魏明強，張樂婷

（1.西北民族大學，甘肅蘭州 730124；2.甘肅交通職業(yè)技術學院，甘肅蘭州 730070）

0 引言

目前，人工神經網絡應用最多的模型之一是BP神經網絡，是能夠解決多層神經網絡權值修正的算法，也稱為誤差反向傳播法（Error Back Propagation又稱BP網絡）。它的實質是實現了一個從輸入到輸出的映射功能及關系，它不需要預先建立模型和定義所描述映射關系的函數，也不需要詳細了解其內部過程，就可以直接學習并儲存數據輸入模式，從而獲得輸出數據。從數學理論方面來看，BP神經網絡是一種誤差逆向傳播算法，也已經證明其具有實現任何復雜非線性映射的能力，這使得它特別適合于求解內部機制復雜的問題。

本文通過室內模型試驗得到了樁頂部受到瞬態(tài)激振作用力下的軸向速度曲線及波形數據，利用回傳射線矩陣法編制的程序驗證該速度曲線的正確性，然后將相應的數據輸入BP神經網絡中進行識別，說明BP神經網絡能夠較準確的判斷樁基缺陷的類型。

1 室內模型試驗簡介

1.1 室內模型試驗的概況

同時考慮樁底土和樁側土對樁的作用，用小手錘在樁頂部施加瞬態(tài)激振力，采用加速度傳感器接收加速度時程響應曲線，以辛普森公式為原理編寫MATLAB程序，對實驗數據進行處理，將樁頂部加速度時程響應曲線換算為速度時域響應曲線，然后通過Origin軟件對所生成的波形圖進行擬合。用MATLAB編寫理論速度時域響應曲線的程序生成理論波形圖，并與試驗得到的波形圖進行對比。

1.2 室內模型試驗的裝置

本次室內模型試驗采用的是低應變反射法，見圖1，采用的模型樁的參數如下：混凝土預制樁，樁長為2 m，截面為0.2 m×0.2 m的正方形截面，試驗容器采用如圖1所示的鋼槽。

圖1 室內模型試驗裝置示意圖

試驗儀器主要有：電源、波形接收器、加速度型傳感器等。

1.3 室內模型試驗的方法

模型試驗中加速度傳感器的安裝時關鍵，既要保證緊密粘貼，又要便于松動變換不同的檢測位置。

試驗具體操作步驟如下：

（1）粘貼傳感器；

（2）傳感器、電荷放大器以及示波器之間相互連接；

（3）測試設備；

（4）敲擊樁頂；

（5）記錄數據并進行處理和分析。

1.4 室內模型試驗結果分析[1-6]

整理室內模型試驗所得結果，完整樁-土相互作用模型共得到53組數據，缺陷樁-土相互作用共得到20組數據。袁春輝運用與上述同樣的方法運用兩種類型的土質進行了室內模型試驗，并得出如下結論：

（1）樁底土為黃河砂

試驗結果與理論結果對比見圖2（a）和圖2（b），可看出樁頂點的速度曲線隨著砂子密實度的增大而衰減加快。

圖2 樁底為黃河砂時的試驗與理論結果對比

（3）樁底為鹽漬土

試驗結果與理論結果對比見圖3，可看出樁頂點的速度曲線同樣是隨著鹽漬土密實度的增大而衰減加快。

綜上所述，通過袁春輝的分析，說明由室內模型試驗數據得到的波形曲線與理論曲線擬合較好，表示室內模型試驗數據有效并可以使用，本文在后面處理波形曲線時，程序中相關參數將依據為上述袁春輝所得結果進行調試和修改。

2 神經網絡模型的建立與識別

2.1 建立網絡模型

首先將室內模擬試驗得到的樁的波形數據進行分組，將具有代表性的數據作為教師數據，其余的數據作為學生數據（測試數據），以檢測BP神經網絡的可行性，學習和檢測的具體過程見圖4。

圖3 樁底為鹽漬土時的試驗與理論結果對比

圖4 BP神經網絡學習和檢測流程示意圖

其次使用神經網絡內部函數premnmx將輸入數據歸一化到（-1，1），歸一化的目的是為了加快訓練網絡的收斂性，然后建立三層BP神經網絡的模型，即輸入層、隱含層和輸出層，其中輸入層為8組數據，每組數據有51個分量組成；中間層即隱含層節(jié)點個數取4；輸出層有8組數據，每組數據有5個分量，即將樁身完整性的狀態(tài)分為5類，分別為：完整樁代碼為（1，0，0，0，0）；離析樁代碼為（0，1，0，0，0）；擴徑樁代碼為(0，0，1，0，0）；縮頸樁樁代碼為（0，0，0，1，0），即BP神經網絡的輸出層節(jié)點個數為5。

網絡模型輸入層和中間層的激活函數選用正切S型激活函數tansig，輸出層的激活函數選用線性激活函數purelin。

為驗證回歸程序的有效性，取一具有如下映射特性的模型：

該模型具有強非線性映射關系，網絡精度取為1.0E-5時，僅經過5次訓練，網絡即達到預定精度，具體結果見表1，網絡訓練精度見圖5。

表1 預測結果表

圖5 神經網絡訓練結果精度示意圖

從表1和圖5可見，本文的神經網絡程序非線性映射能力極強，運算步數極快。

2.2 識別與結果分析

各項參數設置完畢之后開始訓練BP神經網絡的教師數據，經過不斷的調試和訓練，網絡總共訓練50次，發(fā)現訓練效果已經達到理想狀態(tài)，終止誤差為0.000 001，訓練結果見圖6。

圖6 神經網絡訓練結果精度示意圖

橫坐標為網絡訓練次數，縱坐標為誤差量級。由于每次初始化網絡時都是隨機的，而且訓練終止時的誤差也不完全相同，訓練后的權植和閥值也不完全相同（大致相同），所以每次訓練后的結果也略有不同。找到比較好的結果后，用命令save filename netname保存網絡，可使預測的結果保持不變，在需要時調用時用命令load filename載入即可。

整理識別結果，見表2。

表2 神經網絡識別結果判斷表

從表2中可以看出：神經網絡對于判斷室內模型試驗所得數據情況良好，識別樁身類型成功率較高。

3 結論

本文首先闡述了室內模型試驗的裝置與方法，然后對得到的實測波形曲線和以回傳射線矩陣法為理論得到的理論曲線進行對比，發(fā)現擬合較好，說明試驗數據真實有效。然后建立BP神經網絡模型，將試驗所得數據輸入網絡，進行教師數據的訓練和學習，訓練到理想精度后，輸入待測的學生數據進行識別，識別結果正確率達到100%，驗證了BP神經網絡識別樁身完整性的可行性和準確度。

由于試驗條件有限，數據中包括的僅僅是少數幾種情況下的樁，沒有將該方法拓展到各種情況，如不同的樁長、樁身截面、彈性模量、缺陷位置等，有待其他學者進行進一步的分析和研究。

[1]余云燕，鮑亦興，陳云敏.有損傷框架結構中的波動分析[J].震動工程學報，2004，17（1）：20-24.

[2]余云燕.回傳射線矩陣法分析埋置框架的瞬態(tài)動力響應[D].浙江杭州：浙江大學，2004.

[3]余云燕，鮑亦興，陳云敏.埋置框架的質量檢測的探討[J].力學學報，2006，38（3）：339-346.

[4]程翠.應力波反射法基樁完整性檢測結果影響因素及對策[D].遼寧大連：大連海事大學，2008.

[5]張樂婷，余云燕.基于ANSYS/LS-DYNA的應力波反射法的數值模擬[J].山西建筑，2010（32）：1-2.

[6]袁春輝.樁—土相互作用土參數的室內模型試驗研究[D].甘肅蘭州：蘭州交通大學，2010.