未来智讯 > 神经网络论文 > 基于BP神经网络的边坡变形失稳前景

基于BP神经网络的边坡变形失稳前景

发布时间:2019-04-26 05:05:32 文章来源:未来智讯    
期待学习BP神经网络的边坡变形不稳定性:未知[摘要]基于流行文献的基础研究,对于存在变形不稳定性最重要的问题,学习当前斜坡改进建议的要点,即边坡变形分析,思考和 更多外部激励的作用。 坡度变形数据和激励很难用经验公式描述它们之间的关系。 本文基于前人对边坡变形失稳预测方法的理解,综合考虑边坡位移数据和外部激励因子数据,采用BP神经网络预测边坡变形。 具体实例证明,激励因子的边坡变形不稳定性能更好地反映边坡变形趋势,精度高,能满足监测要求。 [关键词]变形失稳激励因子BP神经网络前景[中国图书馆分类号] U216.41 + 9.1 [文献编号] B [商品编号] 1000-405X(2014)-12- 335-2在地质灾害中, 边坡变形的不稳定性是主要类型之一。 坡度位移和地面高程的升高是当前的偏差。 边坡变形前景概述了经验模型的前景,位移和时间统计分析的前景,非线性方程的前景以及当前的综合前景[1]。 目前,大多数坡面变形不稳定的前景是基于对参考监测数据的分析,推导出下一阶段变化的趋势[2-8],而不考虑坡体。 在被岩土工程前提所掌握的同时,它也受到降雨,地面运动和人类工程行为等各种激励因素的影响,激励因子的动态变化对边坡变形的不稳定性起着决定性的作用[1]。 在大多数环境中,坡度变形的不稳定性直接由激励因素的突然变化引起[1]。 因此,坡面变形不稳定的前景必须考虑各种激励作用。 利用经验公式很难描述斜率变形数据与激励之间的关系。 本文选择BP神经网络分析边坡位移数据和激励因子,最终实现边坡变形不稳定的前景。 1 BP神经网络人工神经网络(ANN)是由大量通常相互连接的简单单元(称为神经元)组成的混沌网络系统。 它反映了人类大脑功能的许多基本特征是一个高度混乱的非线性动力系统[9]。 BP神经网络是偏差反向传播神经网络的缩写,它由输入层(Input),一个或多个隐藏层(隐藏层)和输出层组成,每层由一定数量的神经元组成。 组成,如图1所示.BP神经网络具有很强的非线性映射人才[10]。 理论上,为了处理三层或更多层的BP网络,只要隐层神经元的数量足够,网络就可以以随机速率精度逼近非线性函数。 其次,BP神经网络能够对外部刺激和输入信息产生假想的印象。 而且,BP神经网络选择分布式信息处理模式,信息提取必须选择想象的模式。 BP神经网络决定预先存储自适应训练的信息和训练机制,并可以从不完整的信息和噪声中恢复原始的完整信息。 基于这些特点,本文选择BP神经网络作为讨论要点。 2实例分析本文以雅安华侨城沉降区的边坡变形监测为例。 对坡度变形和不稳定性的几种激励[1]包括地下水,降雨,地面运动和温度。 在本文中,选择降雨,地面运动和温度数据作为激励数据。 监测点如图2所示。变形监测点A1处的大位置监测数据用于包括平面位移和高程变化数据。 实现MATLAB编程实现BP神经网络数据的前瞻性分析。 监测数据记录于2010年7月22日的起点,并于2012年11月22日结束。共显示29个监测周期,温度数据如图3所示变化.2.1模具设计上述 - 提到的位移变形程度数据(北移和东移)和三个激励因子被用作BP神经网络的输入因子来建立一个三层网络,输入层被设计为五个输入节点,高程数据 用作局,并设计为一个输出节点。 由于BP神经网络的隐藏层和隐藏节点的数量与训练精度成正比,因此与网络的泛化成反比[9-10],即隐藏层和隐藏节点的数量越多 ,训练精度越高,泛网络能力越低,选择合适数量的节点就越必要。 在凭证步骤测试中,当初始隐藏层节点的数量为6时,处理的质量可以达到最佳,因此隐藏层节点的数量为6. 1-20监控数据用作训练数据, 并将21-29监测数据作为评价数据,并将BP神经网络用于前景和评价。 2.2数据预处理由于采集的原始数据单元不同,不同维数据之间存在差异,训练算法的比率也受原始数据的影响,因此处理数据。 之前需要进行数据预处理,主要手腕是数据标准化[11]。 归一化的具体作用是总结同一样本的统计分布。 原始数据的规范化是相同的。 这里,选择premnmx函数来归一化原始数据。 标准化数据将在区间[-1,1]中分布。 2.3训练网络定义相关层的传递函数,默认隐藏层是tansig函数,输出层是purelin函数。 训练函数选择traindx(具有可变训练率的动量BP算法)。 BP神经网络配置为每1000次显示一次板,训练率设置为0.015,训练频率为10000,训练偏差配置为0.1mm。 前15个数据用作训练数据,最后16-20个数据用作验证数据,21-29个数据用作测试数据。 在训练BP神经网络后,验证所获得的模型,验证数据的偏差在0.1mm以内。 验证结束,获得具有更多匹配目标的网络模型,即完成训练网络。 2.4样本展望使用21-29数据作为样本,将其导入训练网络并查看样本数据,如图4所示。从图4中可以看出,BP神经网络之间的差异很小。 预测值和实测数据,最大偏差在第25周期,偏差值为2.485 mm,相对偏差为0.0126%。 其次是23,偏差为2.111mm,相对偏差为0.0107%。 其他偏差小于3mm,监测的精度要求就足够了。 同时,偏差的表示也表明,边坡变形的激励因子是多样的,每个激励因子对边坡变形的影响程度不同。 训练数据中的数据量不足,对BP神经网络的影响也会受到影响。 2.5与激励因素模型的比较。 为了进一步解释激励因素对滑坡变形的影响程度,采用非激励模型分析边坡变形前景,即只使用1-29数据中的平面位移和高程。 改变数据参与变形分析的前景,不用担心降雨,地面运动,温度,并看看局。 激励因子模型和非思维动机模型之间的比较如表1所示。从表1可以看出,测量值和测量值之间的绝对偏差的最大偏差为0.0025m,绝对值 无论激励因素模型如何,前景的偏差都小于3mm。 在游戏结束时,有4个数据偏差跨越3mm,占总测试数据的44.44%。 而且,考虑到激励因素模型的整体情况是一个小小的颠簸,没有考虑激励因素模型有一个个人的前景为局提出了一个大的冲击。 由此可以得出结论:激励模型优于非关注激励模型,前景准确率高,可以满足监测要求。 3最后,在对边坡失稳理论的分析中,引入了动力因子,建立了基于激励因子模型的边坡位移预测模型。 考虑到激励因素,模具可以更好地反映斜坡的变形趋势,精度高,可以满足监测要求。 因此,通过选择模具来预测坡度位移这是完全可行的。 从局方的角度来看,我们可以看到在消除偏见方面仍然存在一些困难。 为了消除偏差,我们必须考虑更多的激励和足够的数据。 在实际项目中,可以选择与其他要素的综合比较,即选择各种要素的综合预测,以提高预测的可靠性和准确性。 参考文献[1]杜娟,尹昆龙,柴波,等。 基于诱发因素相应因素的滑坡位移预测模型预测[J]。 岩石力学与工程学报,2009,28(9):1783-1789。 [2]何克强,白建业,王思静。 降雨诱发积累滑坡位移动力学分析[J]。 岩土力学,2005,26(5):705-709。 [3]陈立霞,段坤龙,刘丽玲,等。 江西省滑坡与降雨关系研究[J]。 岩土力学,2008,29(4):1114-11220。 [4] DAI FC,LEE C F.降雨诱发滑坡的频率 - 容量关系及预测[J]。 工程地质,2001,59(2):253-266。 [5]徐强,唐明高,徐开祥,等。 滑坡时空演化规律与预警预测[J]。 岩石力学与工程学报,2008,27(6):1104-1112。 [6]郝晓仁,郝晓红,熊红梅,等。 非定常时间序列要素的滑坡时间预测[J]。 工程地质学报,1999,7(3):27 9-283。 [7]李强,李端友。 滑坡位移监测动态预测的时间序列分析[J]。 长江科学院院报,2005,22(6):16-19。 > [8]徐传华,方定旺,朱胜武。 斜率不变分析中工程岩体抗剪强度参数的神经网络要点[J]。 中国岩石力学与工程学报,2002,21(6):858-862 [9]陈长岩,王思静,沉小珂。 边坡岩体不变性的人工神经网络前瞻模型[J]。 岩土工程学报,2001,23(2):157-161。 [10]卓金武。 Matlab在数学建模中的应用[M]。 北京:北京航空航天大学出版社,2011.4。 [11]刘玉丽王建良陈静等 matlab数值策略案例分析[M]。 北京:北京航空航天大学出版社,2011.10。
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0426/86554/
 与本篇相关的热门内容: