当代化工》【年(卷),期】2016(045)007【总页数】4页(P1586-1588,1592)【关键词】榆树林油田;低孔渗储层;水淹层识别;BP神经网络【作者】牟立伟;张美玲;颜旭【作者单位】东北石油大学地球科学学院,黑龙江大庆163318;东北石油大学地球科学学院,黑龙江大庆163318;大庆油田第四采油厂,黑龙江大庆163511【正文语种】中文【中图分类】TE133随着油田勘探开发的不断进行，中高渗储层日益减少，低孔渗储层已逐渐成为原油增储的重要阵地[1]。
但目前低孔渗储层的开采大多采用水驱方式，注水前期较为有效,但由于储层的低孔渗性导致储层注水不均匀，使注水一段时间后，受效不明显[2]。
这使得油层水淹状况的高精度解释成为必须解决重点课题，对下一步的挖潜剩余油，以及高效生产尤为重要。
从20世纪中叶以来，国际测井专家就开始做了一系列的探索工作，在常规的高孔渗储层已经形成了较为有效的评价方法[3-5]。
但在低孔渗储层水淹层识别方面，一直未形成有效的方法。
目前，利用各测井曲线的变化形态来定性识别水淹层[6]，是水淹层识别中的常用方法，但缺少测井曲线整体与水淹状况的联系。
为此，针对当前研究存在的不足，基于BP神经网络模型[7-9]，运用其在解决非线性问题方面所具有的自适应性的特点，实现测井响应值与油层水淹状况间的复杂函数关系的转换。
为此，我们利用BP神经网络建立了一种高精度的低孔渗油层水淹状况的解释方法。
基于BP神经网络的木材质量评价
基于BP神经网络的木材质量评价刘贝贝;朱波;宋扬扬;万育微【期刊名称】《价值工程》【年(卷),期】2018(037)002【摘要】At present, the production process of furniture is gradually approaching to batching and mechanization. However, the quality of mahogany wood has always been a concern for the furniture industry. Therefore, the quality evaluation of wood has always been the focus of furniture manufacturing research. In this paper, the quality evaluation model of mahogany wood is established by BP neural network, and the appropriate evaluation index is selected and verified by the sample data of the case. Compared with the weighted average method, the results show that the proposed three-layer BP neural network model has a certain feasibility and practical significance in the quality evaluation of wood.%目前木材家具的生产过程在逐步向批量化、机械化趋近,但木材的质量一直是家具产业需要关注的问题,因此对木材的质量评价一直是家具制造业研究的重点.本文利用BP神经网络建立木材的质量评价模型,选择合适的评价指标,并通过案例的样本数据进行验证.测试结果与加权平均法比较,得出构建的3层BP神经网络模型应用于木材质量评价中具有一定的可行性与现实意义.【总页数】3页(P61-63)【作者】刘贝贝;朱波;宋扬扬;万育微【作者单位】昆明理工大学,昆明650500;昆明理工大学,昆明650500;昆明理工大学,昆明650500;昆明理工大学,昆明650500【正文语种】中文【中图分类】TS664.1【相关文献】1.基于BP神经网络的木材近红外光谱树种识别 [J], 王学顺;孙一丹;黄敏高;黄安民2.基于Hu不变矩和BP神经网络的木材缺陷检测 [J], 戚大伟;牟洪波3.基于MEA-BP神经网络对木材内部缺陷诊断的研究 [J], 刘佳美;徐凯宏;王立海4.基于灰度共生矩阵和模糊BP神经网络的木材缺陷识别 [J], 牟洪波;王世伟;戚大伟;倪海明5.基于BP神经网络的木材着火时间预测 [J], 翟春婕;唐松泽因版权原因，仅展示原文概要，查看原文内容请购买。
基于人工神经网络技术的木材材质检测研究进展
收稿日期:2012-10-24基金项目：国家林业局引进国际先进林业科学技术创新项目“948”专题（2010-4-08）作者简介：管珣（1977-），男，江苏仪征人，南京林业大学博士研究生，研究方向：无损检测。
通讯作者：赵茂程（1966-），男，江苏扬州人，教授，博士，博士生导师，研究方向：测控技术与智能系统、机电一体化。
木材是重要的基础材料之一。
因此，将高新技术和相关新方法积极引入木材科学领域，成为木材领域科学工作者不断寻求科研突破和创新的有效办法。
人工神经网络是迄今为止应用最为广泛的预测技术之一，也必将在木材科学中得到广泛运用。
在林业中，神经网络技术已经有了比较多的应用，但比较多的研究和应用集中在森林资源、生态等宏观的预测与分类、树木的生长量以及树木外观属性等方面。
而在木材材质方面的应用，例如对木材本身的天然材质和缺陷等，目前来说也有了部分研究，但总体还不是很多。
要实现木质产品生产规范化、规模化、成本节约、以及对林业资源的保护等方面的要求，需要在生产的原料阶段对木材材质进行细分，使各种材质的木材能够做到物尽其用，提高生产效率，促进经济和社会效益的提升。
在木材材质测试研究中，应用图像处理、CT 技术、超声波、应力波等无损检测新技术收集木材数据并进行处理，对于木材材质的准确预测来说是至关重要的。
由于影响木材材质的因素众多，存在显著的非线性关系，因此，传统的处理手段如多元回归已不能适应对木材材质的准确预测。
而人工神经网络可模拟人思维的非线性动力学过程，具有良好的逼近能力和适应能力，可在不了解输入或输出变量间关系的前提下完成非线性建模。
神经元、神经网络都有非线性、非局域性、非定常性、非凸性和混沌等特性，具有很好的发展前景，也给预测系统带来了新的方向与突破，得到了广泛的应用。
本文介绍了人工神经网络在木材材质检测中的应用，主要围绕木材本身的特性和缺陷两大问题展开，以期为神经网络在木材材质检测中得到更广泛的应用提供参考。
基于BP神经网络的帷幕注浆量预测模型研究
基于BP神经网络的帷幕注浆量预测模型研究刘晓阳;胡江春;王红芳;郭乃胜【摘要】在帷幕注浆工程中,注浆量预测具有重要的实际应用价值.利用Matlab神经网络功能,通过编写预测注浆量的程序,建立了预测帷幕注浆量的BP神经网络模型,得出了注浆量与影响因子的非线性关系.结合工程实例,分别对注浆段和注浆孔进行了注浆量预测,并将注浆量预测值与实测值进行了比较分析.结果表明,在帷幕注浆工程中,BP神经网络模型对注浆量的预测误差较低,预测效果良好.【期刊名称】《中原工学院学报》【年(卷),期】2016(027)001【总页数】5页(P57-61)【关键词】帷幕注浆;BP神经网络;注浆量;预测【作者】刘晓阳;胡江春;王红芳;郭乃胜【作者单位】中原工学院,郑州450007;中原工学院,郑州450007;中原工学院,郑州450007;中原工学院,郑州450007【正文语种】中文【中图分类】TU457岩体及土体性质复杂，其裂隙的发育程度、大小、分布情况难以判断，其赋存特征是影响岩体工程注浆量的主要因素。
注浆量的预测在工程中具有重要的实际应用价值。
在注浆设计与施工中，注浆量的预测与注浆过程的控制以技术人员的工程经验为基础。
传统的实验室模拟、工程类比等方法对注浆量的预测偏差较大[1]。
因此，如何构建预测能力强的模型以较准确地预测注浆量，是工程预测研究领域内的一个难点。
传统的用于注浆量预测的建模方法主要是时间序列分析方法[1-3]，该方法本质上属于回归分析，是用确定的模型表达变量之间的函数关系。
然而，由于工程地质条件的复杂性及岩土体特征性参数的不确定性，难以用准确的数学模型去描述这种关系。
王述红等提出了一种岩体微裂隙注浆量预测的新方法——人工神经网络方法，并得出了这种方法比其他方法有更高精度的结论[4]。
人工神经网络是基于对生物大脑的结构和功能进行模仿，通过神经元之间的互连，运用一定的数学物理方法来实现类似人在语言和图像处理上的能力而构成的一种新型信息处理体系。
基于BP神经网络的落叶松生长模型研究
基于BP神经网络的落叶松生长模型研究
阚龙攀;黄家荣;赵俊卉;牛晓锋
【期刊名称】《江苏农业科学》
【年(卷),期】2010(000)001
【摘要】利用黑龙江省落叶松解析木为样本,采用Richards、Logistic、Gompertz、Mitscherlich、Korf、Weibull等6种常用的生长方程和BP神经网络对林分胸径和树高进行模拟,分析它们的精度情况,得出最佳的生长方程,用以指导林业生产.
【总页数】3页(P366-367,379)
【作者】阚龙攀;黄家荣;赵俊卉;牛晓锋
【作者单位】河南农业大学林学院,河南郑州,450002;河南农业大学林学院,河南郑州,450002;北京林业大学/省部共建森林培育与保护教育部重点实验室,北
京,100083;河南农业大学林学院,河南郑州,450002
【正文语种】中文
【中图分类】S711
【相关文献】
1.基于哑变量的日本落叶松生长模型研究 [J], 李忠国;孙晓梅;陈东升;李子敬
2.基于树干解析的兴安落叶松人工林单木生长模型研究 [J], 萨如拉;徐加睿;王智慧;张科;于宪军
3.基于BP人工神经网络的兴安落叶松天然林全林分生长模型的研究 [J], 金星姬;贾炜玮;李凤日
4.基于BP人工神经网络的大青山自然保护区华北落叶松人工林全林分生长模型研究 [J], 杨潇;张秋良
5.基于贝叶斯法的长白落叶松林分优势高生长模型研究 [J], 姚丹丹;雷相东;张则路因版权原因，仅展示原文概要，查看原文内容请购买。
基于神经网络的复合材料光学显微图像孔隙的识别与统计研究
间剪切性能影响较为突出［４－５］。
因此，孔隙含量分析对于复合材料制件内部质量评定、质量提升以及产品工艺的持续改进起着非常积极和重要的作用。
现阶段，主要的复合材料孔隙含量检测分析方法分为破坏性检测法和无损检测法。
破坏性检测法主要包括密度测量法、吸水法、光学显微图像法和酸溶解法。
无损检测法包括超声检测法和射线检测法等［６－７］。
常见的复合材料光学显微图像分析方法有显微镜标尺测定法、放大网格计数法和图像分析仪法。
图像分析仪法是根据光学显微图像孔隙区域与良好区域灰度不同的原理工作的一种自动化统计方法，受人为因素影响较小，但容易受到试样表面质量的影响，统计误差较大。
显微镜标尺测定法和放大网格计数法主要通过人工判断孔隙相对于辅助网格的大小，进而间接获得孔隙含量结果，其统计数据量庞大，且不同的统计人员会引起统计结果的偏差，效率极低。
此外，在各大高校和科研单位中也会使用ＩｍａｇｅＪ等图像处理软件实现显微图像孔隙含量分析，但其适应力较差，对金相样品制样要求较高，适用性难以保证［７－８］。
由于实际金相样品通常会存在划痕、附着物等特殊情况，而人工孔隙统计过程有着非常高的灵活性，会主动识别与规避以上特殊情况，因此显微镜标尺测定法和放大网格计数法为目前主流的孔隙含量分析手段。
传统复合材料孔隙含量人工分析过程存在统计试样多、统计周期长、人工统计存在差异等问题，目前国内暂时没有准确高效的孔隙含量分析手段。
近年来，神经网络算法以其更接近人脑思考的特性广泛应用于模式识别、图像分割、智能控制等领域，具有大规模并行处理、分布式存储和处理、自适应、自组织、自学习能力等特点［９－１０］。
其中，由卷积神经网络（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＮＮ）模型发展而来的Ｕ Ｎｅｔ神经网络算法已广泛应用于医疗影像领域，如肿瘤图像识别［１１］、肺部图像识别［１２］、视网膜病变识别［１３］等诸多方面，效果良好。
Ｕ Ｎｅｔ网络结构如图１所示。
基于深度图像和BP神经网络的红枣体积预测方法研究
基于深度图像和BP神经网络的红枣体积预测方法研究
贾雅欣;李传峰;弋晓康;吴明清
【期刊名称】《河南农业科学》
【年(卷),期】2024(53)4
【摘要】为了实现红枣体积的快速无损测量,提高红枣体积分级精度,提出了一种基于深度图像和BP(Back propagation,反向传播)神经网络的红枣体积测量方法。
通过采集红枣深度图像,利用分割算法进行平面分割和红枣聚类,对聚类后的红枣点云分别进行柱面拟合,建立红枣3D模型。
采用包围盒算法、凸包法等多种方法提取红枣3D模型上的长径、短径、轮廓周长、投影面积、球度共5种特征,建立7组不同特征组合的BP神经网络模型,分别预测红枣体积。
结果表明,包含红枣5种特征的模型预测结果最好,其体积预测值与实测值的决定系数(R2)为0.86187,均方根误差(RMSE)为1.66 mL,与实测值的平均相对误差为6.65%。
表明采用深度图像和BP神经网络估测红枣体积具有较高预测精度。
【总页数】9页(P172-180)
【作者】贾雅欣;李传峰;弋晓康;吴明清
【作者单位】塔里木大学机械电气化工程学院;塔里木绿洲农业教育部重点实验室(塔里木大学)
【正文语种】中文
【中图分类】S126;TP391;S37
【相关文献】
1.基于PCA-BP神经网络模型的采场底板破坏深度预测方法
2.浅论小学数学教学中德育的渗透
3.基于医学影像图像的深度学习在肝脏语义分割和体积测量中的研究进展
4.基于多模态图像深度学习局部晚期鼻咽癌肿瘤靶体积自动勾画的研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于BP神经网络的木材近红外光谱树种识别
ｔ ｉ ｏ ｎ ／ ／ Ｗａ ｎ ｇ Ｘ ｕ ｅ ｓ ｈ ｕ ｎ ， Ｓ ｕ ｎ Ｙ ｉ ｄ ａ ｎ ，Ｈ ｕ ａ ｎ ｇ Ｍｉ ｎ ｇ ａ ｏ （ Ｂ ｅ ｉ ｊ ｉ ｎ ｇ Ｆ ｏ ｒ ｅ ｓ ｔ ｒ ｙ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｂ ｅ ｉ ｊ ｉ ｎ ｇ １ ０ ０ ０ ８ ３ ，Ｐ ． Ｒ ． Ｃ ｈ ｉ ｎ ａ ） ；Ｈ ｕ ａ ｎ ｇ
（ １ ２ ） ： ８ ２ － ８ ５ ， ８ ９ ．
Ｗｅ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｅ ｄ ｔ ｈ ｅ ｂ ａ ｃ ｋ ｐ ｒ ｏ ｐ ａ ｇ ａ ｔ ｉ ｏ ｎ（ Ｂ Ｐ）ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ ｍｏ ｄ ｅ ｌ ｆ ｏ ｒ ｔ ｉ ｍｂ ｅ ｒ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ｗｉ ｔ ｈ ｔ ｈ ｅ ｄ ａ ｔ ａ ｏ ｆ ｗｏ ｏ ｄ ｎ ｅ ａ ｒ ｉ ｎ — ｌａ ｆ ｒ ｅ ｄ ｓ ｐ ｅ ｃ ｔ ｒ ｕ ｍ． Ｗｅ ｓ ｅ ｌ ｅ ｃ ｔ ｅ ｄ ２ ９ ６ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ｓ ａ ｍｐ ｌ ｅ ｓ ｏ ｆ Ｅｕ ｃ ａ ｌ ｙ ｐ ｔ ｕ ｓ ｗ ｏ ｏ ｄ．ｐ ｏ ｐ ｌ ａ ｒ ，ｌ ａ ｒ ｃ ｈ，Ｐｉ ｎ ｕ ｓ ｍａ ｓ ｓ ｏ ｎ ｉ ａ ｎ ａ，ａ ｎ ｄ Ｍｏ ｎ ｇ ｏ ｌ ｉ ｃ ａ
王 学顺 孙一丹 黄敏高
（ 北 京林 业大 学 ， 北京 ， １ ０ ０ ０ ８ ３ ）
黄安 民
（ 中 国林 业 科 学研 究 院木 材 工 业 研 究 光 谱 数 据 建 立 反 向 传播 （ Ｂ Ｐ ） 神 经 网络 模 型 ， 实现 对木 材 树 种 的 分 类 识 别 。 以桉 木 、 杨树 、 落叶松 、 马尾松 、 樟 子松 ５个树种 的 ２ ９ ６个样本的近红外光谱数据 为研 究对象 ， 运 用主成分 分析对 光谱数据 进行 降维， 并 以 处 理 后 的 主 成 分数 据作 为 分 类模 型 的输 入 变量 ， 分 别 建 立 了 不 同属 的 桉 树 和 杨 树 以及 同属 的 落 叶 松和樟子松 的 Ｂ Ｐ神 经网络二 分类模型 ； 建立 了桉 木 、 杨树 、 落叶松 、 马尾松 、 樟 子松 ５个树 种的 Ｂ Ｐ神经 网络识别 模型， 并利 用遗传算法和粒子 群算法对 ５ 树种分 类模 型进 行优化 。结果显示 ， 对于不 同属 木材 ． Ｂ Ｐ神 经网络模型 树 种识别率可达 １ ０ ０ ％， 对于 同属木材树种识别率也可达 ８ ５ ％以上 ； 对所建立的 ５树种识别模型 ， Ｂ Ｐ神 经网络树种 识别率有 所下降， 但 正确识别率也均可达到 ７ ５ ％以上 ． 经过 遗传 算法和粒 子群算 法对模 型的优化 ， 木材树 种平均 识别率可分别达到 ８ ４ ％和 ８ ７ ％以上 ， 表 明遗传算 法和 粒子群算 法可以有 效提 高木材树种识 别率 。 关键 词 近红外光谱 ； 木材树 种识别 ； Ｂ Ｐ神经 网络 ； 遗传 算法 ； 粒子群算法
基于BP神经网络隧洞施工安全评价模型
基于BP神经网络隧洞施工安全评价模型
王醒;吴向男;马斌;解伟峰
【期刊名称】《黑龙江交通科技》
【年(卷),期】2015(000)009
【摘要】为了研究隧洞施工安全评价方法，以某正在施工的隧洞为背景，确定了24个安全评价指标，设计了隧洞施工的多层前馈BP神经网络结构，建立了较为完善的基于BP神经网络的隧洞施工安全评价体系模型，并验证了其实用性。
对背景工程进行了施工安全评价，评价结果与工地实地考察结果一致，说明所建立的隧洞施工安全评价模型的有效性和实用性。
【总页数】4页(P79-82)
【作者】王醒;吴向男;马斌;解伟峰
【作者单位】金钼股份有限责任公司;西安理工大学;西安理工大学;陕西核工业215医院
【正文语种】中文
【中图分类】U442
【相关文献】
1.基于EM-BP神经网络的财务绩效评价模型的构建与检验 [J], 王艾娟
2.基于BP神经网络的旅游资源评价模型分析 [J], 刘燕威
3.基于博弈论组合赋权的水工隧洞TBM施工地质适宜性评价模型 [J], 景耀斌;顾伟红;翟强
4.基于BP神经网络的高足弓异常程度评价模型的构建 [J], 王新亭;王琪;徐聃弟;邱
念;任建平
5.基于K-means聚类和BP神经网络的大学生体质类型评价模型 [J], 郝霖霖因版权原因，仅展示原文概要，查看原文内容请购买。
基于BP神经网络的变形监测数据处理与分析
性 观测 ， 积累了变形观测数据 。 但 由于条件的限制与人 为的疏忽 ． 观测 资料 的保存 、 分析及利用还不很 完善 ． 又 因为观测数据 自 身 所隐含 的 形变信息不能直接获得 ．所以必须对观测资料做仔 细地 分析与挖掘 ． 才能更好地对变形做 出正确的预测。 因此对观测数据做 出正确分析和 处理 、 建立合理的预报模型是十分必要 的。本文基于 Ｂ Ｐ 神经网络 ． 以 济南幸福逸居住宅楼为例进行了相关 的数 据处理 与分析
ｎ ｅ ｔ ． ｔ ｒ ａ ｉ ｎ Ｐａ ｒ ａ ｍ． ｓ ｈ ｏ ｗ＝ ６ ０；
运用这一直线方程 ． 即可根据 已知数字资料来求得 未知数值 １ ． １ ． ２ 数据预处理 在训练 网络前一般需要对数据进行预处理 ． 一种重 要的预处理手 段就是归一化处 理。数据归一化 ， 就是将数据 映射到［ ０ ， １ ］ 或卜１ ， １ １ 区 间或更小 的区间 ， 比如（ ０ ． １ ， ０ ． ９ ） 。详细内容参考相关文献『 １ １ 。 １ ． ２ 模型的建立与实现 １ ． ２ ． １ 网络结构的建 立 在进行 Ｂ Ｐ网络 的设 计时 ． 一般应从 网络 的层 数 、 每层 中的神 经 元个数和激活函数以及 学习速 率等几个方 面来进行考虑 。在 Ｂ Ｐ神经 网络中 ， 增加隐含 层数可以提高计算精度 ， 但 同时使 网络复杂化 ． 从 而 增 加了网络权值 的训 练时间 而误差精度的提高也可以通过隐含层 中 的神经元 数 目 来 获得 ． 其训练效果也 比增加层数更容易观测和调整 Ｈ ｏ ｍ ｉ ｋ 等早已证 明： 若输入 层和输 出层采用 线性转换 函数 ． 隐层采用 ｓ型函数 ． 则含一个隐层 的神经 网络 可以以任意精度逼近任何有理 函 数。 为 了简化模型 ． 提高运算速度 ． 在一个 隐含层 可以完成 函数 的传递 和训练 目的的前提下 ， 选择含一个 隐层 的 ３ 层 网络结构 。一 般地 ． Ｂ Ｐ 网络 的输入变量 即为待分析系统的内生变量（ 影响因子或 自变量） 数． 般根据专业知识确定 。若输入变量较多 ， 一般可通过 主成份分析方 法压减输入变量 ． 也可根据剔除某一变量引起的系统误 差与原系统误 差 的比值 的大小来压减输入变量 输 出变量 即为 系统待分析的外生变 量（ 系统性能指标或因变量 ） ， 可以是一个 ， 也 可以是 多个 。 一般将一个 具有多个输 出的网络模型转化 为多个具有一个输 出的 网络模 型效果 会更好 ， 训练也更方便。经过试验和比对 ， 发 现选择 三个输入 ， 一个输 出的效果较好 １ ． ２ ． ２ 使用 ｎ ｅ ｗ ｆ ｆ 建立 Ｂ Ｐ网络 选择传递 函数分别 为 ｔ ａ ｎ ｓ ｉ ｇ函数和 ｐ ｕ ｒ ｅ ｌ ｉ ｎ 函数 ， 设置 Ｂ ｐ网络的 反 传函数 为 ｔ ｒ ａ ｉ ｎ ｇ ｄ （ 梯度下降的 Ｂ Ｐ算法） 。具体算法 如下 ：
基于BP神经网络的木材质量评价研究
基于BP神经网络的木材质量评价研究近年来随着人们对木材质量要求的不断增高，如何快速、准确地对木材质量进行评价成为了一个热门的研究方向，而基于BP神经网络的木材质量评价研究也逐渐受到越来越多人的重视。
本文将从以下几个方面进行论述：一、神经网络介绍神经网络是指由许多简单的、相互连接的处理单元组成的网络，它能够通过学习自适应地调整连接权值以实现输入输出映射。
在BP神经网络中，输入数据通过一系列的权值和非线性激活函数进行处理，然后产生一个输出结果。
二、木材质量评价木材质量评价是指通过对木材的性质和质量进行测定和分析，得出木材的品质、等级和优劣程度等判断结果。
其主要方法有人工检查和机器检测两种。
传统的人工检查方法存在检测速度慢、不准确等问题，而机器检测方法则可以通过基于BP神经网络的算法，实现对木材质量的快速、准确评价。
三、基于BP神经网络的木材质量评价基于BP神经网络的木材质量评价算法主要包括以下几个步骤：1. 收集木材质量检测数据，并进行标准化处理。
2. 设计BP神经网络结构，包括输入层、隐藏层和输出层，并设置权值和偏置。
3. 将标准化后的数据输入到神经网络中，通过前向传播算法实现输出结果。
4. 通过反向传播算法对权值和偏置进行调整，以使输出结果接近实际值。
5. 对模型进行训练和测试，对其性能进行分析和评估。
四、基于BP神经网络的木材质量评价应用案例目前，基于BP神经网络的木材质量评价已经得到了广泛应用。
比如，在木材颜色质量评价方面，研究者利用BP神经网络建立了颜色质量预测模型，实现对不同类型木材颜色质量的自动分辨和评价。
在木材湿度评价方面，研究者通过采集木材纹理特征和湿度数据，实现了基于BP神经网络的湿度评价算法，可以快速、准确地预测木材湿度值。
五、总结基于BP神经网络的木材质量评价研究已经在实践中得到了广泛的应用。
虽然目前研究领域中还存在一些问题，如样本数据过少、模型误差难以处理等，但随着技术的不断发展和数据的不断积累，相信这种算法将会在木材质量评价领域中发挥越来越大的作用。
基于遗传算法的BP神经网络模型在桩孔质量检测中的应用
２０１８年３月第３４卷第２期㊀沈阳建筑大学学报(自然科学版)ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＪｉａｎｚｈｕＵｎｉｖｅｒｓｉｔｙ(ＮａｔｕｒａｌＳｃｉｅｎｃｅ)㊀Ｍａｒ.㊀２０１８Ｖｏｌ.３４ꎬＮｏ.２㊀㊀收稿日期:２０１７－０５－１７基金项目:国家自然科学基金项目(５１６７８３７３)作者简介:徐启程(１９８０ )ꎬ男ꎬ副教授ꎬ主要从事智能优化算法方面研究.文章编号:２０９５－１９２２(２０１８)０２－０３３３－０８ｄｏｉ:１０.１１７１７/ｊ.ｉｓｓｎ:２０９５－１９２２.２０１８.０２.１６基于遗传算法的ＢＰ神经网络模型在桩孔质量检测中的应用徐启程１ꎬ叶友林２ꎬ孙常春１(１.沈阳建筑大学理学院ꎬ辽宁沈阳１１０１６８ꎻ２.沈阳建筑大学市政与环境工程学院ꎬ辽宁沈阳１１０１６８)摘㊀要目的将改进的神经网络模型应用于钻孔灌注桩桩孔质量的智能化识别ꎬ从而减少人为的误判㊁漏判情况.方法将遗传算法与神经网络模型有机地结合起来ꎬ建立桩孔质量检测的智能化模型ꎬ先利用遗传算法对神经网络的权值和阈值进行优化ꎬ再结合训练完成的神经网络模型对桩孔质量进行预测ꎬ同时根据现场数据建立三维分析图ꎬ通过预测结果与三维分析图的比对来验证模型的准确性.结果测试样本的仿真误差为０ ００５７５ꎬ训练样本的仿真误差为０ ０２２４ꎻ５㊁６号桩孔的预测结果为(０ ００１２ꎬ０ ９９９９)ꎬ(０ ００２７ꎬ０ ００５１)ꎬ即５号桩质量为合格ꎬ６号桩质量为良好.结论通过预测结果与三维分析图的比对结果ꎬ可以得出基于遗传算法的神经网络模型能够较好地对孔灌注桩进行智能判别.关键词桩基检测ꎻ遗传算法ꎻ神经网络模型ꎻ阈值ꎻ三维分析模型中图分类号ＴＵ４７３.１㊀㊀㊀文献标志码Ａ㊀㊀㊀ＡｐｐｌｉｃａｔｉｏｎｏｆＢＰＮｅｕｒａｌＮｅｔｗｏｒｋＭｏｄｅｌＢａｓｅｄｏｎＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍｉｎＰｉｌｅＱｕａｌｉｔｙＩｎｓｐｅｃｔｉｏｎＸＵＱｉｃｈｅｎｇ１ꎬＹＥＹｏｕｌｉｎ２ꎬＳＵＮＣｈａｎｇｃｈｕｎ１(１.ＳｃｈｏｏｌｏｆＳｃｉｅｎｃｅꎬＳｈｅｎｙａｎｇＪｉａｎｚｈｕＵｎｉｖｅｒｓｉｔｙꎬＳｈｅｎｙａｎｇꎬＣｈｉｎａꎬ１１０１６８ꎻ２.ＳｃｈｏｏｌｏｆＭｕｎｉｃｉｐａｌａｎｄＥｎｖｉｒｏｎ￣ｍｅｎｔａｌＥｎｇｉｎｅｅｒｉｎｇꎬＳｈｅｎｙａｎｇＪｉａｎｚｈｕＵｎｉｖｅｒｓｉｔｙꎬＳｈｅｎｙａｎｇꎬＣｈｉｎａꎬ１１０１６８)Ａｂｓｔｒａｃｔ:Ｉｎｔｈｉｓｐａｐｅｒꎬｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｂａｓｅｄｏｎｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｒｅａｌｉｚｅｔｈｅｉｎｔｅｌｌｉｇｅｎｔｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｐｉｌｅｈｏｌｅｑｕａｌｉｔｙｏｆｂｏｒｅｄｐｉｌｅꎬｓｏａｓｔｏｒｅｄｕｃｅｔｈｅｈｕｍａｎｍｉｓｊｕｄｇｍｅｎｔａｎｄｏｍｉｓｓｉｏｎ.Ｔｈｉｓｐａｐｅｒａｄｏｐｔｓｔｈｅｍｅｔｈｏｄｏｆｃｏｍｂｉｎｉｎｇｔｈｅｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｗｉｔｈｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｔｏｅｓｔａｂｌｉｓｈｔｈｅｉｎｔｅｌｌｉｇｅｎｔｍｏｄｅｌｏｆｐｉｌｅｈｏｌｅｑｕａｌｉｔｙｄｅｔｅｃｔｉｏｎ.ＦｉｒｓｔｌｙꎬｔｈｅｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｏｐｔｉｍｉｚｅｔｈｅｗｅｉｇｈｔｓａｎｄｔｈｒｅｓｈｏｌｄｓｏｆｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋꎬａｎｄｔｈｅｎｔｈｅｎｅｕｒａｌＴｈｅｎｅｔｗｏｒｋｍｏｄｅｌｉｓｕｓｅｄｔｏｐｒｅｄｉｃｔｔｈｅｑｕａｌｉｔｙｏｆｔｈｅｐｉｌｅｈｏｌｅꎬａｎｄｔｈｅｔｈｒｅｅ￣ｄｉｍｅｎｓｉｏｎａｌａｎａｌｙ￣ｓｉｓｃｈａｒｔｉｓｅｓｔａｂｌｉｓｈｅｄａｃｃｏｒｄｉｎｇｔｏｔｈｅｆｉｅｌｄｄａｔａ.Ｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｍｏｄｅｌｉｓｖｅｒｉｆｉｅｄｂｙｔｈｅｃｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｔｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔａｎｄｔｈｅｔｈｒｅｅ￣ｄｉｍｅｎｓｉｏｎａｌａｎａｌｙｓｉｓ.Ａｓａｒｅｓｕｌｔꎬｔｈｅｓｉｍｕ￣ｌａｔｉｏｎｅｒｒｏｒｏｆｔｈｅｔｅｓｔｓａｍｐｌｅｉｓ０ ００５７５ꎬａｎｄｔｈｅｓｉｍｕｌａｔｉｏｎｅｒｒｏｒｏｆｔｈｅｔｒａｉｎｉｎｇｓａｍｐｌｅｉｓ３３４㊀沈阳建筑大学学报(自然科学版)第３４卷０ ０２２４１.ＡｎｄｔｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆＮｏ ５ꎬ６ｐｉｌｅａｒｅｃｏｄｅｄａｓ(０ ００１２ꎬ０ ９９９９)ꎬ(０ ００２７ꎬ０ ００５１).ＡｃｃｏｒｄｉｎｇｔｏｔｈｅｒｅｓｕｌｔｏｆｃｏｄｉｎｇꎬｉｔｃａｎｂｅｃｏｎｃｌｕｄｅｄｔｈａｔＮｏ ５ｐｉｌｅｉｓｑｕａｌｉｆｉｅｄａｎｄＮｏ ６ｐｉｌｅｉｓｇｏｏｄ.Ｃｏｎｃｌｕｓｉｏｎ:Ｂａｓｅｄｏｎｔｈｅｃｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｔｈｅｐｒｅｄｉｃｔｅｄｒｅｓｕｌｔｓａｎｄｔｈｅｔｈｒｅｅ￣ｄｉｍｅｎｓｉｏｎａｌａｎａｌｙｓｉｓꎬｉｔｃａｎｂｅｃｏｎｃｌｕｄｅｄｔｈａｔｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｂａｓｅｄｏｎｇｅｎｅｔｉｃａｌ￣ｇｏｒｉｔｈｍｃａｎｉｎｔｅｌｌｉｇｅｎｔｌｙｄｉｓｃｒｉｍｉｎａｔｅｔｈｅｐｉｌｅ￣ｐｉｌｅｓ.Ｋｅｙｗｏｒｄｓ:ｐｉｌｅｆｏｕｎｄａｔｉｏｎｉｎｓｐｅｃｔｉｏｎꎻｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍꎻｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌꎻｔｈｒｅｓｈｏｌｄｖａｌｕｅꎻｔｈｒｅｅ￣ｄｉｍｅｎｓｉｏｎａｌａｎａｌｙｓｉｓｍｏｄｅｌ㊀㊀随着我国现代化建设的加快ꎬ大型桥梁㊁高层建筑㊁海上作业平台等大量兴建ꎬ而桩基作为结构主体最基础的部分ꎬ其质量的好坏不仅关系到建筑结构的使用年限ꎬ更关系到人们的生命财产[１－４].根据现场资料显示ꎬ桩孔灌注桩是地下工程中最常见的结构基础ꎬ根据现场施工阶段的不同ꎬ可以分为成孔和钻孔内灌注混凝土两阶段ꎬ而成孔质量的好坏直接影响到桩基的质量.如何根据现场采集到孔槽的数据去智能化评判孔槽的质量ꎬ国内外学者进行了大量的研究[５－８].江幸莲等[９]提出了一种基于小波分析的桩基低应变检测方法ꎻ在此基础上ꎬ潘冬子[１０]通过现场测试提出小波分析和神经网络相结合的方法ꎬ这些研究多是集中在桩基的承载力方面ꎬ对形成问题桩的原因研究相对较少.基于此ꎬ笔者针对钻孔灌桩在成孔阶段一些质量问题进行分析ꎬ通过现场采集的实测数据ꎬ来对成孔质量的进行智能化分类ꎬ然后根据分类结果来跟实际结果进行对比ꎬ对比得出５号桩质量为合格ꎬ６号桩质量为良好.通过实际的三维建模ꎬ可以发现在５号桩的１０ｍ左右桩基平面出现了一定程度的错位ꎬ这也验证了模拟结果的正确性.１㊀基于遗传算法的神经网络算法和模型的建立１.１㊀遗传算法遗传算法是由Ｈｏｌｌａｎｄ教授提出的随机搜索算法ꎬ该算法借鉴了生物界的遗传机制和自然选择的基本思想.因其在处理传统搜索算法难以解决的优化问题上的优势ꎬ又由于计算机技术的发展ꎬ使得该算法在传统优化问题㊁信号处理㊁机器学习等领域得到了广泛的应用[１１].遗传算法虽然具有全局搜索能力强㊁自动化程度高等优点ꎬ但是也存在一些问题ꎬ比如对量级较大的数据处理存在一定的难度ꎬ并且要想得到确定的方程解需要对编码进行改进[１２－１３].基于此ꎬ笔者采用Ｓｈｅｆ￣ｆｉｅｌｄ遗传算法工具箱来进行优化算法设计.１.２㊀神经网络ＢＰ神经网络算法是由Ｒｕｍｅｌｈａｒｔ根据人脑活动提出的一种前馈神经网络模型[１４].对于一些常规方法解决效果不佳以及不能用确定的关系去定量表述的系统ꎬ神经网络就显现出了它的优越性ꎬ该算法不依赖具体公式ꎬ而是针对数据的特征来对网络进行训练ꎬ因而在地下工程㊁桥梁抗风试验中得到了广泛的应用[１５－１７].神经网络由输入层㊁中间层㊁输出层三部分组成ꎬ根据输出结果与实际结果的比较来对权值和阈值进行调整ꎬ从而达到反馈调整的目的.神经网络拓扑结构如图１所示.图１㊀神经网络拓扑结构图Ｆｉｇ １㊀Ｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｐｏｌｏｇｙｄｉａｇｒａｍ第２期徐启程等:基于遗传算法的ＢＰ神经网络模型在桩孔质量检测中的应用３３５㊀神经网络的学习大概分为两个阶段:一是输入样本进行网络训练ꎻ二是输入测试样本进行预测分析.其学习过程如下.假设第ｎ次学习输出层的第ｊ个单元输出ｙｊ(ｎ)和期望输出ｄｊ(ｎ)ꎬ它们之间存在误差为ｅｊ(ｎ)＝ｄｊ(ｎ)－ｙｊ(ｎ).(１)这样可以得出输入层的瞬时误差值为Ｅ(ｎ)＝１２ðｊɪｃｅ２ｊ(ｎ).(２)Ｃ代表所有的输出单元ꎬ训练样本误差的均值为Ｅａｖｇ＝１ＮðＮｎ＝１Ｅ(ｎ).(３)神经网络训练的目的就是使Ｅａｖｇ达到最小.若记ｖｊ(ｎ)＝ðＰｉ＝０ｗｊｉ(ｎ)ｙｉ(ｎ)ꎬＰ为单元ｊ输入个数ꎬ则ｙｊ(ｎ)＝φｊ(ｖｊ(ｎ))ꎬ求Ｅ(ｎ)对ｗｊｉ的梯度为∂Ｅ(ｎ)∂ｗｊｉ(ｎ)＝∂Ｅ(ｎ)∂ｅｊ(ｎ)∂ｅｊ(ｎ)∂ｙｊ(ｎ)∂ｙｊ(ｎ)∂ｖｊ(ｎ)∂ｖｊ(ｎ)∂ｗｊｉ(ｎ).(４)其中ꎬ∂Ｅ(ｎ)∂ｅｊ(ｎ)＝ｅｊ(ｎ)ꎬ∂ｅｊ(ｎ)∂ｙｊ(ｎ)＝－１ꎬ∂ｙｊ(ｎ)∂ｖｊ(ｎ)＝φᶄｊ(ｖｊ(ｎ))ꎬ∂ｖｊ(ｎ)∂ｗｊｉ(ｎ)＝ｙｊ(ｎ).㊀㊀式(４)则可转变成:∂Ｅ(ｎ)∂ｗｊｉ(ｎ)＝－ｅｊ(ｎ)φᶄｊ(ｖｊ(ｎ))ｙｉ(ｎ).(５)权值ｗｊｉ的修正量为㊀㊀Δｗｊｉ(ｎ)＝－η∂Ｅ(ｎ)∂ｗｊｉ(ｎ)＝－ηδｊ(ｎ)ｙｉ(ｎ)ꎬ(６)δｊ(ｎ)＝－∂Ｅ(ｎ)∂ｅｊ(ｎ)∂ｅｊ(ｎ)∂ｙｊ(ｎ)∂ｙｊ(ｎ)∂ｖｊ(ｎ)＝ｅｊ(ｎ)φᶄｊ(ｖｊ(ｎ)).(７)δｊ(ｎ)为局部梯度.通过两种情况分别讨论.当输出单元ｊ为一个单元时δｊ(ｎ)＝(ｄ(ｎ)－ｙｊ(ｎ))φᶄｊ(ｖｊ(ｎ)).(８)当输出单元ｊ为隐单元时δｊ(ｎ)＝∂Ｅ(ｎ)∂ｙｊ(ｎ)φᶄｊ(ｖｊ(ｎ)).(９)当ｋ为输入单元时ꎬ则Ｅ(ｎ)＝１２ðｋɪｃｅ２ｋ(ｎ).(１０)将Ｅ(ｎ)对ｙｊ(ｎ)求导ꎬ可以得出:∂Ｅ(ｎ)∂ｙｊ(ｎ)＝ðｎｉ＝ｋｅｋ(ｎ)∂ｅｋ(ｎ)∂ｙｊ(ｎ)＝ðｎｉ＝ｋｅｋ(ｎ)∂ｅｋ(ｎ)∂ｖｋ(ｎ)∂ｖｋ(ｎ)∂ｙｊ(ｎ).(１１)由于ｅｋ(ｎ)＝ｄｋ(ｎ)－ｙｋ(ｎ)＝ｄｋ(ｎ)－φｋ(ｖｋ(ｎ))ꎬ所以∂ｅｋ(ｎ)∂ｖｋ(ｎ)＝－φᶄ(ｖｋ(ｎ)).(１２)其中ꎬｖｋ(ｎ)＝ðｑｊ＝０ｗｋｊ(ｎ)ｙｊ(ｎ)ꎬ表示ｋ单元输出端个数.求导可得:∂Ｅ(ｎ)∂ｙｊ(ｎ)＝－ðｎｉ＝ｋｅｋ(ｎ)ρᶄ(ｖｋ(ｎ))ｗｋｊ(ｎ)＝－ðｎｉ＝ｋδｋ(ｎ)ｗｋｊ(ｎ).(１３)于是ꎬδｊ(ｎ)＝ρᶄｊ(ｖｊ(ｎ))ðｎｉ＝ｋδｋ(ｎ)ｗｋｊ(ｎ).(１４)可以总结为Δｗｉｊ＝η δｊ(ｎ) ｙｊ(ｎ)(１５)式中:Δｗｉｊ为权值修正值ꎻη为学习步长ꎻδｊ(ｎ)为局部梯度ꎻｙｊ(ｎ)为单元的输入信号.通过分析发现ꎬ神经网络的网络结构㊁初始连接权值和阈值的选择对网络训练影响非常大ꎬ但是又无法准确获得ꎬ针对这些特点可以采用遗传算法对神经网络进行优化.笔者建立的遗传算法模型的流程图如图２所示.３３６㊀沈阳建筑大学学报(自然科学版)第３４卷图２㊀遗传算法模型的流程图Ｆｉｇ ２㊀Ｆｌｏｗｃｈａｒｔｏｆｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｍｏｄｅｌ２㊀钻孔灌注桩形成原因分析钻孔灌注桩是建筑工程中常见的基桩形式之一ꎬ它的作用是将上部建筑结构的荷载传递到深层稳定土层中和岩石层上ꎬ减少上部建筑结构的不均匀沉降[１８－２０].钻孔灌注桩的施工分为成孔和向钻孔内灌注混凝土两个阶段.第一阶段的成孔作业是在地下并配合注水完成ꎬ因此质量控制难度大ꎬ有时复杂的地质条件易引起施工中的失误ꎬ最后可能导致成孔直径大小不一ꎬ成孔沿重力方向发生倾斜㊁成孔底部沉渣过厚等问题.第一阶段成孔质量的好坏直接影响到基桩质量.如果成孔有缩颈现象ꎬ则基桩的侧摩阻力和底部端承力降低ꎻ如果有扩径现象产生ꎬ则桩基的局部侧摩阻力增大ꎬ而其他部分侧摩阻力得不到充分发挥ꎬ易导致局部应力集中ꎬ发生破坏效应ꎻ同时如果成孔孔径偏大ꎬ基桩的混凝土灌注量增加ꎬ费用提高ꎬ造成不必要的浪费.成孔的孔斜会改变桩基竖向受力的特性ꎬ减弱了基桩竖向承载力的有效发挥ꎻ同时给周围土层施加了一定程度的剪切力.因为土的抗剪特性一般较低ꎬ成孔孔斜过大容易带来上部建筑结构的安全隐患ꎬ并且还可能造成吊放钢筋笼困难㊁塌孔㊁钢筋保护层厚度不足等施工质量问题.成孔孔径和孔斜是保证钻孔灌注桩施工质量的两项重要指标ꎬ因此ꎬ在第一阶段钻孔作业完成后ꎬ立即进行成孔孔径和孔斜的检测十分必要.此外ꎬ如果成孔底部沉渣过厚ꎬ会使基桩桩长减小ꎬ降低基桩的竖向承载力ꎬ尤其是对以底部端承力为主的基桩ꎬ该问题更为突出.成孔底部沉渣过厚还有可能导致基桩之间产生不均匀沉降ꎬ进而带来上部建筑结构的安全隐患.因此ꎬ在第一阶段成孔作业完成并进行第一次清孔后ꎬ也应立即进行成孔底部沉渣厚度的检测ꎻ甚至在下放钢筋笼ꎬ并进行第二次清孔后ꎬ还可以再进行一次成孔底部沉渣厚度的检测.３㊀工程案例分析笔者于２０１６年参与上海市某商业楼的桩基施工部分ꎬ该工程采用钻孔灌注桩来承载主体结构ꎬ该钻孔灌注桩的设计桩径为８５０ｍｍꎬ设计孔深为１７ ５ｍꎬ现场采用泥浆护臂的施工工艺来进行钻孔ꎬ在该桩基成孔后由检测人员采用差动线圈无触点测量法ꎬ通过测量臂的位移带动差动线圈产生的感应电位差来测量并记录钻孔检测的数据.笔者选取了其中比较具有代表性的六组桩径数据进行分析ꎬ测得数据如表１所示.由于现场各个孔径有一定的差别ꎬ所以需要对现场采集的数据进行归一化处理ꎬ以便于更加直观地对偏差比较大的桩径进行判断.笔者结合现行规范和遗传算法的二进制编码原则ꎬ根据不同桩径特征来进行编码(见表２)ꎬ选取其中６组桩径进行计算ꎬ现场技术人员由实测数据ꎬ最后把前４组数据作为训练样本ꎬ编码分别为(０ꎬ０)ꎬ(１ꎬ０)ꎬ(０ꎬ０)ꎬ(０ꎬ０).后２组数据作为测试样本ꎬ它们的二进制编码分别为(０ꎬ０)ꎬ(１ꎬ０).先通过前４组数据和编码的结果对系统进行训练ꎬ然后把后两组桩径数据输入已经训练好的系第２期徐启程等:基于遗传算法的ＢＰ神经网络模型在桩孔质量检测中的应用３３７㊀表１㊀钻孔灌注桩孔径随深度的变化数据Ｔａｂｌｅ１㊀Ｄａｔａｏｆｂｏｒｅｈｏｌｅｖａｒｉａｔｉｏｎｗｉｔｈｄｅｐｔｈｏｆｂｏｒｅｄｐｉｌｅ深度/ｍ１号桩孔径/ｍｍ２号桩孔径/ｍｍ３号桩孔径/ｍｍ４号桩孔径/ｍｍ５号桩孔径/ｍｍ６号桩孔径/ｍｍ１.３０８６９６６１８６１１１０８８３１６６６２.３０８６６６５９８５８８７１８７３６５９３.３０８８２６６７８７４８８３８５３６５７４.３０８９１６６６８８３８６６８１５６５０５.６１８６６６６０８５８８７０８４２６６３６.９１８６５６６５８５７８９７８５７６８４７.２３８５４６５６８４７８６６８４７６７２８.２７８９４６５８８８６８８１８５５６５９９.４８８９５６５１８８７９０８８３７６６１１０.６８８６３６５９８５５８８４８４３６５９１１.８０８６９７０４８６１８８２８７０６８９１２.１９８６７６８７８６０８７４８４５６７５１３.４０８７６６８４８６９９１３８４８６４８１４.１０８６８６８０８６０９２６８３１６２３１５.５２８６８６５７８６１９３０８３６６２３１６.９６８７０６５６８６２９２４８４１６２３１７.８０８７０６４８８６３９２３８４６６２３１８.１１８６４６５５８５７８９２８４６６５６１９.０６８６５６３５８５７８８８８４９６５７２０.６８８６６６５６８５９８８７８５０６５６表２㊀不同情况下孔径的二进制编码Ｔａｂｌｅ２㊀Ｂｏｒｅｃｏｄｉｎｇｏｆａｐｅｒｔｕｒｅｉｎｄｉｆｆｅｒｅｎｔｓｉｔｕａｔｉｏｎｓ孔径特征结果二进制编码孔径最小值不小于设计桩径值ꎬ平均孔径值不大于设计桩径值的１ １倍ꎬ孔径最大值不大于设计桩径值的１ ３倍ꎬ无明显的扩径或坍塌现象良好(０ꎬ０)孔径最小值不小于设计桩径值ꎬ局部存在明显的扩径或坍塌现象合格(０ꎬ１)孔径最小值小于设计桩径值不合格(１ꎬ０)统ꎬ最后得出编码结果与实测得出的结论进行比较.如果结果一致ꎬ说明该方法的正确性ꎬ然后再建立桩孔的三维分析图来对上述的结论进行进一步的验证ꎬ并且可以非常直观对检测人员给出的结果进行判断ꎻ如果不一致ꎬ这也证明了这一方法有待进一步研究㊀㊀而对于神经网络部分ꎬ输入层神经元个数设为２０ꎬ而中间层神经元个数设计为４１ꎬ最后的输出层为两列的二进制编码ꎬ所以神经网络的拓扑结构为２０ ４１ ２ꎬ对于建立好的三层网络结构ꎬ需要预先的估算出权值和阈值的个数ꎬ这样便于遗传算法对权值和阈值的优化ꎬ避免因遗传算法的参数选取不合适而陷入长时间循环中ꎬ这里需要优化的权值个数为１０４个ꎬ需要优化的阈值数量为４３个ꎬ进而可以设计出遗传算法的具体参数如表３所示３３８㊀沈阳建筑大学学报(自然科学版)第３４卷表３㊀遗传算法运行参数设定Ｔａｂｌｅ３㊀Ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｏｐｅｒａｔｉｎｇｐａｒａｍｅｔｅｒｓ种群大小最大遗传代数变量的二进制位数交叉概率变异概率代沟４０５０１００ ７０ ０１０ ９５４㊀结果分析笔者根据现场测得的数据ꎬ先把训练样本输入建立的系统ꎬ通过遗传算法对神经网络的权值和阈值进行优化ꎬ待训练误差满足要求后ꎬ再对测试样本进行分析ꎬ最后可以得出五号桩和六号桩的预测二进制编码结果分别为(０ ００１２ꎬ０ ９９９９)ꎬ(０ ００２７ꎬ０ ００５１)ꎬ并把预测结果与表２中二进制编码进行比较ꎬ可以发现５㊁６号桩比较接近二进制编码(０ꎬ１)㊁(０ꎬ０)ꎬ而且测试样本的仿真误差为０ ００５７５ꎬ训练样本的仿真误差为０ ０２２４１.所以５号桩为合格桩ꎬ６号桩为良好桩.误差变化随遗传代数之间的关系的进化过程和拟合的回归曲线如图３所示.图３㊀遗传算法优化神经网络模型的结果Ｆｉｇ ３㊀Ｔｈｅｍｏｄｅｌｒｅｓｕｌｔｓｏｆｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｔｏｏｐｔｉｍｉｚｅｎｅｕｒａｌｎｅｔｗｏｒｋ㊀㊀根据采集的钻孔灌注桩桩孔的方位㊁臂角度㊁臂距离随着深度变化采集的数据来建立三维分析模型和孔直径随孔深建立的模型ꎬ这样便于做出更为直接分析ꎬ从而分析出传统方式由质检人员靠经验分析而带来的误判ꎬ并且从侧面也验证了建立的基于遗传算法的神经网络模型正确性.三维分析结果如图４所示.图４(ｂ)中左边的曲线中蓝线和绿线代表从桩孔的立面测得桩径边缘线随深度的变化曲线ꎬ蓝线和绿线中间的红线代表了桩的中心线随深度的变化曲线桩径边缘线随深度的变化曲线ꎻ同理ꎬ右边三条曲线中的红线代表了桩孔正面测得的桩径边缘线随深度的变化曲线ꎬ中间蓝线代表了桩的中心线随深度的变化曲线桩径边缘线随深度的变化曲线.从图３可以看出ꎬ大概在２８代左右时ꎬ误差开始趋于稳定ꎬ约为０ ００５７５ꎬ从误差值的大小可知模型设置的遗传算法的参数是合理的ꎬ由Ｒ＝０ ９９９８３可以反映出拟合效果非常好.从图４建立的三维分析模型ꎬ可看出桩孔的桩径和桩的中心线随桩孔深度的变化关系ꎬ大约在１０ｍ的位置桩径发生了较小的错位ꎬ但是对桩的中心线影响不大ꎬ在一定程度上不会影响桩的受力性能ꎬ这也从侧面验证了建立模型的正确性.第２期徐启程等:基于遗传算法的ＢＰ神经网络模型在桩孔质量检测中的应用３３９㊀图４㊀三维分析结果Ｆｉｇ ４㊀Ｔｈｅｒｅｓｕｌｔｓｏｆｔｈｒｅｅ￣ｄｉｍｅｎｓｉｏｎａｌａｎａｌｙｓｉｓ５㊀结㊀论(１)通过预测结果与三维分析图的比对结果ꎬ可以得出基于遗传算法的神经网络模型能够较好的对孔灌注桩进行智能判别.(２)对不同角度桩径大小的分析可知ꎬ用桩径边缘线的中间值代表桩孔的中轴线ꎬ中轴线的变化趋势在一定程度上反映了桩基承载能力的大小ꎬ从而可以从侧面判定桩的类别ꎬ在实际工程中具有重要的指导意义.参考文献[１]㊀张金勇.市政桥梁桩基施工中反循环钻成孔施工技术[Ｊ].城市建设理论研究ꎬ２０１７(２２):１６６.(ＺＨＡＮＧＪｉｎｙｏｎｇ.Ｒｅｖｅｒｓｅｃｉｒｃｕｌａｔｉｏｎｄｒｉｌｌｉｎｇｃｏｎｓｔｒｕｃｔｉｏｎｔｅｃｈｎｏｌｏｇｙｉｎｍｕｎｉｃｉｐａｌｂｒｉｄｇｅｐｉｌｅｆｏｕｎｄａｔｉｏｎｃｏｎｓｔｒｕｃｔｉｏｎ[Ｊ].Ｕｒｂａｎｃｏｎ￣ｓｔｒｕｃｔｉｏｎｔｈｅｏｒｙｒｅｓｅａｒｃｈꎬ２０１７(２２):１６６.)[２]㊀廖秀宇ꎬ韦猛ꎬ李奉霖.地质雷达检测桥梁桩基孔底的技术方法及应用[Ｊ].路基工程ꎬ２０１６(４):２２３－２２６.(ＬＩＡＯＸｉｕｙｕꎬＷＥＩＭｅｎｇꎬＬＩＦｅｎｇｌｉｎ.Ｔｅｃｈｎｉ￣ｃａｌｍｅｔｈｏｄａｎｄａｐｐｌｉｃａｔｉｏｎｏｆＧＰＲｄｅｔｅｃｔｉｏｎｏｎｈｏｌｅｂｏｔｔｏｍｏｆｂｒｉｄｇｅｐｉｌｅｆｏｕｎｄａｔｉｏｎ[Ｊ].Ｓｕｂｇｒａｄｅｅｎｇｉｎｅｅｒｉｎｇꎬ２０１６(４):２２３－２２６.)[３]㊀王端ꎬ周志军ꎬ吕彦达ꎬ等.湿陷性黄土中成孔方式对桩基承载力影响试验研究[Ｊ].岩土力学ꎬ２０１５ꎬ３６(１０):２９２７－２９３３.(ＷＡＮＧＤｕａｎꎬＺＨＯＵＺｈｉｊｕｎꎬＬüＹａｎｄａꎬｅｔａｌ.Ａｎｅｘｐｅｒｉｍｅｎｔａｌｓｔｕｄｙｏｆｉｎｆｌｕｅｎｃｅｏｆｄｒｉｌｌｉｎｇｍｅｔｈｏｄｏｎｔｈｅｂｅａｒｉｎｇｃａｐａｃｉｔｙｏｆｐｉｌｅｆｏｕｎｄａｔｉｏｎｉｎｃｏｌｌａｐｓｉｂｌｅｌｏｅｓｓａｒｅａ[Ｊ].Ｒｏｃｋａｎｄｓｏｉｌｍｅｃｈａｎｉｃｓꎬ２０１５ꎬ３６(１０):２９２７－２９３３.)[４]㊀宇德忠ꎬ程培峰ꎬ季成ꎬ等.岛状多年冻土地区桥梁桩基回冻后承载力的静载与动测对比试验研究[Ｊ].岩石力学与工程学报ꎬ２０１５ꎬ３４(增刊１):２８４５－２８５３.(ＹＵＤｅｚｈｏｎｇꎬＣＨＥＮＧＰｅｉｆｅｎｇꎬＪＩＣｈｅｎｇꎬｅｔａｌ.Ｓｔａｔｉｃａｎｄｄｙｎａｍｉｃｃｏｎｔｒａｓｔｔｅｓｔｆｏｒｂｅａｒ￣ｉｎｇｃａｐａｃｉｔｙｏｆｒｅｆｒｏｚｅｎｂｒｉｄｇｅｐｉｌｅｆｏｕｎｄａｔｉｏｎｉｎｐａｔｃｈｙｐｅｒｍａｆｒｏｓｔｒｅｇｉｏｎｓ[Ｊ].Ｃｈｉｎｅｓｅｊｏｕｒ￣ｎａｌｏｆｒｏｃｋｍｅｃｈａｎｉｃｓａｎｄｅｎｇｉｎｅｅｒｉｎｇꎬ２０１５ꎬ３４(Ｓ１):２８４５－２８５３.)[５]㊀王立峰.盾构施工对桩基的影响及桩基近邻度划分[Ｊ].岩土力学ꎬ２０１４ꎬ３５(增刊２):３１９－３２４.(ＷＡＮＧＬｉｆｅｎｇ.Ｓｈｉｅｌｄｃｏｎｓｔｒｕｃｔｉｏｎｉｎｆｌｕｅｎｃｅｓｏｎｐｉｌｅｓａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆａｄｊａｃｅｎｔｐｉｌｅｄｅ￣ｇｒｅｅ[Ｊ].Ｒｏｃｋａｎｄｓｏｉｌｍｅｃｈａｎｉｃｓꎬ２０１４ꎬ３５(Ｓ２):３１９－３２４.)[６]㊀李志伟.软土地基邻近堆载对桥梁桩基偏位的影响研究[Ｊ].岩土力学ꎬ２０１３ꎬ３４(１２):３５９４－３６００.(ＬＩＺｈｉｗｅｉ.Ｓｔｕｄｙｏｆｉｎｆｌｕｅｎｃｅｏｆｓｕｒｃｈａｒｇｅｌｏａｄｏｎｌａｔｅｒａｌｄｉｓｐｌａｃｅｍｅｎｔｏｆｂｒｉｄｇｅｐｉｌｅｄｆｏｕｎｄａｔｉｏｎｉｎｓｏｆｔｇｒｏｕｎｄ[Ｊ].Ｒｏｃｋａｎｄｓｏｉｌｍｅｃｈａｎｉｃｓꎬ２０１３ꎬ３４(１２):３５９４－３６００.)[７]㊀李永波ꎬ张鸿儒ꎬ全克江ꎬ等.冻融条件下模型桩基水平动力试验研究[Ｊ].岩土力学ꎬ２０１２ꎬ３３(２):４３３－４３８.(ＬＩＹｏｎｇｂｏꎬＺＨＡＮＧＨｏｎｇｒｕꎬＱＵＡＮＫｅ￣ｊｉａｎｇꎬｅｔａｌ.Ｅｘｐｅｒｉｍｅｎｔａｌｓｔｕｄｙｏｆｍｏｄｅｌｐｉｌｅｆｏｕｎｄａｔｉｏｎｓｕｎｄｅｒｌａｔｅｒａｌｄｙｎａｍｉｃｌｏａｄｉｎｆｒｏ￣ｚｅｎａｎｄｔｈａｗｅｄｓｏｉｌｓ[Ｊ].Ｒｏｃｋａｎｄｓｏｉｌｍｅ￣ｃｈａｎｉｃｓꎬ２０１２ꎬ３３(２):４３３－４３８.)[８]㊀章荣军ꎬ郑俊杰ꎬ丁烈云ꎬ等.成孔切槽引起邻近桩基沉降规律及控制措施[Ｊ].华中科技大学学报(自然科学版)ꎬ２０１１ꎬ３９(４):１１４－１１８.３４０㊀沈阳建筑大学学报(自然科学版)第３４卷(ＺＨＡＮＧＲｏｎｇｊｕｎꎬＺＨＥＮＧＪｕｎｊｉｅꎬＤＩＮＧＬｉｅｙｕｎꎬｅｔａｌ.Ａｄｄｉｔｉｏｎａｌｓｅｔｔｌｅｍｅｎｔｉｎｄｕｃｅｄｂｙｈｏｌｅ￣ｂｏｒｉｎｇａｎｄｇｒｏｏｖｅｓｏｎａｎａｄｊａｃｅｎｔｐｉｌｅｆｏｕｎｄａｔｉｏｎａｎｄｉｔｓｃｏｎｔｒｏｌ[Ｊ].Ｊｏｕｒｎａｌｏｆｈｕａ￣ｚｈｏｎｇｕｎｉｖｅｒｓｉｔｙｏｆｓｃｉｅｎｃｅａｎｄｔｅｃｈｎｏｌｏｇｙ(ｎａｔｕｒａｌｓｃｉｅｎｃｅｅｄｉｔｉｏｎ)ꎬ２０１１ꎬ３９(４):１１４－１１８.)[９]㊀江幸莲.基于小波分析的桩基低应变检测数值模拟及方法研究[Ｄ].广州:华南理工大学ꎬ２０１３.(ＪＩＡＮＧＸｉｎｇｌｉａｎꎬＴｈｅｎｕｍｅｒｉｃａｌｓｉｍｕｌａｔｉｏｎａｎｄｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｅａｒｃｈｏｎｌｏｗ￣ｓｔｒａｉｎｉｎｔｅｇｒｉ￣ｔｙｔｅｓｔｉｎｇｂａｓｅｄｏｎｗａｖｅｌｅｔａｎａｌｙｓｉｓ[Ｄ].Ｇｕａｎｇｚｈｏｕ:ＳｏｕｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈ￣ｎｏｌｏｇｙꎬ２０１３.)[１０]潘冬子ꎬ章光ꎬ刘世奇ꎬ等.混凝土梁无损检测新技术及其进展[Ｊ].公路ꎬ２００４(２):１８－２３.(ＰＡＮＤｏｎｇｚｉꎬＺＨＡＮＧＧｕａｎｇꎬＬＩＵＳｈｉｑｉꎬｅｔａｌ.Ｎｅｗｎｏｎ￣ｄｅｓｔｒｕｃｔｉｖｅｔｅｓｔｉｎｇｔｅｃｈｎｉｑｕｅｓａｎｄｔｈｅｉｒｅｖｏｌｕｔｉｏｎｏｆｃｏｎｃｒｅｔｅｂｅａｍｓ[Ｊ].Ｈｉｇｈｗａｙꎬ２００４(２):１８－２３.)[１１]秦国华ꎬ谢文斌ꎬ王华敏.基于神经网络与遗传算法的刀具磨损检测与控制[Ｊ].光学精密工程ꎬ２０１５ꎬ２３(５):１３１４－１３２１.(ＱＩＮＧｕｏｈｕａꎬＸＩＥＷｅｎｂｉｎꎬＷＡＮＧＨｕａｍｉｎ.Ｄｅｔｅｃｔｉｏｎａｎｄｃｏｎｔｒｏｌｏｆｔｏｏｌｗｅａｒｂａｓｅｄｏｎｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ[Ｊ].Ｏｐｔｉ￣ｃａｌｐｒｅｃｉｓｉｏｎｅｎｇｉｎｅｅｒｉｎｇꎬ２０１５ꎬ２３(５):１３１４－１３２１.)[１２]金敏ꎬ鲁华祥.一种遗传算法与粒子群优化的多子群分层混合算法[Ｊ].控制理论与应用ꎬ２０１３ꎬ３０(１０):１２３１－１２３８.(ＪＩＮＭｉｎꎬＬＵＨｕａｘｉａｎｇ.Ａｍｕｌｔｉ￣ｓｕｂｇｒｏｕｐｈｉ￣ｅｒａｒｃｈｉｃａｌｈｙｂｒｉｄｏｆｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍａｎｄｐａｒ￣ｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ[Ｊ].Ｃｏｎｔｒｏｌｔｈｅｏｒｙ＆ａｐｐｌｉｃａｔｉｏｎｓꎬ２０１３ꎬ３０(１０):１２３１－１２３８.) [１３]黄慧ꎬ顾波.改进遗传算法在电网规划中的应用[Ｊ].电力系统保护与控制ꎬ２０１２ꎬ４０(２２):６４－６７.(ＨＵＡＮＧＨｕｉꎬＧＵｂｏ.Ａｐｐｌｉｃａｔｉｏｎｏｆｉｍ￣ｐｒｏｖｅｄｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｉｎｔｈｅｎｅｔｗｏｒｋｐｌａｎ￣ｎｉｎｇ[Ｊ].Ｐｏｗｅｒｓｙｓｔｅｍｐｒｏｔｅｃｔｉｏｎａｎｄｃｏｎ￣ｔｒｏｌꎬ２０１２ꎬ４０(２２):６４－６７.)[１４]章毅ꎬ郭泉ꎬ王建勇.大数据分析的神经网络方法[Ｊ].工程科学与技术ꎬ２０１７ꎬ４９(１):９－１８.(ＺＨＡＮＧＹｉꎬＧＵＯＱｕａｎꎬＷＡＮＧＪｉａｎｙｏｎｇ.Ｂｉｇｄａｔａａｎａｌｙｓｉｓｕｓｉｎｇｎｅｕｒａｌｎｅｔｗｏｒｋｓ[Ｊ].Ａｄｖａｎｃｅｄｅｎｇｉｎｅｅｒｉｎｇｓｃｉｅｎｃｅｓꎬ２０１７ꎬ４９(１):９－１８.)[１５]刘智斌ꎬ曾晓勤ꎬ刘惠义.基于ＢＰ神经网络的双层启发式强化学习方法[Ｊ].计算机研究与发展ꎬ２０１５ꎬ５２(３):５７９－５８７.(ＬＩＵＺｈｉｂｉｎꎬＺＥＮＧＸｉａｏｑｉｎꎬＬＩＵＨｕｉｙｉ.Ａｈｅｕｒｉｓｔｉｃｔｗｏ￣ｌａｙｅｒｒｅｉｎｆｏｒｃｅｍｅｎｔｌｅａｒｎｉｎｇａｌｇｏ￣ｒｉｔｈｍｂａｓｅｄｏｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｓ[Ｊ].Ｊｏｕｒｎａｌｏｆｃｏｍｐｕｔｅｒｒｅｓｅａｒｃｈａｎｄｄｅｖｅｌｏｐｍｅｎｔꎬ２０１５ꎬ５２(３):５７９－５８７.)[１６]肖迁ꎬ李文华ꎬ李志刚ꎬ等.基于改进的小波￣ＢＰ神经网络的风速和风电功率预测[Ｊ].电力系统保护与控制ꎬ２０１４ꎬ４２(１５):８０－８６.(ＸＩＡＯＱｉａｎꎬＬＩＷｅｎｈｕａꎬＬＩＺｈｉｇａｎｇꎬｅｔａｌ.Ｗｉｎｄｓｐｅｅｄａｎｄｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｉｍ￣ｐｒｏｖｅｄｗａｖｅｌｅｔ￣ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｊ].Ｐｏｗｅｒｓｙｓｔｅｍｐｒｏｔｅｃｔｉｏｎａｎｄｃｏｎｔｒｏｌꎬ２０１４ꎬ４２(１５):８０－８６.)[１７]尹光志ꎬ李铭辉ꎬ李文璞ꎬ等.基于改进ＢＰ神经网络的煤体瓦斯渗透率预测模型[Ｊ].煤炭学报ꎬ２０１３ꎬ３８(７):１１７９－１１８４.(ＹＩＮＧｕａｎｇｚｈｉꎬＬＩＭｉｎｇｈｕｉꎬＬＩＷｅｎｐｕꎬｅｔａｌ.ＭｏｄｅｌｏｆｃｏａｌｇａｓｐｅｒｍｅａｂｉｌｉｔｙｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｊ].ＪｏｕｒｎａｌｏｆＣｈｉｎａｃｏａｌｓｏｃｉｅｔｙꎬ２０１３ꎬ３８(７):１１７９－１１８４.)[１８]石振明ꎬ刘鎏ꎬ彭铭ꎬ等.钻孔灌注桩桩底溶洞声呐探测方法及应用研究[Ｊ].岩石力学与工程学报ꎬ２０１６ꎬ３５(１):１７７－１８６.(ＳＨＩＺｈｅｎｍｉｎｇꎬＬＩＵＬｉｕꎬＰＥＮＧＭｉｎｇꎬｅｔａｌ.ＡｓｏｎａｒｄｅｔｅｃｔｉｏｎｔｅｃｈｎｏｌｏｇｙｆｏｒＫａｒｓｔｃａｖｉｔｉｅｓｕｎｄｅｒｂｏｒｅｄｐｉｌｅｓａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎ[Ｊ].Ｃｈｉ￣ｎｅｓｅｊｏｕｒｎａｌｏｆｒｏｃｋｍｅｃｈａｎｉｃｓａｎｄｅｎｇｉｎｅｅｒ￣ｉｎｇꎬ２０１６ꎬ３５(０１):１７７－１８６.)[１９]王旭ꎬ蒋代军ꎬ刘德仁ꎬ等.低温多年冻土地基大直径钻孔灌注桩未回冻状态承载性质试验研究[Ｊ].岩石力学与工程学报ꎬ２０１３ꎬ３２(９):１８０７－１８１２.(ＷＡＮＧＸｕꎬＪＩＡＮＧＤａｉｊｕｎꎬＬＩＵＤｅｒｅｎꎬｅｔａｌ.Ｅｘｐｅｒｉｍｅｎｔａｌｓｔｕｄｙｏｆｂｅａｒｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｌａｒｇｅ￣ｄｉａｍｅｔｅｒｃａｓｔ￣ｉｎ￣ｐｌａｃｅｂｏｒｅｄｐｉｌｅｕｎｄｅｒｎｏｎ￣ｒｅｆｒｅｅｚｉｎｇｃｏｎｄｉｔｉｏｎｉｎｌｏｗ￣ｔｅｍｐｅｒａｔｕｒｅｐｅｒｍａｆｒｏｓｔｇｒｏｕｎｄ[Ｊ].Ｃｈｉｎｅｓｅｊｏｕｒｎａｌｏｆｒｏｃｋｍｅｃｈａｎｉｃｓａｎｄｅｎｇｉｎｅｅｒｉｎｇꎬ２０１３ꎬ３２(９):１８０７－１８１２.)[２０]王忠福ꎬ刘汉东ꎬ贾金禄ꎬ等.大直径深长钻孔灌注桩竖向承载力特性试验研究[Ｊ].岩土力学ꎬ２０１２ꎬ３３(９):２６６３－２６７０.(ＷＡＮＧＺｈｏｎｇｆｕꎬＬＩＵＨａｎｄｏｎｇꎬＪＩＡＪｉｎｌｕꎬｅｔａｌ Ｅｘｐｅｒｉｍｅｎｔａｌｓｔｕｄｙｏｆｖｅｒｔｉｃａｌｂｅａｒｉｎｇｃａ￣ｐａｃｉｔｙｂｅｈａｖｉｏｒｏｆｌａｒｇｅ￣ｄｉａｍｅｔｅｒｂｏｒｅｄｃａｓｔ￣ｉｎ￣ｓｉｔｕｌｏｎｇｐｉｌｅｓ[Ｊ].Ｒｏｃｋａｎｄｓｏｉｌｍｅｃｈａｎｉｃｓꎬ２０１２ꎬ３３(９):２６６３－２６７０.)。