文摘

由于波动的承重层和不同土层的特性,桩基础的埋深也会不同于彼此。在实际施工中,由于设计桩长是绝对不符合实际的桩长、桩的质量将需要切断或补充,导致巨大的成本浪费和潜在的安全隐患。因此,桩基础埋深的预测是在建筑工程具有重要意义。本文基于坐标的非线性模型,建立了桩的埋深BP神经网络来预测样品评估,结果表明,BP神经网络是容易陷入局部极值,以及误差达到31%。之后,QPSO算法优化BP网络的权值和阈值,这表明QPSO-BP只是9.4%的最小误差预测承重层和2.9%的深度预测桩基础的埋深。此外,本文将QPSO-BP与其他三个健壮的模型称为FWA-BP PSO-BP,英国石油公司由三个统计检验(RMSE,梅,日军)。QPSO-BP算法的准确性最高,在实际工程证明QPSO-BP的优越性。

1。介绍

桩基础是最古老的基础形式之一。随着历史的发展,桩基础已成为高层建筑的最常用的基础形式,重要结构、隧道、桥梁、海上平台、松软的地面上和其他结构(1]。桩基础结构的成员,是土壤和垂直或倾斜的组有一定的刚度和弯曲剪切能力。本身可以通过软可压缩土层,紧凑的疲软的土壤,并将部分或全部上层建筑的负荷与低压缩性土层或岩层产生一定的承载力,从而避免过度解决基础和提高土层的承载力(2]。基础施工中最重要的步骤之一,桩基础是一个大型项目的建设;与此同时,还有一个问题,浪费材料。通常发现,桩的设计长度远远高于或低于所需的值在实际工程中,可以看到从图1

每个桩无聊会提前调查根据当前的施工技术。施工技术的“一桩与一个调查”或“一堆有大量的调查”3),即每个桩是将事先调查,以及桩长设计桩底的高度估计的最不利原则,但这种方法不是采用每个项目(4]。只有少数调查钻孔排列来预测整个站点的土壤分布一般工程。

当承重层的不规则波动变化极大,它可能会导致一个大高差下方尚未钻孔区域和附近的钻探区域之间。因此,在承重层比较浅的地方,桩将达到承重层过早,不能继续深入。此时,桩头将从土壤中太久,需要切断,可以看到从图2在下面。相反,在承重层深分布的地方,桩长度不足,需要补充。这种情况的原因是各种各样的桩长度是有限的,特别是预制桩。如果根据设计施工进行桩长度、大量成堆的必被剪除或补充,导致桩基础工程中不必要的浪费。因此,本文预测桩基础的埋深和承重层,然后有针对性的技术方案制备和施工部署在实际工程根据预测结果。

目前,很少有研究在预测桩基础的埋深和承重层的波动;然而,在桩基工程领域,许多学者取得了一些成就。桩基静载荷试验的完成由Qi et al。5),一阶线性动态微分方程导出了在不同负载下研究桩的沉降。灰色系统理论的基础上,GM(1,1)模型建立了单桩的荷载沉降关系,用于预测极限承载力和完整的荷载沉降关系。尽管这种方法获得的准确的预测结果,应保证原始数据的一致性。根据测量数据,高et al。6)采用双曲线法预测支盘桩的承载力。尽管预测结果之间的误差和测量曲线并不大,该方法预测的值一般都太大,有一定的局限性。邓et al。7)使用的超长大直径灌注桩承载力基金会苏通长江大桥为例,计算其沉降量采用不同规格,然后一个新的经验公式考虑桩压缩和修改提出了桩头的附加应力与沉降值的大规模的离心模型试验。后来,这个公式应用来验证一个超级大型群桩基础的沉降值Nei-Kun线,和计算结果的相对与实测数据一致。然而,这个公式是不适合单桩沉降的分析,有一定的局限性。

大多数上述预测方法依赖于一个固定的知识框架和只能在某些先决条件,采用刚性和不够灵活。因此,智能技术,可以灵活地处理各种问题,需要自主学习意识。机器学习,作为一个技术,计算机建立模型基于数据模拟人类活动,能满足这个条件。具有较强的泛化能力,并被应用在不同的方面。机器学习的方法是使用艾哈迈迪et al。8)先后预测二氧化碳的溶解度(有限公司₂在卤水),石油储层孔隙度和渗透率,溶解碳酸钙的数量在油田卤水浓度,condensate-to-gas比凝析气藏在逆行,硫化氢的溶解度(H₂在离子液体等。桩基深度的预测属于高度非线性问题,也可以用这种方法分析。人工神经网络(ANN)是一种机器学习的,这是一个强大的智能学习工具与功能(9,10)等非线性映射关系、信息处理、优化计算、分类和识别。广泛应用领域的模型预测,预测内容,成本控制、故障诊断、信息处理、建筑工程、机械工程,医学,等等,结果是伟大的。哈米德et al。11)建立了一个基于临界压力(ANN模型P_c),临界温度(T_c)和分子量( )纯离子液体的溶解度预测硫化氢(H₂S)在不同温度、压力和浓度范围。Moosavi等人建立了一个基于214的ANN模型数据记录出版有限公司₂泡沫注入到油藏岩心测试预测公司₂泡沫驱提高原油采收率的性能。商等。12)提出了两种ANN模型分析的内容和类型的重金属在土壤中基于材料的复介电常数,确定土壤污染。第一个采用ANN模型确认站点中重金属的存在,和第二个模型是用于分类中重金属的存在。别名et al。13)完成建筑物的骨骼系统的成本项目通过ANN模型。主席等。14)检测和诊断测试过程中的错误安基于三种不同的结构。金等。15)建立了一个ANN模型与水灰比样品形状,和断面尺寸作为输入参数基于混凝土抗压强度的尺寸效应,然后用不同大小的部分预测抗压强度。铃木(16)找到了可行的应用改进的安减少假阳性的肺结节计算机检测低剂量计算机断层扫描图像,结果原来是伟大的。

安的出现提供了一个更方便和智能预测方法对许多领域。它不再需要大量的统计数据来预测未来趋势,但可以根据有限的数据取得良好的预测效果。因此,本文的高度非线性问题的预测桩基础埋深可以解决依靠安。

其中,backpropagating (BP)神经网络是应用最广泛的人工神经网络,这是一个多层前馈神经网络训练误差反向传播算法。它有一定的总结和扩展的能力。一些数学分析证明了其处理非线性问题的能力来解决复杂的内部机制(17]。然而,仍然有一些缺点目前传统的BP网络。(1)它是一个复杂的过程对BP神经网络优化目标函数,利用梯度下降法,当附近的神经元的输出是0和1,重量误差只在小范围内变化。这种现象导致训练几乎停止,BP神经网络的效率很低,BP神经网络的速度是速度缓慢18]。(2)从数学的角度来看,该算法使用的BP神经网络主要是搜索当地的区域,这将很容易陷入局部极值。最后训练曲线几乎是一条直线,由于网络的训练将失败(19]。(3)网络的预测能力学习能力在一定范围内成正比,但一旦超出这个范围,BP神经网络的预测能力与学习能力的改善将会下降,从而导致过度拟合现象”。“在这个时候,即使网络已经学会了大样本,它不能直接和正确反映其规则(20.]。总结,将会有大量的缺陷时,BP神经网络完全是用于预测;因此,有必要使用一些算法优化BP神经网络,然后建立一个更准确的培训模式。

近年来,一些群体智能优化算法在源源不断出现。这种算法的优化算法,学者们最关注,具有简单性和效率高的特点(与他人相比21]。所以,他们也在各领域的广泛采用。群体智能算法使用集团一些动物之间的关系和个人的社会,如交互,遗传,变异,合作,和其他行为,实现搜索最优解的目的。

烟花算法(澳洲公平工作委员会)是一种新的群智能优化算法提出的谭et al。22]近年来,模拟同时爆炸的机理和扩散的烟花爆炸符。介绍了主意的浓度抑制免疫算法和分布式信息共享的机制,因此具有更强的全局搜索能力(23]。与传统的算法相比,澳洲公平工作委员会的人口更加多样化,其特点也引起了许多学者的注意。然而,澳洲公平工作委员会仍然有几个缺点。例如,当爆炸范围是大爆炸还有很多运营商,爆炸产生的目标会重叠,导致不相关的搜索。然后,它将极大地影响澳洲公平工作委员会的优化效率、收敛速度慢的主要原因和搜索精度低(24]。

粒子群优化(PSO)算法(25),作为一个最经典的优化算法,由鸟类觅食行为的启发。寻求最优值的随机粒子群通过不断迭代的解决方案。与澳洲公平工作委员会相比,它具有操作简单和更少的参数调整(26]。艾哈迈迪et al。27)用粒子群优化算法优化的神经网络模型来预测沥青质沉淀由于自然损耗。王等人。28]预测热轧带钢的力学性能在材料处理基于PSO-BP模型。同样,这个PSO-BP模型由伊斯梅尔等应用。29日)土壤结构复合材料领域的交互来预测桩轴向加载的载荷变形特征。Shafiei et al。30.]预测中硫化氢的溶解度不同的温度,压力,浓度范围以同样的方式。艾哈迈迪等人PSO-ANN模型用来预测凝析气藏的露点压力。在同一作者的另一篇论文,估计效率的化学驱油藏的预测。尽管上述文献的研究取得了较好的预测结果,PSO算法仍有大量问题,事实证明,它不是一个全局收敛算法(31日]。与此同时,它也有一些问题有待解决,如过早收敛,缺乏动态调整速度,容易陷入局部极值,缺乏随机粒子位置的变化,不能有效地处理离散的组合优化,并限制搜索空间(32]。从动力学的角度,都有一个点与潜在能源领域吸引了粒子群的搜索区域,导致周围的粒子不断地接近这一点。速度降低到0时,粒子收敛于这一点。因此,每个粒子的运动在传统PSO算法进行了一个固定的轨道,粒子的速度总是一个有限值,其可行解的搜索区域也小(33]。为了提高算法的全局优化能力,该算法需要优化。因此,量子粒子群算法(QPSO)的概念,提出了由Sun (34]。

基于传统PSO算法,优于经典算法随机粒子的速度。在量子空间中,粒子的状态并不是由位置和速度矢量,而是由波函数。通过这种方式,在可行域内,粒子在一个位置出现的概率是随机的,和粒子的运动不再是一个固定的轨道。他们更新位置在接下来的第二与前面的位置没有相关性;即可以进行搜索在整个可行解区域,提高了粒子的全局优化性能。陈等人。35)带的带式输送机减速器为研究对象和优化参数如弹性模量、齿宽系数,和螺旋角的齿轮减速器根据QPSO和PSO算法。结果表明,优化的效果优于明显优于PSO。遗传算法(GA)和安,PSO和QPSO算法所使用的是陆et al。36)预测分批发酵动力学模型的参数。结果表明,预测效果优于在所有方面优于其他算法。因此,BP神经网络的基础上,本文利用QPSO算法优化BP模型,然后预测桩基础的埋深。最后,三个误差分析工具、RMSE美,和日军,分别用来分析其可靠性和不确定性。

基于上述,本文提供了以下的贡献。(1)在本文中,机器学习的安是用来预测桩基础的埋深。然而,很少有研究这个话题之前;因此,它可以作为一个新的领域应用在实际工程。(2)本文的样本收集成堆当场基于工程实例。桩的相关参数样本在这个领域是整理和总结,这是X -坐标,Y -坐标,Z -坐标,杂项的厚度h₁粉质粘土、厚度h₂、厚度的淤泥h₃、厚度的细沙h₄,桩埋深H。一些样品被选为培训模型。(3)本文后预测测试对象的步骤优化BP神经网络的QPSO算法作了详细阐述。(4)本文利用QPSO算法优化BP神经网络的建模训练,然后预测剩余的样品在步骤(2)。伟大的全局优化QPSO算法成功地弥补了这个缺陷,传统的PSO算法容易陷入局部极值,并预测结果非常接近测量结果,表明该方法在研究对象取得了良好的预测效果。(5)本文比较了错误的QPSO算法与其它健壮的模型:PSO算法,澳洲公平工作委员会,BP神经网络。结果表明,QPSO有更高的预测精度。

本文还介绍了下面的部分。第二节根据工程实例介绍了训练参数。第三节描述了BP神经网络的概念和算法的优化方法和QPSO算法。第四节错误分析在使用不同的算法来优化BP神经网络的预测。第五节上述结论是描述和预测结果的分析。与此同时,本文还概述了如何应用该方法在工程实例相似的土壤礼节。

2。工程实例

2.1。工程项目简介

项目位于长江大学东校区在荆州区,荆州的城市,湖北省,在这个地区建立宿舍和食堂。根据设计文档,这个调查站点与桩位置布局如图3- - - - - -5在下面。

水井的分布和桩可以从图获得。每个长黑色虚线,如“11-11′,“代表”11-11′节”的水井K64 K67。根据部分图纸,每个钻孔的土壤分层从K64 K67才能知晓。首先,在钻孔桩被选为网络的数据模型,X协调,Y协调,Z每个桩的坐标是根据提供的坐标信息布局图纸,承重层的长度和桩的埋深是获得的部分图纸。为了使所选数据代表,43成堆被随机选择训练样本和随机选择10桩作为预测样本调查的水井。地理位置的不同,网站的承重层的波动也会有一定的变化趋势。驾驶过程中桩到承重层需要通过不同土壤层次上。然而,各土层的厚度在未被发现的坐标是一个不确定的未知。随着土层的厚度是不同的,轴承的深度层变化到另一个号码,这将影响桩的埋深。根据现场数据,桩都推到细砂层,这表明细砂层承重层。样本的深度挤进第一层叫做杂填土h₁,样品的深度挤进第二个叫做粉质粘土层土h₂,样品的深度桩到第三层土壤叫做淤泥h₃,样品的深度桩到第四层土壤的细沙h₄介绍了承重层。H的总和h₁,h₂,h₃,h₄代表桩的埋深。样本的深度进入不同层次的土壤可以通过结合地质资料和数据计算桩的埋深H从实际工程测量。在上述基础上,X协调,Y协调,Z收集每个桩的坐标作为输入参数模型的训练。在这个训练,预测波动的承重层预测的深度h₄预测桩的埋深,是预测的深度H和厚度h₄小于细砂层的厚度。此外,H=h₁+h₂+h₃+h₄,H和h₄输出参数。原理图如图6。

2.2。地质概况

网站的地形相对平坦,地面的绝对高程值在31.5米- 32.88米的范围,这属于一级阶地地貌单元对长江的北岸。没有滑坡等不良地质作用,土壤崩溃,和泥石流。根据网站的详细调查报告,该地区在这个深度范围内可分为人工填土层、第四纪全新世冲积层和第四纪更新世冲积层上部和洪积层根据其成因类型和沉积时代(37]。

根据其性质和组成、岩土层可以分为以下部分,分布如下:(1)人工填土层(问^毫升),杂填满,布朗、潮湿和宽松。主要成分是粘土,含少量的植物的根状茎。这一层是分布在整个领域,土壤均匀性很差。厚度是0.4米——1.7米。(2)第四纪全新世冲积层( ),粉质粘土,黄棕的灰褐色,软塑料,饱和,细致的分布。这一层包含少量的锰铁结节和中等压缩性。厚度是4.5米——14.8米。(3)第四纪全新世冲积层( ),淤泥,灰色,稍微密度介质密度、饱和,细致的分布,中等压缩性。

厚度是1.9米——12.4米。(4)第四纪全新世冲积层( ),细沙、灰色、介质密度、饱和,细致的分布,主要由石英、长石和低压缩性。厚度是3.9米——16.5米。(5)第四纪更新世上部冲积层和洪积物( ),鹅卵石、灰色、白色和其他颜色,介质密度致密状态,低压缩性、细致的分布。的主要组件石英岩,圆度好,可怜的排序。粒子的大小通常是3∼5厘米,和更大的颗粒大小是大于7厘米,粒径大于2厘米的约占51%。鹅卵石之间的填充材料是细粉砂。

从上面的数据可以看出,每一层的厚度和均匀性是大大不同的。

3所示。桩深度预测优化算法

3.1。BP神经网络算法的实现

顾名思义,神经网络是人工智能算法来模拟人类大脑神经系统,有较强的自学能力,能处理复杂的非线性模型9,10]。通过无数的神经元的连接,它可以执行大量并行处理和分析的信息前面的输入层,然后将其传递给下一层。大量的训练可以不断更新权重的神经元连接前后层,从而达到减少误差的目的,满足人们的期望。

X协调,Y协调,Z桩的坐标作为模型输入参数训练的BP算法。此外,承重层的深度h₄和桩的埋深H被认为是输出参数。详细的过程可以被描述为以下步骤。(1)基于训练模型X协调,Y协调,Z协调,h₄,H建立了43个训练样本。(2)h₄和H剩余10个样本预测。(3)输出参数的值与测量值进行了比较。(4)预测值和测量值之间的误差进行了分析。在预测的过程中,没有输入和输出参数之间的相关性,这是一个非线性函数。结果,三层网络非线性函数可以满足培训需求的BP算法(17]。图所示图7。

折中观点操作函数所示(1)是它的激活函数(38]: 在哪里x_k输入层的输入参数;隐藏层的输出参数;y_k输出层的输出参数;是神经元之间的连接权重的输入层单元和隐层单元;和是神经元之间的连接权隐层单元输出层单元。输入层、隐层神经元的数量,和输出层,分别n,米,l。

培训过程如下:(1)自激活函数神经网络是一个对数年代函数,它可能收敛的问题;即无限或无限小的结果出现在计算过程。因此,输入数据X协调,Y协调,Z协调和输出数据h₄和H的样品应该首先规范化,使这些值从0到1。(2)中随机生成的值区间(−1,1),和权重的初始值被分配。(3)的独立变量参数处理样本数据在相应的输入节点的输入层,和BP神经网络的输出值计算相应的输出层的节点通过重量和激活函数的作用。(4)BP神经网络训练的输出值与期望值比较,然后计算它们之间的误差。(5)获得的误差传播从输出层,根据梯度法和重量修正当它达到第一层,然后重复步骤(3),重新计算。(6)上述步骤(1)-(5)被重复,直到误差函数满足方程:

BP神经网络训练后根据上述步骤,训练网络模型可以用来预测样本。基于工程项目的测量数据,43岁和10桩,分别选为输入和测试向量,每个桩由三个参数决定。

采用单隐层的BP算法。很难确定隐层神经元的数量,和神经元影响的测定精度在一定程度上。如果神经元的数量太小,算法几乎没有能力训练。相反,如果神经元的数量太大,训练时间将延长,容易陷入局部最优解。因此,正常的预测值没有可用来获取。一般来说,有三种方法来确定隐层神经元(39):(1)FangfaGorman理论,神经元的数量之间的关系年代和输入参数N是年代=日志₂N;(2)对柯尔莫哥洛夫理论,神经元的数量之间的关系年代和输入参数N是年代=2N+1;(3)神经元的数量之间的关系年代和输入参数N和输出参数米是年代=√6(0.43锰+0.12神经网络+2.54米+0.77N+0.35)+ 0.51。输入参数N3,输出参数米2在这BP训练;因此,计算年代使用上面的三种方法,分别为1.58,3.45 7,。由于神经元的数量需要一个整数,三个值的2,4,7为预测和选择错误的比较在以后的部分。

隐藏层和输出层的传递函数是年代正切函数和对数函数,分别。网络的训练函数“traingdx梯度下降法在学习过程中,和自适应学习速率。

3.2。PSO-BP算法的实现

算法的BP算法优化的过程如下所示(40]:(1)首先,迭代所需的最大数量,目标函数所需要的独立变量的数量,最大粒子速度和位置信息的粒子被设置为整个搜索空间。此外,速度和位置坐标中随机初始化速度区间和搜索空间,并给出了每个粒子初始化随机飞行速度。(2)适应度函数的定义,每个粒子都有一个极端的价值,这是个体极值和单元粒子的最优解。然后,全球价值被发现从所有粒子的最优解,这是全局最优的解决方案。最后,这个最优解后更新与历史上获得的全局最优解进行比较。(3)更新速度和位置(41所示),分别方程: 在哪里ω是惯性因素和非负价值。当ω大,找到全局最优解的能力强,但找到局部最优解的能力是弱。当ω很小,找到全局最优解的能力是弱,但找到局部最优解的能力是强大的。因此,全球和局部最优解能找到可以调节不同的值ω。C₁和C₂正在学习因素,当前的研究(42)调查时,可以获得更好的解决方案C₁和C₂是常数。的值C₁和C₂在[0,4]之间,等于2。随机(0,1)是一个随机值区间[0,1]。P_id是个体极值的我th变量在d维度;P_gd是全局最优的解决方案吗d维度。

权重和阈值优化算法可以被指定为初始值进行训练和预测的BP算法(40]。具体的过程如图所示8。

PSO-BP算法可以实现两个方法。(1)通过结合强大的粒子群优化算法的全局搜索能力和局部搜索能力的BP神经网络,粒子群优化算法的全局搜索性能用于补偿拓扑结构、重量、BP神经网络和阈值,以便优化推广和培训能力,和整体搜索BP神经网络的性能。(2)BP算法添加到PSO算法和粒子群优化算法的优化性能通过强大的培训和提高神经网络的学习能力,可以减少所需的巨大的工作量和加速的粒子群优化算法的收敛性。本文采用第一种方法通过PSO算法获得最优初始阈值,它被分配到BP算法来提高效率和精度。

然而,在PSO算法,粒子的收敛形式是沿着轨道,和粒子的最大速度始终是一个有限的价值,从而导致算法的搜索区域中的某些局限性,不能保证它可以搜索整个可行的空间,和全局收敛性将受到影响33]。

3.3。QPSO-BP算法的实现

基于传统PSO算法,优于经典算法随机粒子的速度。在量子空间中,粒子的状态不是由位置和速度矢量,而是由波函数。由于不确定性原理,一个粒子的概率出现在某个地方x由概率密度函数表示,不再沿着一个固定的轨道。因此,粒子的位置与前面的位置没有关系(43]。每个维度的演化方程的粒子状态显示以下方程: 在哪里P_id吸引子的吗我th粒子在进化迭代,X_id的当前位置吗我th粒子,φ_id和u_id均匀分布随机数在[0,1],然后呢l_id代表吸引子的特征长度和势阱,用于描述粒子的搜索范围,和l_id可以如下方程(43]: 在哪里意思是最佳位置,是compression-expansion因素。

用方程(7)(6),迭代方程(8量子群的进化可以获得以下:

粒子群的大小设置为米。实现的具体步骤如下。(1)初始化粒子群和设置的最大迭代数。(2)确定和初始化个体最优极值和全局最优粒子群的极值。(3)计算每个粒子的健身价值。(4)每个粒子的个体最优极值和粒子群的全局最优极值更新。(5)计算粒子群的新职位根据方程(8),然后原粒子群更新。(6)重复步骤(2)-(5)直到粒子群的健康值满足收敛条件。

以上是优于经典的原理和实现,并利用QPSO算法的方法来优化BP神经网络算法类似。的解释3.2节上面可以用作参考。

4所示。分析的结果

4.1。不同模型的预测结果

原来的43组训练数据表所示1,准备建立一个数据库来预测其他10组样品评估,X协调,Y协调,Z输入参数和协调h₄和H输出参数。

最初的10组数据计算如表所示2。

第一个是BP神经网络的预测结果。正如上面提到的,隐层神经元的数目是由三种不同的计算方法,2,4,分别和7。因此,三种不同的预测结果和误差比较h₄和H基于隐层神经元的数量,如图9- - - - - -12。

从上面的数据可以知道,不同数量的隐层神经元会影响预测结果。当隐层神经元的数量是7日,BP神经网络在预测的错误h₄和H比其他两个神经元的小。这一现象表明中提到的第二种方法的预测结果3.1节名叫柯尔莫哥洛夫定理是最好的。此外,无论有多少神经元,样本的预测结果之间的错误使用BP神经网络算法和实际值仍很大。特别是,预测的结果h₄,最大误差约41%的神经元数量是2,约31%当神经元的数量是7。除此之外,它在数据被发现9和10曲线的BP神经网络的预测结果都相对温和,基本趋势是一条直线,证明BP网络容易陷入寻找局部最优解的特点。因此,为了补偿缺乏全局搜索能力的BP网络,QPSO算法是用来优化BP网络模型当隐层神经元的数量是7。

线性拟合公式预测h₄和H被计算。计算结果表明,预报值和实际值之间的误差达到58.8%,这表明使用QPSO-BP算法的必要性。为了直观地观察误差不同算法之间的比较,采用相对误差比较QPSO-BP的准确性,PSO-BP, FWA-BP。公式中可以看到以下方程: 在哪里x_p预测价值和吗x_一个是实际的价值。

BP神经网络的参数设置和QPSO算法如下所述。BP网络的迭代的数量是1000,BP网络的训练目标是0.01,BP网络的学习速率为0.001,人口规模的QPSO算法20日QPSO算法的尺寸是30,优于经典的迭代终止错误是10⁻⁷。与其他模型相比,QPSO操作简单,更少的参数设置。

不同模型的预测曲线如图13和14。不同模型的预测误差曲线如图15和16。

数据显示15和16,可以证实结论QPSO-BP的相对误差是最小的与PSO-BP相比,FWA-BP,线性拟合。在预测的过程h₄,最小相对误差为9.4%,最大相对误差仅为14.7%,和所有的错误基本上是11%左右;在预测的过程H,最大相对误差仅为2.9%,证实了强大的预测精度优于经典。此外,QPSO-BP拥有的预测曲线波动的特点,而不是一个几乎平直线BP网络。这表明QPSO成功弥补了缺乏全局搜索的特点,英国石油(BP)和不容易陷入死循环找到局部最优解。经过比较和分析,这些模型的准确性在降序QPSO-BP > PSO-BP > FWA-BP >线性拟合。

图17显示的收敛曲线QPSO-BP、PSO-BP FWA-BP。从图可以看出,健身QPSO-BP开始下降的曲线非常光滑,倾向于一个固定的值迭代后约25倍,然后程序停止迭代的迭代次数时大约在143年,提出了最优值的QPSO-BP被发现。除此之外,从其他两个算法的迭代曲线的比较,可以看出,下降率优于早期是最快的,这是第一个三个模型在随后的迭代过程收敛,这证明了QPSO的快速搜索能力和收敛。

上述结论表明它是可行的,使用机器学习中的QPSO-BP方法预测桩基础的埋深和承重层的波动和粒子群优化算法已经相对成熟的优化算法与其他算法相比,这并不难实现。QPSO-BP具有快速搜索和收敛速度快,操作简单,精度高;因此,它是更合理的应用该算法。

4.2。不同模型的误差分析

为了进一步证明强大的预测精度优于经典,三个统计检验的方法,分别使用(44- - - - - -46),即RMSE、美和日军。这三个公式可以得到方程(10)- (12),可以看到不同的算法的误差比较表3在细节。

RMSE均方根误差,代表方差之比的平方根实际值和预测值之间的测试集。它评估模型由以下标准:RMSE值越小,模型的误差越小,准确度越高。当实际值与预测值是完全一致的,这意味着这个模型是一个完美的模型: 在哪里x_人工智能是实际的价值,x_π是预测值,n测试集的数量。

美是平均绝对误差,它代表的平均预测值的偏差的绝对值和算术平均。它评估模型由以下标准:美价值越小,模型的误差越小,准确度越高。和RMSE类似,当实际值完全相同的预测价值,也是一个完美的模型:

日军平均绝对百分比误差,测量相对误差之间的平均预测值和实际值测试集(40]。它评估模型由以下标准,美价值越小,模型的误差越小,准确度越高。类似于RMSE美,这也是一个理想模型,当实际值与预测值一致:

根据统计检验,QPSO-BP的最小均方根误差仅为0.48,PSO-BP约为0.99,澳洲公平工作委员会是1。94年,英国石油公司的最大RMSE达到3.16。同样,美和日军值优于经典的最小值与其他三种模式相比,这证实了上面的验算。此外,通过分别比较的预测结果h₄和H,这些模型的准确性是以下订单,QPSO-BP > PSO-BP > FWA-BP >英国石油(BP)也附和。

由于其精度高,收敛快,和一些参数,QPSO成功演示了其在实际应用的优势。

4.3。QPSO-BP在实际工程中的应用

在一个实际的项目类似项目的地质条件2.2节,本文提出的方法可以用来预测承重层的分布和桩基础的埋深。具体实现步骤如下:(1)最关键的一步是必要的和专业人员进行岩土工程调查,确定该地区土壤特性满足预测的条件。(2)设计师应该确定每个桩基础的具体位置在AutoCAD基于桩基础设计图纸和岩土调查报告,然后解决X -坐标,Y -坐标,Z -协调,必须基于大地原点。(3)QPSO-BP模型被用来预测指标预测方法类似于本文。(4)根据预测结果,在该地区预制桩的长度与不同轴承深度可以确定,然后是桩数量和相应的坐标记录下来。最后将桩打入土层的实际工程中一个接一个。

5。结论

具有重要意义的波动承重层的埋深桩基础在施工之前,可有效降低项目成本,避免不必要的损失。QPSO-BP模型被采用来处理这种高度非线性问题,下面的部分是本文的总结具体工作完成:(1)根据工程实例,BP网络模型被用来预测承重层的波动和桩基础的埋深。此外,当神经元的数量年代在隐藏层和输入参数N满足年代=2 n+1预测结果的误差最小。(2)预测结果表明,BP网络容易陷入局部最优解,和预测值和实际值之间的误差很大;的最大误差达到41%左右时,神经元的数量是2,当神经元的数量是7 31%。因此,尽管BP神经网络的预测价值可以作为参考,其算法仍有不足和缺点。因此,它需要优化。(3)采用QPSO算法优化BP网络,然后QPSO-BP模型不再是困在寻找局部最优解的无限循环。预测的相对误差是9.4%h₄2.9%,预测H。除此之外,另外两个优化算法(澳洲公平工作委员会和PSO)被用来优化BP模型,结果表明QPSO-BP的高精度。QPSO-BP的误差是最小的三个算法。(4)三个不同的统计检验(RMSE,美,和日军)进一步用来评估三个模型的准确性。三个统计检验的计算结果与上面一致,和随后的准确性的顺序QPSO-BP > PSO-BP > FWA-BP。(5)所有的证据证明QPSO-BP模型在工程应用的优越性。

数据可用性

案例分析的数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究得到了荆州的科技项目(2019 ac27),中国。