全连接神经网络在砂砾石地基上闸底板弯矩预测中的应用

发布时间：2021-04-13 06:13

　　闸底板作为闸室结构的基础,其结构安全决定了水闸工程整体的安全和稳定。砂砾石地基上的闸底板弯矩预测是设计阶段的重要内容,目前主要通过材料力学法、结构力学法和有限元法计算得到,其中前两种方法无法考虑接触效应,存在应用局限性,有限元法计算量及前期准备工作量大,且过程相对复杂。为了给初设阶段水闸设计参数的确定提供简捷算法,加快设计进度,以某水闸工程为例,基于ABAQUS有限元分析的计算结果,在Tensorflow平台上建立了多层全连接神经网络预测模型。结果表明,该模型的预测精度达91.71%,与实际值较吻合。 

【文章来源】：水电能源科学. 2020,38(12)北大核心

【文章页数】：4 页

【部分图文】：

水闸有限元模型

图1 水闸有限元模型对预测模型而言，若样本数量过大，可能会影响模型收敛速度，削弱模型的泛化能力，但若训练样本数据量偏少，模型的预测精度会降低，因此选取的训练样本数据量要适当，要既不影响模型的性能，又可以反映数据之间的规律性。通过有限元计算结果可知，底板中心弯矩与底板厚度、闸孔宽度、砂砾石地基厚度均呈非线性关系，可选取3个参数参与预测模型的训练；底板中心弯矩与闸墩高度呈线性关系，可选取1个参数参与模型的训练。在实际工程中，因水闸荷载不大，水闸实际采用的底板厚度范围为1.5～2.5 m；闸孔一般采用8 m以上的孔径，目前国内最大的孔径为30m；闸墩高度参数的选取主要与水位高度有关，在已建成的大型水闸中，闸墩高度大多在10 m左右。另外，平原上砂砾石地基的厚度一般小于30m。据此，底板厚度、闸孔宽度、闸墩高度、砂砾石厚度的取值范围分别为1.5～2.5、8～16、10～20、10～20m。

全连接神经网络模型的预测结果见表3，对该预测结果回归分析，结果表明该模型的平均绝对百分比误差为8.29%，预测精度达到91.71%，将表3中数据绘制成图4，由图4可看出该模型的拟合效果较好。4 结论

【参考文献】：
期刊论文
[1]深度学习相关研究综述[J]. 张军阳,王慧丽,郭阳,扈啸.  计算机应用研究. 2018(07)
[2]大断面软弱地层隧道施工围岩变形试验及预测[J]. 苏道振,骆建军.  岩石力学与工程学报. 2016(S2)
[3]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟.  计算机研究与发展. 2013(09)
[4]基于RBF神经网络的水闸垂直位移时间序列预测模型[J]. 曹欣荣,楼章华,孙宏巍.  三峡大学学报(自然科学版). 2010(05)

硕士论文
[1]利用COStream实现全连接和卷积神经网络的并行计算[D]. 王兆吉.华中科技大学 2019
[2]全连接神经网络在FPGA上的实现与优化[D]. 周鑫.中国科学技术大学 2018



本文编号：3134776