论文部分内容阅读
地基土液化是地震工程中的重要问题,其发生、发展是一个复杂过程。液化预测包括可能性和危害程度预测两个方面。液化的影响因素很多,随机性大,且各因素呈高度的非线性。传统的判别和等级评价方法多是在宏观震害现象和室内试验基础上总结、分析、统计得到的,有一定的实用性,但也存在着一些局限性,结论可靠度尚需提高。本文在评析传统方法基础上,提出建立一种人为影响因素小、能容定量与定性指标于一体的液化判别及评价模型是非常必要的。 本文阐述了人工神经网络和遗传算法的基本原理及实现技术,并在此基础上利用Matlab5.3编写了人工神经网络程序: (1)编写了BP人工神经网络程序,采用Vogl“批处理”快速算法,学习速率、动量参数在误差修正过程中自适应调节,提高了训练的速度。 (2)编写了遗传神经网络GA-BP程序,采用二级遗传算法与BP算法相结合,同时优化网络隐层节点数和权值、阈值,既克服了寻优过程的盲目性,又避免陷入局部极小,提高了网络的学习精度。 (3)与工具箱的L-M算法结合编写了改进遗传神经网络GA-LM程序,综合考虑了部分预测样本对适应度函数的影响,提高了网络的学习、泛化能力及运行速度。 (4)与工具箱的RBF网络相比较,说明网络的学习算法是改善网络性能的关键。 本文依据地震液化及其危害程度实测资料,综合考虑多方面因素,建立了液化判别及等级评价的人工神经网络模型。并与实测结果及传统方法相比较,得出以下结论: (1)在数据合理情况下,神经网络方法可以快速达到比传统方法更高的预测精度。说明建立的液化判别及等级评价的网络模型是科学的、有效的。 (2)网络模型可以揭示结构和参数与运行之间的内在关系,将输入、输出关系量化公式。根据单个因素贡献率进行主成份分析,不仅验证了传统方法的合理性,且对规范方法提出了建议。