论文部分内容阅读
摘要
本文结合灰色理论和BP网络理论建立灰色BP网络模型来探讨其在嵌岩桩承载力预测中的应用。
关键词:BP网络模型, 嵌岩桩, 承载力
Abstract: Combined with grey theory and the BP neural network theory, the paper talks about a grey BP network model to study the rock-socketed pile bearing capacity prediction of application.
Key Words: BP network model, rock-socketed pile, bearing capacity
中图分类号： TU473文献标识码：A 文章编号：
由于嵌岩桩的单桩承载力很高，嵌岩桩的试验资料非常有限，在这些有限的试验资料中，真正能做到桩基破坏阶段的试验很少。如何根据这些实测的有限的荷载与沉降数据准确地预测桩的完整的荷载一沉降关系，进而确定桩的极限承载力，对于指导嵌岩桩设计和施工是具有重要意义的。本文结合灰色理论和BP网络理论建立灰色BP网络模型来探讨其在嵌岩桩承载力预测中的应用。
1、模型的建立
由灰色理论得知单桩的极限承载力Pu可由如下公式表示：
（1）
其中：Pi为桩顶荷载序列，为Pi的一次累加生成，第i+1级桩顶累计荷载预测值，a表示发展系数。
根据公式建立残差序列的BP网络模型。若预测阶数为m，即用作为BP网络训练的输入样本；将的值作为BP网络训练的预测期望值。采用上述BP算法，通过足够多的参差序列案例训练这个网络，使不同的输入向量得到相应的输出量值。训练好的BP网络模型可以作为残差序列预测的有效工具，BP网络模型如下：
图1 BP神经网络的设计图
这里设计的BP神经网络的输入层节点为3，即由前三个数据预测下一个数据。隐含层为一层，其节点数为6。输出层的节点数为1。隐含层的传递函数为双曲正切函数，输出层的传递函数为线性函数，如图1所示。学习函数设为梯度下降动量学习函数，训练函数为动量及自适应的梯度递减训练函数。
确定的新预测值。设经过BP网络训练模型预测出的参差序列为，在此基础上构造新的预测值，即：
（2）
则就是灰色BP神经网络组合模型的预测值。
二．工程实例实测与预测的对比分析
本例取自瑞安国际大酒店其中的某根嵌岩桩的实测资料[1]，试桩采用锚桩－反力架装置慢速维持荷载加载观测，结果见表1。
表1瑞安国际大酒店某试桩数据
首先建立残差序列：
将以上数据作归一化处理，分别除以每组数据中的最大绝对值，使其值在[-1，1]之间，得：
均方误差限制在0.001以内，学习率设为0.01，学习率自适应增量为1.05，学习率自适应递减率为0.7。在训练1189次后，模型达到收敛，见图2。
图2训练误差曲线 图3训练误差曲线
在训练2901次后，模型达到收敛，见图3。
根据式（2），可以得到最后的预测结果，表2列出了灰色BP神经网络模型的拟合结果，由表中可以看出，BP网络对GM（1，1）模型的修正效果非常好。
表2 灰色BP神经网络模型的拟合结果
三．小结
本文通过对瑞安国际大酒店某根嵌岩桩单桩承载力建立灰色BP网络模型进行计算，并与实测资料进行对比，得出灰色系统理论和人工神经网络的组合能够提高嵌岩桩荷載预测的精度，对指导工程实践具有重要的实际意义。
参考文献：
[1] 张忠苗. 软土地基超长嵌岩桩的受力性状[J]. 岩土工程学报, 2001, 23(5): 552—556
[2] 魏际兵，陈华兴，应用BP神经网络预测嵌岩桩竖向承载力的研究[J] 地球与环境，2005，，S1
注：文章内所有公式及图表请以PDF形式查看。
本文结合灰色理论和BP网络理论建立灰色BP网络模型来探讨其在嵌岩桩承载力预测中的应用。
关键词:BP网络模型, 嵌岩桩, 承载力
Abstract: Combined with grey theory and the BP neural network theory, the paper talks about a grey BP network model to study the rock-socketed pile bearing capacity prediction of application.
Key Words: BP network model, rock-socketed pile, bearing capacity
中图分类号： TU473文献标识码：A 文章编号：
由于嵌岩桩的单桩承载力很高，嵌岩桩的试验资料非常有限，在这些有限的试验资料中，真正能做到桩基破坏阶段的试验很少。如何根据这些实测的有限的荷载与沉降数据准确地预测桩的完整的荷载一沉降关系，进而确定桩的极限承载力，对于指导嵌岩桩设计和施工是具有重要意义的。本文结合灰色理论和BP网络理论建立灰色BP网络模型来探讨其在嵌岩桩承载力预测中的应用。
1、模型的建立
由灰色理论得知单桩的极限承载力Pu可由如下公式表示：
（1）
其中：Pi为桩顶荷载序列，为Pi的一次累加生成，第i+1级桩顶累计荷载预测值，a表示发展系数。
根据公式建立残差序列的BP网络模型。若预测阶数为m，即用作为BP网络训练的输入样本；将的值作为BP网络训练的预测期望值。采用上述BP算法，通过足够多的参差序列案例训练这个网络，使不同的输入向量得到相应的输出量值。训练好的BP网络模型可以作为残差序列预测的有效工具，BP网络模型如下：
图1 BP神经网络的设计图
这里设计的BP神经网络的输入层节点为3，即由前三个数据预测下一个数据。隐含层为一层，其节点数为6。输出层的节点数为1。隐含层的传递函数为双曲正切函数，输出层的传递函数为线性函数，如图1所示。学习函数设为梯度下降动量学习函数，训练函数为动量及自适应的梯度递减训练函数。
确定的新预测值。设经过BP网络训练模型预测出的参差序列为，在此基础上构造新的预测值，即：
（2）
则就是灰色BP神经网络组合模型的预测值。
二．工程实例实测与预测的对比分析
本例取自瑞安国际大酒店其中的某根嵌岩桩的实测资料[1]，试桩采用锚桩－反力架装置慢速维持荷载加载观测，结果见表1。
表1瑞安国际大酒店某试桩数据
首先建立残差序列：
将以上数据作归一化处理，分别除以每组数据中的最大绝对值，使其值在[-1，1]之间，得：
均方误差限制在0.001以内，学习率设为0.01，学习率自适应增量为1.05，学习率自适应递减率为0.7。在训练1189次后，模型达到收敛，见图2。
图2训练误差曲线 图3训练误差曲线
在训练2901次后，模型达到收敛，见图3。
根据式（2），可以得到最后的预测结果，表2列出了灰色BP神经网络模型的拟合结果，由表中可以看出，BP网络对GM（1，1）模型的修正效果非常好。
表2 灰色BP神经网络模型的拟合结果
三．小结
本文通过对瑞安国际大酒店某根嵌岩桩单桩承载力建立灰色BP网络模型进行计算，并与实测资料进行对比，得出灰色系统理论和人工神经网络的组合能够提高嵌岩桩荷載预测的精度，对指导工程实践具有重要的实际意义。
参考文献：
[1] 张忠苗. 软土地基超长嵌岩桩的受力性状[J]. 岩土工程学报, 2001, 23(5): 552—556
[2] 魏际兵，陈华兴，应用BP神经网络预测嵌岩桩竖向承载力的研究[J] 地球与环境，2005，，S1
注：文章内所有公式及图表请以PDF形式查看。