基于GA-BP神经网络的隧道围岩力学参数反演
发布时间：2021-01-12 04:28
为在岩土工程设计和施工中获得更加合理、可靠的岩体力学参数,改善BP神经网络算法存在的收敛速度慢、依赖初值等不足,采用GA-BP神经网络方法,对隧道围岩力学参数反演进行了研究。依托江西省萍莲高速公路莲花隧道工程,选取右洞YK35+095～YK35+135段作为模拟对象,利用FLAC3D有限差分法,按照微台阶法开挖,构建三维数值计算模型;设计了25组围岩力学参数的正交试验,代入已建立的数值模型,得到系列拱顶沉降、周边位移以及地表沉降值,由此构造了神经网络的样本;采用遗传算法和神经网络相结合,其中遗传算法种群规模取值30,最大遗传代数取值25,交叉概率取值0.8,变异概率取值0.01,通过网络训练,得到了训练成熟的GA-BP神经网络,建立了待反演的围岩力学参数与位移之间的映射关系;将莲花隧道YK35+115断面实测的拱顶沉降、周边位移和地表沉降值,输入到已训练成熟的GA-BP神经网络模型中,输出得到围岩的弹性模量、泊松比、黏聚力、内摩擦角等参数。结果表明:采用GA-BP神经网络反演获得的围岩力学参数,代入到FLAC3D数值模型中正演计算,得到拱顶沉降、周边位移和地表沉降与现场实测值仅相差2....
【文章来源】：公路交通科技. 2020,37(07)北大核心
【文章页数】：7 页
【部分图文】：
计算模型及网格划分
BP神经网络是采用误差反向传播计算的算法,有着良好的自组织学习能力,是目前应用最为广泛的神经网络模型之一。BP神经网络包括输入层、隐含层、输出层,它能够实现从输入到输出的任意非线性映射[18-19]。如图2所示,输入层神经元有m个,隐含层有p个,输出层有n个。输入层到隐含层的权值为Wij (i=1,2,…,m; j=1,2,…,p),隐含层到输出层的权值为Wjk (j=1,2,…,p; k=1,2,…,n),隐含层的阈值为θj(j=1, 2,…,p),输出层的阈值为αk(k=1,2,…,n)。神经网络的输入向量为X1,X2,…,Xm,神经网络的输出向量为Y1, Y2,…,Ym,期望输出为Yh,神经网络期望输出值与实际输出值的误差e。在BP神经网络训练时,权值为随机值,输入学习样本得到网络的输出值,然后通过输出值与期望值的误差值,再通过修改网络参数,达到使误差值不断减小的目的,如此反复,直至误差值不再下降,就能得到训练成熟的神经网络模型。
GA-BP神经网络通过优化BP神经网络中随机生成的初始权值与阈值,使得传统的BP神经网络具有更优的非线性映射能力,具有更好的预测能力。在GA-BP神经网络中,首先对种群个体进行编码;再利用神经网络训练误差并将此作为适应度函数;其次,通过选择、自适应交叉和变异算子,获得种群最佳适应度个体;最后将种群最佳适应度个体作为神经网络的最佳初始权值、阈值;继而代入到BP神经网络中进行训练、预测仿真,直到达到满足设定的预测误差要求或者达到设定的最大迭代次数结束,从而获得成熟的GA-BP神经网络。其算法流程如图3所示。
【参考文献】：
期刊论文
[1]白水隧道围岩力学参数敏感性分析与智能反演[J]. 祝江林,陈秋南. 湖南文理学院学报(自然科学版). 2019(02)
[2]浅埋地下洞室围岩岩体力学参数反分析研究[J]. 戴薇,石崇,张金龙. 河北工程大学学报(自然科学版). 2019(01)
[3]沙湾特长隧道软弱破碎千枚岩围岩参数敏感性分析与反演研究[J]. 王军祥,蔺雅娴,孟津竹,葛万民,寇海军. 隧道建设(中英文). 2018(S2)
[4]应用GA-BP神经网络预估砾类土的最大干密度[J]. 饶云康,丁瑜,许文年,张亮,张恒,潘波. 长江科学院院报. 2019(04)
[5]基于遗传算法的BP神经网络在隧道围岩参数反演和变形预测中的应用[J]. 周冠南,孙玉永,贾蓬. 现代隧道技术. 2018(01)
[6]高寒地区碾压混凝土坝运行期力学参数反演分析[J]. 万智勇,黄耀英,朱赵辉,王廷,景继,肖磊. 水利水电技术. 2017(12)
[7]基于多变量的集成预测模型在隧道拱顶沉降变形预测中的应用[J]. 肖大海,谢全敏,杨文东. 公路交通科技. 2017(12)
[8]隧道膨胀性围岩蠕变特性分析及参数反演[J]. 吕志涛,吴庚林,靳晓光,李亚勇. 地下空间与工程学报. 2016(06)
[9]大连地铁暗挖隧道变形监测及参数智能反演[J]. 赵杰,刘历胜,王桂萱,孙晓艳. 防灾减灾工程学报. 2016(04)
[10]砂土区间地铁盾构施工土体参数反演及其验证[J]. 李振涛,姜磊,刘宇,汪江. 地下空间与工程学报. 2014(03)
博士论文
[1]双孔平行地铁隧道开挖的复变函数解析解与数值分析[D]. 施有志.华侨大学 2013
硕士论文
[1]基于轮壤相互作用模型的星壤力学参数反演研究[D]. 盖宏健.吉林大学 2019
本文编号：2972151
【文章来源】：公路交通科技. 2020,37(07)北大核心
【文章页数】：7 页
【部分图文】：
计算模型及网格划分
BP神经网络是采用误差反向传播计算的算法,有着良好的自组织学习能力,是目前应用最为广泛的神经网络模型之一。BP神经网络包括输入层、隐含层、输出层,它能够实现从输入到输出的任意非线性映射[18-19]。如图2所示,输入层神经元有m个,隐含层有p个,输出层有n个。输入层到隐含层的权值为Wij (i=1,2,…,m; j=1,2,…,p),隐含层到输出层的权值为Wjk (j=1,2,…,p; k=1,2,…,n),隐含层的阈值为θj(j=1, 2,…,p),输出层的阈值为αk(k=1,2,…,n)。神经网络的输入向量为X1,X2,…,Xm,神经网络的输出向量为Y1, Y2,…,Ym,期望输出为Yh,神经网络期望输出值与实际输出值的误差e。在BP神经网络训练时,权值为随机值,输入学习样本得到网络的输出值,然后通过输出值与期望值的误差值,再通过修改网络参数,达到使误差值不断减小的目的,如此反复,直至误差值不再下降,就能得到训练成熟的神经网络模型。
GA-BP神经网络通过优化BP神经网络中随机生成的初始权值与阈值,使得传统的BP神经网络具有更优的非线性映射能力,具有更好的预测能力。在GA-BP神经网络中,首先对种群个体进行编码;再利用神经网络训练误差并将此作为适应度函数;其次,通过选择、自适应交叉和变异算子,获得种群最佳适应度个体;最后将种群最佳适应度个体作为神经网络的最佳初始权值、阈值;继而代入到BP神经网络中进行训练、预测仿真,直到达到满足设定的预测误差要求或者达到设定的最大迭代次数结束,从而获得成熟的GA-BP神经网络。其算法流程如图3所示。
【参考文献】：
期刊论文
[1]白水隧道围岩力学参数敏感性分析与智能反演[J]. 祝江林,陈秋南. 湖南文理学院学报(自然科学版). 2019(02)
[2]浅埋地下洞室围岩岩体力学参数反分析研究[J]. 戴薇,石崇,张金龙. 河北工程大学学报(自然科学版). 2019(01)
[3]沙湾特长隧道软弱破碎千枚岩围岩参数敏感性分析与反演研究[J]. 王军祥,蔺雅娴,孟津竹,葛万民,寇海军. 隧道建设(中英文). 2018(S2)
[4]应用GA-BP神经网络预估砾类土的最大干密度[J]. 饶云康,丁瑜,许文年,张亮,张恒,潘波. 长江科学院院报. 2019(04)
[5]基于遗传算法的BP神经网络在隧道围岩参数反演和变形预测中的应用[J]. 周冠南,孙玉永,贾蓬. 现代隧道技术. 2018(01)
[6]高寒地区碾压混凝土坝运行期力学参数反演分析[J]. 万智勇,黄耀英,朱赵辉,王廷,景继,肖磊. 水利水电技术. 2017(12)
[7]基于多变量的集成预测模型在隧道拱顶沉降变形预测中的应用[J]. 肖大海,谢全敏,杨文东. 公路交通科技. 2017(12)
[8]隧道膨胀性围岩蠕变特性分析及参数反演[J]. 吕志涛,吴庚林,靳晓光,李亚勇. 地下空间与工程学报. 2016(06)
[9]大连地铁暗挖隧道变形监测及参数智能反演[J]. 赵杰,刘历胜,王桂萱,孙晓艳. 防灾减灾工程学报. 2016(04)
[10]砂土区间地铁盾构施工土体参数反演及其验证[J]. 李振涛,姜磊,刘宇,汪江. 地下空间与工程学报. 2014(03)
博士论文
[1]双孔平行地铁隧道开挖的复变函数解析解与数值分析[D]. 施有志.华侨大学 2013
硕士论文
[1]基于轮壤相互作用模型的星壤力学参数反演研究[D]. 盖宏健.吉林大学 2019
本文编号：2972151
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/2972151.html
