文摘
在软土地基沉降预测工程是一种新技术。预测软土沉降一直是最具挑战性的技术之一,由于软土工程方面的困难。为了克服这些挑战,小波神经网络算法)主要是使用。在评估其估计性能,两个元素,早期的参数选择和系统训练技巧,选择优化的传统算法容易收敛的困难向当地无限小的点,低速,可怜的逼近性能。隐层节点的数量决定使用一种自适应调整技术。小波神经网络算法)是加上了共轭梯度(SCG)增加软的可行性和准确性基本工程沉降预测模型,和更好的小波网络的松软的地面工程沉降预测建议。此外,我们提出了定位技术早期的基于自相关的参数。解决传统三种类型的软基处理工程,包括地铁隧道、高速公路、高层建筑基础,已经使用我们提出的模型预测。研究结果显示,该模型优于反向传播神经网络和标准算法解决问题的逼近性能。因此,软基处理工程沉降预测模型是可以接受的,大量的工程参考价值。
1。介绍
软土沉降的预测一直是软土工程的技术问题之一。因为有许多软地基的沉降影响因素,如何正确地预测软地基的沉降成为研究人员在设计和建设一个常见问题。提高准确性,根据测量数据计算和预测的一般方法目前在工程(1]。基于测量数据的常用的变形预测方法包括统计分析、时间序列分析、灰色系统理论、卡尔曼滤波器,和神经网络,但是这些有其局限性2,3]。优化模型和改进的预测精度是一个重要内容变形预测模型。根据实际的应用研究,单一的理论或模型很难准确预测变形的大小。密切结合,综合比较多种理论模型是一种有效的学习方法的预测变形(3,4]。通过将小波分析与人工神经网络的优点,小波神经网络算法)迅速建立和变形监测中发挥了关键作用。另一方面,随着经济的发展,社区增加了高层建筑的数量。建筑物的沉降基础必须检查和预期,以确保其安全在建设和运营阶段。然而,由于物理环境的困难和歧义导致结算,使用传统的确定性概念来预测沉降极具挑战性。虽然算法简化了问题的包容,它有几个缺点以当前的形式。
小波神经网络算法是一种新的探索在这种指导思想下,结合小波分析和神经网络成功,从而提供了一个科学的理论基础和分析工具对现代预测(5,6]。有许多形式的算法。紧凑的小波神经网络,使用小波函数代替传统神经网络的隐层的功能是常见的,但它们显示收敛到局部最小值、低速度、经常和近似表现不佳,和一些其他的缺点6- - - - - -9]。因此,本研究提出了一种优化算法建立在了共轭梯度算法(SCG)。在研究中,地铁隧道的沉降数据,高速公路软地基和公路,高楼大厦作为软基处理工程实例。三个神经网络、BP神经网络,传统的基于反向传播算法(BP算法),并根据SCG算法,算法的综合分析和比较。本文设计了一种优化算法建立在SCG方法预测软土地基工程结算复杂地质环境下克服上述问题。结果表明,优化模型实现更好的性能和更合适的比其他两个网络软土地基工程沉降预测。
以下是产品的研究工作:(1)我们研究软土地基工程沉降预测和小波神经网络。我们解释我们提出工作中所采用的方法和执行实验三种技术,即。BP神经网络,将该BP算法,改进的小波神经网络。(2)我们比较获得的预测精度在上面提到的三种技术。(3)我们建议的工作提高了算法的稳定性和收敛精度。因此,初始参数设置方法可以与小波类型、小波时频参数,和学习样本。(4)从我们的方案,我们认为SCG算法结合自相关修正可以确定隐层节点的数量。因此,一种改进的算法可以成功。
其余的研究工作包括以下:部分2解释了相关工作,部分3我们提出的工作期间,使用说明材料和方法部分4商讨我们的实验工作,我们在我们的工作表现,最后,本文的结论部分5。
2。相关工作
软土是发现世界各地。其独特的特点,即。,high void ratio, high water content, high compressibility, low shear strength, low permeability, and unique structural characteristics, necessitate particular consideration in the study, construction, and maintenance of geotechnical structures built on them. Large-scale construction of high-speed transit systems, high-rise structures, and subterranean works for numerous urban centers built on such soils is a huge problem. Many researchers have attempted to overcome the issues that arise in the foundation of soft soils. The authors in [10使用一个三维(3 d)分析方法对路面平整度的影响在地下运动负荷的动态行为。非常规的影响和低碳添加对土壤长期治疗的建筑和铺路材料研究。数据从三个离心机测试期间交通负荷是用于研究泥浆的循环行为与地面overcompacted组成的土壤。
的研究人员6)用一个三维动态有限元分析来估算的永久定居一段过江隧道,允许主应力旋转的影响,验证测试数据。中断状态(DSC)概念模型通常合并黏土被描述在11),包括开裂的影响,颗粒破碎、加热、柔软和硬化。超固结比强度、战斗性和失真是用于开发一种新颖的中断函数。整合理论、数值计算和曲线拟合三种方法预测地面沉降。有几个近期作品整合理论(12- - - - - -14]。
在一个新颖的方法,作者的15)描述激发了路堤的沉降软基础上基于经典双曲方法和使用系统变形特性反映在加载堤防预测在后期结算。在[16),作者提出了预测路基沉降观测技术在松软的地面施工;他们发现,立即结算增加了施工期间平行线的距离变化。研究人员在17)用遗传算法来优化BP神经网络预测夏季电力短期负荷。由于其较高的收敛速度和较低的内存使用,按比例缩小的共轭梯度(SCG)方法用于NFC培训。因此,作者的18训练一个SCG的1型模糊系统使用一个定制的形式。根据他们的说法,改进SCG加速收敛的最速下降方法模糊系统培训。因此,SCG似乎是一个不错的候选人NFC大规模培训的问题。培训和SCG NFC大规模问题,另一方面,对任何个人电脑可能需要数天或数周。培训和SCG NFC大规模问题,另一方面,对任何个人电脑可能需要数天或数周。减少训练时间的另一种方法是使用一阶梯度计算海赛矩阵,如共轭梯度(CG)算法19]。小波变换是一种有用的工具开发数据处理和时频表示。小波理论是描述彻底(20.,21]。在神经网络的背景下,小波变换的应用并不新鲜。先前的研究[22,23)提出了一种基于小波神经网络前馈的理论框架。的研究(24)调查了使用小波异花授粉的能力为一个未知的实时功能。因为小波压缩高容量和更少的系数,结果在这种情况下实现的。
在[25),作者提出了一个统计模型使用小波网络的识别框架,研究了一系列广泛的话题,包括体系结构、初始化、变量选择和模型选择。由于提取变化信息的能力,小波技术曾在许多计算机视觉应用程序使用卷积神经网络(CNN)。小波CNN纹理分类(26),多尺度的脸超限分辨(27],超限分辨照片[28,边缘特征提高(29日只是几个例子。在[30.),提出了一种多级小波图象恢复CNN模型。研究人员在31日建议一个新图层,进行小波卷积滤波和激活之前回到像素空间。
同样的,(32)创建了一个基于小波混合小波深度学习网络散射变换(33]。这提出了一个基本分类,随后增强(34]。在[35),作者也建议脑瘤的细分小波,由进化的网络设计,加强了对于这个应用程序,DWT加上神经网络分类(36]。低空间分辨率和密度扩大接受域pixel-specific预测,encoder-decoder CNN架构与编码器DWT和逆译码器提出了DWT (37]。此外,提出了一种基于小波神经网络语音和噪声分离(38]。研究人员在39)建立基于SCG算法预测算法的优化的解决在复杂地质情况下的基础结构。研究结果表明,算法的优化是最优的,这有一个积极的影响比BP神经网络和BP算法。从以上学者的工作的启发,本研究工作结合了小波神经网络算法)和优化了共轭梯度算法成功地预测软土地基工程结算进行大量的实验。
3所示。材料和方法
3.1。材料在我们的研究工作
3.1.1。软土基础
软土地基由软土与细颗粒和有机土与更广泛的差距,因为它的结构包括粪的土壤与淤泥和其他高度可压缩土壤粘土组件和淤泥组件(40在细土颗粒。的软地基土主要是基于土壤的变化产生的基础地理环境、地质结构和土壤条件的特性和品质。
(1)软土地基的特点。软土的主要特性包括低透水性和高含水量,根据土壤的基本属性。然而,透水性差,和抗剪强度非常低41]。剪脚制动器和压缩系统具有高压缩性或脏的土壤通常表现出相当大的解决外部负载后传播的基础部分。因此,建筑建造在软土基础,如建筑物、道路和桥梁,有一个明显的倾向或解决方案。是直接导致建筑物的损伤和裂纹,因此,大孢子的增加,这可能导致崩溃的建筑一旦它是认真的。因此,市政建设单位应积极分析和研究了软土地基处理和科学发现和看看剪切阻力和货物阻力位的软土地基42]。
(2)软土地基的影响。软土地基的影响,可以看到在图1和它的主要组件如下:(1)承载力差:由于高含水量和土壤条件的微小的渗流软土基础,基础的承载强度很低,使结算基础极其简单,构成严重威胁居民的旅游质量(43]。(2)大结算:重要的结算是软土地基的特性之一。软土基础的沉降特性将为工程建设项目和创建额外的困难造成严重危险工程项目的进度和质量。(3)强大的压缩系数:软土延展性强,由于大孢子结构取决于含水量和土壤质量12]。建设期间,大孢子的软土地层是濒危物种,它可以防止适当的控制措施被采取,进一步影响效率和进步的建设和稳定的基础。结果很容易打乱的路径和路基工程结构倒塌。
3.1.2。小波神经网络
小波网络是一种新颖的网络类型,汇集了传统乙状结肠网络(NNs)和小波分析(WA) [43]。拉伸系数,用aj,平移元素,用bj由这种技术引入了两个新的参数。这些新的参数替换相应的神经网络的权值和阈值使用波元素取代神经元之间建立连接的改变和神经网络通过一个近似小波分解(25]。小波神经网络根据图包含三层2:输入层、隐层和输出层。在向前传播学习阶段,数据从输入层处理和发送到隐藏层。随后被处理的数据在输出层由一个隐藏层。之后,在反向传播阶段,输出层决定了每个单元的输出值通过计算输出值之间的差异和预期的输出值。最后,重量修改每个输入层和隐层的产品是每个接收单位错误值和传输单位激活值(44,45]。
3.2。方法
3.2.1之上。收敛性分析
考虑到算法的局限性后,主要问题是可怜的收敛。当小波神经网络使用BP神经网络的初始化和培训技术,会有贫穷的收敛困难和建议改进(7]。这是由于不同的激活函数的隐层节点。本文优化初始参数选择技术以及基于此的网络训练方法。
3.2.2。优化的算法
(1)选择网络参数的初始值。网络参数的初始化网络上是否有影响的后续学习收敛和收敛的速度。目前,随机值用于创建初始参数的算法,大大提高了学习的次数,甚至导致网络无法收敛。作者提出一个自相关修正初始参数设置技术(46),适合小波神经网络的初始参数设置和小波类型、小波时频参数,和学习样本。优秀的启动参数可以获得高度的确定使用这种方法,和小波网络的后续学习速度将大幅增加。因此,本文使用这种方法来确定网络参数的初始值,这将在本文中进一步讨论。
(2)确定网络结构。在本节中,我们讨论的结构,我们提出了基于优化的按比例缩小的共轭梯度算法的小波神经网络预测软土地基的工程解决方案。(1)数量的隐藏层:研究者的47证明了一个三层神经网络模型可以处理一般的函数拟合和逼近问题。因为沉降预测是一个函数拟合问题,一个三层的小波神经网络就足够了。(2)隐层节点的数量:隐层节点的数量直接影响着网络的泛化能力和培训时间;因此,它是至关重要的发展的神经网络模型。然而,在这个地区没有理论的方向。实际应用中使用的主要方法是测试或使用经验方程(48]。
本研究提出了一种自适应技术基于经验公式获得更高的隐层节点的数量。首先,使用方程(1)寻找隐层节点的数量和网络学习时间的最大数量。当网络达到最大数量的节点,隐层节点的数量将会增加,因为它仍然无法满足误差标准。同样的,当网络不符合指定的学习人数,误差准则是同时满足,隐层节点的数量将减少。
在这里,输入节点的数量,输出节点的数量,隐层节点的数量,然后呢是一个常数1到20。
3.2.3。优化学习算法
因为传统的BP网络利用最陡下降法,主要缺点是这种减慢网络收敛性和容易局限于当地最好的解决方案(41]。因此,有几种优化方法,其中;为其在自然SDBP算法相似,但更高的收敛时间,连接梯度算法通常用于解决大型优化问题。出于这个原因,SCG方法(49]本文中使用的网络训练结合梯度算法。以下是详细的应用程序的过程:
我们把错误的能量函数
在这里,是输入值,是输出值,是一个参数。
为目标函数的小波神经网络输入样本的梯度(即。 )是
如果使用Morlet小波函数,即 ,然后
用这些SCG算法,最优能够解决。
在上面的公式中, 网络的输出,之间的连接权重k隐层神经元和我输入层的神经元,之间的连接权重j在输出层神经元和kth在隐藏层神经元 , 规模参数和翻译小波基函数的参数。
3.2.4。优化算法的建设
基于上述研究,本文改进算法的模型建立在以下步骤:步骤1:选择适当的训练样本,根据一定的规则定义训练样本,并确定输入和输出神经元的数量的神经元网络。步骤2:网络的学习算法:SCG算法。步骤3:设置网络训练期间,目标错误,和其他参数。第四步:计算网络的隐层节点数的经验公式,使自适应优化调整,重新构建网络结构。第五步:传递函数:隐层到输出层采用乙状结肠函数和输入层到隐层采用Morlet小波函数。第六步:选择一组权重随机和使用由自相关修正权重优化方法作为网络训练的初始权重。重置网络的训练参数和使用SCG算法训练和建立一个改进的算法。
3.2.5。沉降预测模型
方程(9)用于样本归一化充分利用乙状结肠函数的敏感性,提高训练的收敛速度50]。
在这里,和每组的最大和最小值的输入组件,然后呢和是之前和之后的值每组输入组件的标准化。
应用上述改进算法。
样本训练:首先,测量样品 分为 组,每个组都有 价值。第一个值作为网络的输入节点值,而后者作为输出节点的期望值。其次,网络连接的重量训练。然后,使用聚合连接重量, 作为网络的输入来计算预测价值 。最后,删除之后和添加 , 设置的新的输入网络计算预测价值 ,等作进一步的预测。
3.2.6。培训计划
有相同的结构和使用的三种神经网络训练样本,和差异如表所示1。训练样本是累积沉降值。10倍的平均预测结果将会减少随机性的预测价值。评估模型的预测结果的相对误差和模型精度。给出了模型的准确性
在这里,是预测的数量值。
表1代表一个比较BP神经网络等三种模式,它使用SDBP算法作为学习方法,在乙状结肠隐层的功能通过随机生成初始参数。虽然SDBP算法用于BP小波神经网络的学习技术,Morlet小波函数的隐层是随机生成的。同样,我们的改进小波神经使用SCG算法作为学习模式而不是SDBP算法。初始参数的改进的小波神经网络是由自相关产生的校正方法。
4所示。实验工作和结果
近年来出现了许多软基处理项目的结果稳定的国家基本建设项目。软基处理工程沉降预测一直是一个具有挑战性的话题在工程由于软基变形的错综复杂。结果,三种神经网络用于预测三种常见的软基处理工程的结算:地铁隧道、公路、高层结构,比较和评估研究中的优化模型的收敛性。
4.1。地铁隧道的沉降预测
西部一个城市扩展的地铁隧道位于软流动的咸粘土层含水率高、高压缩性、高灵敏度,低强度和可变形性。是长江漫滩,厚厚的一层,深基础,地质条件较差。的隧道,其周边地区发展的高峰时期,有许多建筑工地,和解决其结构是显而易见的。测量的实验数据是20期点,这大大解决。最初的15期的数据作为训练样本来预测未来5期的解决。最初的15期的数据分为训练样本。每组有8价值观:第一个7值作为网络的输入节点,而后者作为输出节点的期望值。这三个模型的预测结果如表所示2- - - - - -5。
表2阐述了沉降预测的相对误差和精度的地铁隧道用BP神经网络训练乘以3503。在BP神经网络中,我们获得一个2.45的精度测量16,17,18,19,20。
表3解释了沉降预测的相对误差和精度的地铁隧道使用将该BP算法训练乘以931。在这个算法中,我们获得一个1.32的精度测量16,17,18,19,20。
表4描述了沉降预测的相对误差和精度的地铁隧道使用改进的小波神经网络,通过训练乘以267。在改进的小波神经网络,0.89的数量的准确性测量16,17,18,19,20。
表5显示了沉降预测的相对误差和精度的地铁隧道使用所有的三种技术,通过训练乘以3503,931和267年,分别。这反映出,在BP神经网络中,获得的模型精度2.45,大于将该BP算法和改进算法的数量测量16,17,18,19,20。
4.2。高速公路软土路基的沉降预测
长江大桥通车于2001年,是国家重点建设项目之一,第九个五年计划时期。铅是一种软土地基,沉降监测点是根据它的部分。监控的数据点的13期预测某部分选择实验中,其中第一个9期的数据作为训练样本预测最后的结算4期。第一个9期的结算日期分为4个训练样本。每组有6价值观:前5的值作为网络的输入节点,而后者作为输出节点的期望值。三种网络模型分别用于预测;结果给出了表6- - - - - -9。
表6阐述了沉降预测的相对误差和精度的高速公路软土路基用BP神经网络训练乘以2589。在BP神经网络中,我们获得一个6.10的精度测量10,11、12、13所示。
表7描述了沉降预测的相对误差和精度高速公路软土路基的使用将该BP算法训练乘以616。在这个技术,我们获得一个3.65的精度测量10,11、12、13所示。
表8解释了沉降预测的相对误差和精度高速公路软土路基的使用改进的小波神经网络,通过训练乘以132。在改进的小波神经网络,1.82的数量的准确性测量10,11、12和13。
表9显示了沉降预测的相对误差和精度高速公路软土路基的使用所有的三种技术,通过训练乘以2589,616和132年,分别。这反映出,在BP神经网络模型精度获得6.10的数量测量10,11、12、13所示。这反映了这精度大于将该BP算法和改进算法。
4.3。建筑物的沉降预测的基础
21期的一幢高层建筑的软基监测数据进行分析。第一个13期的数据作为训练样本预测最后的结算8期的观察。使用三种网络模型进行预测,结果在表中列出10- - - - - -13。
表10说明了沉降预测的相对误差和精度的基础用BP神经网络训练乘以3201。在BP神经网络中,我们获得0.43的精度测量14日,15日,16日,17日,18日,19日,21日和21日。
表11描述了沉降预测的相对误差和精度的构建基础使用将该BP算法训练乘以1145。在这个技术,我们获得一个0.47的精度测量14日,15日,16日,17日,18日,19日,20日和21日。
表12显示了沉降预测的相对误差和精度的基础使用改进的小波神经网络,通过训练乘以254。在改进的小波神经网络,0.35的数量的准确性测量14日,15日,16日,17、18、19、20日和21日。
表13显示了沉降预测的相对误差和精度的使用所有的三种技术,构建基础与训练乘以3201,1145和254年,分别。这反映了在将该模型精度获得BP算法0.47的数量测量14日,15日,16日,17日,18日,19日,20日和21日。这反映了这精度大于其余的两种技术。
数据3- - - - - -5显示三种技术的比较,平均相对误差和最大绝对误差使用BP神经网络模型的预测结果比那些获得通过将该BP算法。这表明将该BP算法的泛化(预测)能力优于BP神经网络模型。改进的算法方法的预测结果比实测沉降值,这是符合实际的工程经验。比较这两种方法时,将该BP算法优越的预测能力的改进算法的方法。
将优于BP神经网络的预测精度和收敛速度,具有良好的自适应预测功能的算法相比基于SDBP算法,根据沉降预测结果对三种类型的软基处理工程。因此,改进后的算法基于SCG算法极大地提高预测精度和收敛速度。
5。结论
针对收敛缺陷在传统的沉降预测模型的应用,本文基于传统优化算法的BP算法,它适用于软基工程。在这里,我们介绍了BP神经网络和改进的小波神经网络在软弱地基基础工程预测基于小波神经网络的基本概念。小波神经网络方法已得到增强,规模共轭梯度技术已经更新的价值最大化神经小波网络的方法。增强小波神经网络结算模型,和基于传统定居点预计英国石油技术。改进的基于经典的BP小波神经网络模型方法具有更高的预测精度,和软土沉降具有良好的预测效果与指定的参考价值,根据计算精度评价指标的比较。
数据可用性
和/或使用的数据集分析在当前研究可从相应的作者在合理的请求。
的利益冲突
作者宣称没有利益冲突。
作者的贡献
这李和陈宇汉设计研究,分析了数据,并写了手稿。香港美和帅陈分析数据,导致写作手稿。
确认
本研究支持的基础研究基金为中央大学(B210205013)。