基于BP神经网络的氯盐渍土溶陷特性研究

更新时间:2023-06-14 01:35:34 阅读: 评论:0

第39卷 第6期2020年12月
州交通大学学报
JournalofLanzhouJiaotongUniversityVol.39No.6
Dec.2020
收稿日期:202005?
21         学报网址:http://lztx.cbpt.cnki.net作者简介:孙建忠(1979-),男,江苏泰州人,讲师,硕士,主要研究方向为岩土工程中的力学应用.E?
mail:sunjzh_1979@163.com.文章编号:10014373(2020)06?0026?
06DOI:10.3969/j.issn.1001?
4373.2020.06.005基于BP神经网络的氯盐渍土溶陷特性研究
孙建忠
(兰州交通大学土木工程学院,兰州 730070)
摘要:青海地区铁路路基的溶陷不均匀沉降病害较为严重,氯盐是引起路基溶陷的最主要因素.为了研究氯盐渍土的溶陷特性,以青海西部氯盐渍土为研究对象,建立基于BP神经网络模型的氯盐渍土溶陷特性的预测方法,研究氯盐含量、含水率及上覆荷载等主要影响因素对氯盐渍土溶陷系数的影响.研究表明,该预测模型的预测结果与实测数据具有较高的拟合度,验证了神经网络模型预测氯盐渍土溶陷特性的可行性.关键词:铁路路基;氯盐渍土;溶陷系数;BP神经网络中图分类号:U213.1     文献标志码:A
StudyonThawSettlementCharacteristicsofChloride
SalineSoilBasedonBPNeuralNetwork
SUNJian
zhong(SchoolofCivilEngineering,LanzhouJiaotongUniversity,Lanzhou730070,China)
Abstract:Non?uniformsettlementofrailwaysubgradeinQinghaiisserious,amongwhichchlorinesaltisthemainfactorcausingthesubsidenceofrailwaysubgrade.Inordertostudythesubsidencecharacteris ticsofchlorinesalinesoil,aBPneuralnetworkmodelwasestablishedtopredictthesubsidencecharacter isticsofchlorinesalinesoilinwestQinghaiprovince,andtheinfluencesofmajorfactorssuchaschlorinecontent,watercontentandoverburdenonthesubsidencecoefficientofchlorinesalinesoilwerestudied.Thestudyshowsthatthepredictionresultsofthemodelinthispaperhaveahighfittingdegreewiththemeasureddata,whichverifiesthefeasibilityoftheneuralnetworkmodelinpredictingthesubsidencecharacteristicsofthechlorinesalinesoil.
Keywords:railwaysubgrade;chloridesalinesoil;thawcoefficient;BPneuralnetwork  青海等西部地区由于盐湖居多,因此该地区的
土壤中易溶盐含量也相对较高[
1?
3],故而其盐胀及溶陷病害较其他地区更加严重[4
5],对盐胀起主要作用的盐通常为硫酸盐,而对溶陷则是氯盐[
6?
三元桥地铁站
8],据地质资料表明,青海地区的土壤中易溶盐含量氯盐居
多[9
11],由溶陷所引起的不均匀沉降病害更加严重,
因此对于氯盐渍土的溶陷特性的预测研究就十分必要.
当前对盐渍土溶陷特性的研究大多停留于定性研究,少部分研究通过寻找建立影响因素与溶陷指
标之间的函数关系来实现对溶陷模型的预测[12?
13],
但是其研究多为因果之间的简单映射,然后通过回归方程来拟合二者之间的数学关系,但是该模型忽略了各因素对其影响的复杂性,得出的结果过于理想,拟合度往往较低,对于各种条件下的泛化度不高.BP神经网络是一种高度智能化的计算机模型,模拟人体大脑神经的学习功能,可以通过内置神经元训练输入的各种数据,并将误差进行逆向传播,学习各因素对结果的影响方式,输出其影响模型.此模
第6期孙建忠:基于BP神经网络的氯盐渍土溶陷特性研究
型不需要强行去建立函数关系来拟合各因素对结果的影响方式,因此其拟合度通常较高.
基于此,以青海氯盐渍土的溶陷数据为基础,以氯盐含量、初始含水率和上覆荷载作为三个主要因素,以融陷系数作为融陷指标,利用BP神经网络对其进行训练与拟合,来预测其融陷模型.
1 BP神经网络
BP神经网络最早由Rumelhart和McClelland提出,其主要功能是输入各组数据(各影响因素及对应的指标),通过内置的各种函数进行训练,来学习和预测其影响模型.BP神经网络通常包含三层结构,即输入层、隐含层及输出层,其信息的传递方向是输入层到隐含层最后从输出层输出,而其误差的传递方向则正好相反,而迭代的作用是通过修正运算,使得其误差逐渐收敛到规定的误差范围之内,其误差收敛[14]的方式则是通过梯度下降法实现的.一般情况下,各参数的初始化对BP神经网络拟合效果有着很大的影响,以神经元节点数的选取对拟合效果的影响最为明显[15].神经元节点数的选取过小,则输入数据与隐含层之间的映射数目较少,训练学习不完全,所拟合的模型不足以准确地反应实际状况;但节点数过多,则会影响模型的训练速度,使其呈现出过拟合的状态.实际模型的节点数往往只是通过经验来选取,并没有形成一套成熟的理论.本文神经网络神经元节点数则是根据公式(1)来选取的.另外为了加快其运算的收敛速度,避免大数淹没小数的情况出现,通常需要对输入的数据进行归一化处理.
h=m+n+a.(1)式中:h为隐含层神经元节点数;m为输入层节点数目;n为输出层节点数目;a为调节常数,常取1~10之间的常数.
2 BP神经网络的建立
本文所采用的神经网络为土木工程使用最广泛的BP神经网络,该网络包括输入层、隐含层和输出层共三层,三层式BP神经网络基本上可以完成所有参数类型的映射,实现各种线性及非线性问题的拟合.因氯盐含量、含水率和上覆荷载为氯盐渍土溶陷的主要影响因素,因此输入层设置三个影响因素:氯盐含量、含水率和上覆荷载.将溶陷系数作为输出层,建立如图1所示的神经网络进行数据训练学习,来预测氯盐渍土的溶陷模型.
!"#$%
&$%#$%'()*+
&$%#$%
,
-
-
,
英汉字典下载./00*"'()*+
11
2
34
4
图1 溶陷系数BP神经网络
Fig.1 Neuralnetworkofcollapsecoefficient
2.1 神经网络各层函数选取及参数的初始化隐含层神经元节点的数量的合理选取对预测模型的成功有着很大的帮助,神经元节点数过大或过小都会对模型的准确度及训练速度产生很大的影响,由于当前对隐含层节点数的选取没有统一的理论,本文选用公式(1)来确定隐含层节点数,调节系数a通过对MATLAB多次调试,取使模型拟合度最大时的a值,本文的a经调试后为7,故取神经元的个数h为9.
为提高预测模型的容错性及迭代的收敛速度,对以上所有数据进行归一化,采用mapminmax命令对其进行归一化,将各组数据归一化到0~1范围之内.对该网络进行初始化,本文的所有激励
函数均采用单级S型函数,其阈值为(0,1),为单调递增型函数,将归一化之后的数据经过多次迭代之后,再利用反归一化命令输出训练结果.为提高预测模型的拟合度,将训练次数设置为1000次,将收敛误差设置为0.001.为加快迭代的收敛速度,同时提高模型的精确度,将迭代步长设置为0.01.学习效率和初始权值不进行设置,经过训练自行给出.
兰州交通大学学报第39卷
2.2 样本的选取
BP神经网络样本主要包括两部分,即训练样本和测试样本,二者样本的选取对模型的预测起着决定性的作用,尤其是训练样本对预测结果的影响最大,为保证其样本具有一定的代表性,其样本量必须足够大(大于50组),以使其样本涵盖范围更大,随机性更大,预测模型适用性更强.
选取青海地区高速铁路沿线土的54组实验数据作为试验样本,如表1所列,由于试验样本量不大,为使训练结果与实际数据拟合度更高,必须将训练样本量扩大,故54组试验样本中只留5组样本作为测试样本,并利用MATLAB之中的randperm命令将以上两种样本做随机处理,来提高
预测结果的泛化度.
表1 试验样本
Tab.1 TestSamples
土样编号氯盐含量
/%
含水率
/%
上覆荷载
lolita什么意思/kPa
溶陷系数
/%
土样
编号
氯盐含量
/%
含水率
/%
上覆荷载
/kPa
溶陷系数
/%
11241004.24281484007.9321242005.90291485008.
4231243007.06301486009.0041244007.523114101006.3751245007.593214102006.8361246007.773314103007.6671421003.493414104008.1381422003.643514105008.6191423003.883614106009.48101424004.173714121006.08111425004.813814122006.69121426005.083914123007.26131441004.204014124007.66141442005.364114125008.29151443006.644214126008.97161444007.18431641004.07171445007.41441642005.03181446007.60451643006.05191461005.84461644006.63201462006.18471645006.89211463006.98481646007.13221464007.55491841006.99231465007.88501842004.59241466008.37511843005.40251481006.20521844005.71261482006.59531845005.90271483007.39541846006.04
3 溶陷预测模型的建立
3.1 网络的训练与学习
将以上所有样本数据导入到BP神经网络中进行迭代运算,经过多次迭代过程中各参数权值与阈值的不断调整,使整个训练过程趋于收敛,其收敛过程如图2所示,由图2可知,该模型一共迭代了17次,在第17次迭代后训练集均方误差满足误差要
82
第6期孙建忠:基于BP神经网络的氯盐渍土溶陷特性研究
求.该神经网络均方误差随着迭代步数的增加不断降低,在第11次迭代次迭代时验证误差达到了最小值0.00896,并最终得出了溶陷系数的拟合模型.
!"#$
%&'()"
'
!"
!'
*"
*'
)"
)'
("
('
'"
训练样本+个
溶陷系数+,
真实值
预测值
图2 训练实测值与仿真值对比
Fig.2 Comparisonoftrainingmeasuredandsimulated
values
苇塘
最大相对误差在第42组数据处出现,训练实测值与仿真值的相对误差达到了0.097,但其依旧在允许的误差范围之内,而且训练的所有相对误差均大致在0.001~0.09范围内波动,说明训练模型对实际情况的拟合度很高,能够较为准确的反应以上三个因素对氯盐渍土溶陷的影响.其次,由以上仿真训练可知,相对误差大于0.05数据对应为第42、38、30和第8组数据,经查表,发现以上几组数据的含水率都处于较低水平(不超过14%),说明较低的含水率会对氯盐渍土的溶陷产生很大的影响.另外
由图2可知当溶陷系数处于较低的峰底时,其相对误差就出现相对较大的情况,这是由神经网络内置函数收敛的连续性所造成的.
如表2所列为迭代之后预测模型输入层与隐含层神经元各节点之间的权值,如表3所列为隐含层与输出层之间的权值.
表2 输入层与隐含层神经元各节点权值
Tab.2 Weightsofneuronsininputlayerandhiddenlayer
隐含层神经元节点编号
含水率/%氯盐含量/%上覆荷载/kPa11.22-0.42-2.252
-0.563.590.433-1.68-1.702.654
2.891.031.3851.282.49-0.096-1.09-3.270.3770.04-2.042.078-1.082.58-0.839
1.10
-1.18
2.11
3.2 预测模型的验证
为了验证该神经网络的适用性,将五组检验数据带入到训练好的网络当中进行验证,预测结果与实际实验数据对照如表4所列和如图3所示,验证结果表明,真实值与预测值之间的最大相对误差为0.05,最小相对误差为0.03,平均值约为0.04,相对误差均小于0.1.
表3 输入层与隐含层神经元各节点权值
Tab.3 Weightsofneuronsininputlayerandimplicitlayer
隐含层节点编号
123456789权值
1.07
0.72
kites
-0.84
0.09
-0.28
-0.52
0.36
-0.03
学习意大利语1.27
表4 溶陷真实值与预测值对比
Tab.4 Comparisonofrealandpredictedvaluesof
collapse
测试土样编号溶陷检验真实值/%溶陷网络预测值/%溶陷相对误差/%16.646.380.0429.008.510.0536.987.220.0348.619.040.055
8.97
9.24
0.03
预测样本!个
溶陷系数!"
真实值
预测值
#$%#$&'(%
'(&)(%)(&
*(%*(&
+(&
+(%
,(&
,
(%
-(&
-(%
.(&
.(%
%(&
溶陷系数预测结果对比
/0&(#&&')
图3 真实值与预测值的溶陷系数
Fig.3 Collapsecoefficientsofrealandpredictedvalues
兰州交通大学学报第39卷
  二者之间的相对误差很小,二者之间的复相关系数达到了0.9008,接近于1,说明仿真模型对真实数据的拟合度较高,另外,如图4所示,该预测模
型在不同条件下,各回归曲线的拟合度都相对较高,由此证明了该BP神经网络模型对氯盐渍土溶陷预测的可行性.
!"!
!"#
!"$!"%!"&'"!
目标
()*训练
+,-验证
(.-测试+/-汇总
!"!!"#!"$!"%!"&'"!
目标
!"!!"#!"$!"%!"&'"!
目标
!"!
!"#
!"$!"%!"&'"!目标
'"!!"&!"%
!"$!"#!"!
输出
童趣 翻译
!
"&!"%!"$!"#!"!
输出
!"&!"%!"$!"#!"!feel good
吉的堡少儿英语教材输出
!"&!"%!"$!"#!"!
输出
数据
拟合
012
数据拟合
012
数据拟合
012
数据
拟合
012
31!"44%56
31!"47!#$
31!"&'%#'
在线英语字典31!"47$#5
图4 不同条件下的回归分析曲线
Fig.4 Regressionanalysiscurvesunderdifferentconditions
4 结论
在大量数据的基础上通过BP神经网络对氯盐渍土的溶陷系数进行了分析预测.
试验结果表明,利用BP神经网络对氯盐渍土的溶陷系数在氯盐含量、含水率和上覆荷载因素影响下的分析预测时精确度较高,且仿真与预测结果对实际数据具有较高的拟合性.
因此本文基于BP神经网络建立的氯盐渍土溶陷模型,具有一定的预测精度,表明神经网络模型可以用于预测氯盐渍土的溶陷特性.参考文献:
[1] 马万栋,孙国芳.塔里木盆地西部盐矿点卤水地球化
学特征及成钾预测[J].中国地质,2007,34(4):636641.
[2] 谭红兵.塔里木盆地西部古盐岩地球化学与成钾预测
研究[D].西宁:中国科学院青海盐湖研究所,2005.[3] 李取生,邓伟,钱贞国.松嫩平原西部盐沼的形成与演
化[J].地理科学,2000,20(4):362
367.[4] 郑育新.垦区公路盐胀及冻胀综合病害防治技术应用
研究[D].西安:长安大学,2009.
[5] 黄立度,席元伟,李俊超.硫酸盐渍土道路盐胀病害的
基本特征及其防治[J].中国公路学报,1997,10(2):39?
47.[6] 刘娉慧,王俊臣,蒋剑,等.硫酸盐渍土盐胀特性试验
及分析[J].吉林大学学报(地球科学版),2005,15(1):74?
78.[7] 高江平,李芳.含氯化钠硫酸盐渍土盐胀过程分析
[J].西安公路交通大学学报,1997,31(4):2126.[8] 王海春,井浩.硫酸盐渍土盐胀机理及抑制措施[J].
青海师范大学学报(自然科学版),2006,23(4):8085.
[9] 刘康.青海氯盐渍粉土物理力学性质研究及路基变形
分析[
D].西安:长安大学,2012.[10] 隆威,刘永球,曹增国.青海察尔汗盐湖区氯(亚氯)
盐渍土的工程性质分析[J].探矿工程(岩土钻掘工程),2002,3(1):9?
11.0

本文发布于:2023-06-14 01:35:34,感谢您对本站的认可!

本文链接:https://www.wtabcd.cn/fanwen/fan/90/144177.html

版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,我们将在24小时内删除。

标签:预测   盐渍   模型   溶陷   神经网络
相关文章
留言与评论(共有 0 条评论)
   
验证码:
Copyright ©2019-2022 Comsenz Inc.Powered by © 专利检索| 网站地图