曠罛

(上海千年城市規(guī)劃工程設計股份有限公司，上海　201108)

?

BP 神經(jīng)網(wǎng)絡法在某輸氣站沉降預測中的應用

曠罛

(上海千年城市規(guī)劃工程設計股份有限公司，上海201108)

摘要:介紹了幾種常用的沉降預測方法，通過詳細系統(tǒng)的試算，建立了適用于沉降預測的BP神經(jīng)網(wǎng)絡模型，并以“川氣東送”管道工程某輸氣站的沉降監(jiān)測為研究對象，將BP神經(jīng)網(wǎng)絡法與傳統(tǒng)的曲線法進行對比分析，論述了各種方法的優(yōu)劣，明確了BP神經(jīng)網(wǎng)絡法用于沉降預測的可行性。

關鍵詞:輸氣站，沉降預測，BP神經(jīng)網(wǎng)絡法，軟弱地基

1　概述

管道作為流體物質運輸?shù)囊环N特殊方式，在現(xiàn)代工業(yè)生產(chǎn)和人民生活中起著重要的作用。管道會由于埋設在軟土地基上而產(chǎn)生沉降變形，當管道地基發(fā)生沉降尤其是不均勻沉降時，管道就有可能因此產(chǎn)生裂縫、扭曲或者破裂［1］。

“川氣東送”某輸氣站位于江蘇省南京市某化工園區(qū)內(nèi)，在站場修建完畢投入運行以后，由于雨季地表水下滲，場區(qū)出現(xiàn)沉降現(xiàn)象，場區(qū)北部沉降現(xiàn)象尤為明顯。所以很有必要對該輸氣站進行沉降監(jiān)測及預測。

2　預測沉降的方法

主要的沉降計算方法有:

1)根據(jù)固結理論，應用數(shù)學方法基于土的本構模型計算沉降［2］;2)根據(jù)實測資料，推算出沉降和時間的關系［3］。表1列出了多種常見的根據(jù)實測資料推算沉降量的方法。

表1　沉降預測方法分類

一般在荷載穩(wěn)定后，多采用曲線擬合法或者系統(tǒng)分析法進行預測［4］。

2．1指數(shù)曲線法

指數(shù)曲線法是指在上部荷載的作用下，假定土體地基沉降量的平均增長速率，以指數(shù)曲線形式減少，其數(shù)學表達式為:

2．2雙曲線法

雙曲線法認為沉降量與時間按雙曲線遞減，其數(shù)學表達式為:

2．3皮爾曲線法

皮爾曲線也被稱作為生長曲線，該曲線最初是用于反映生物的生長和繁殖過程，其數(shù)學表達式為:

3　BP神經(jīng)網(wǎng)絡法

3．1人工神經(jīng)網(wǎng)絡概述

在對人腦的基本認識的基礎上，以數(shù)學和物理的方法以及信息處理的角度對人腦進行抽象，并建立某種簡化模型，就稱之為人工神經(jīng)網(wǎng)絡。對生物神經(jīng)元進行簡化描述，就形成了人工神經(jīng)元，其基本表述如下:

式中:τij——輸入輸出的突觸時延;

Tj——神經(jīng)元j的閾值;

wij——神經(jīng)元i到j的權值;

f——神經(jīng)元j的轉移函數(shù)。

不同的神經(jīng)元之所以能夠擁有不同的信息處理功能，其中主要的一個原因就是它們的轉移函數(shù)不盡相同。目前常用的轉移函數(shù)有如下幾種:

1)閾值型轉移函數(shù)。

單極性閾值轉移函數(shù):

雙極性閾值轉移函數(shù):

2)非線性轉移函數(shù)。

單極性Sigmoid函數(shù)，簡稱S型函數(shù):

雙極性S型轉移函數(shù):

3)線性轉移函數(shù)。

3．2人工神經(jīng)網(wǎng)絡模型

大量的同時也是很簡單的神經(jīng)元，通過互相連接，形成復雜的非線性網(wǎng)絡系統(tǒng)，就是神經(jīng)網(wǎng)絡模型，如圖1所示。

圖1　BP神經(jīng)網(wǎng)絡簡圖

圖1中，每個神經(jīng)元為一個圓圈，每個神經(jīng)元之間相互連接，形成一個網(wǎng)絡。

3．3BP神經(jīng)網(wǎng)絡概述

BP網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡，是人工神經(jīng)網(wǎng)絡中廣泛運用的類型［6］。如圖1所示，BP神經(jīng)網(wǎng)絡包括:輸入層、隱層(中間層)、輸出層，上下層之間實現(xiàn)全連接，而每層神經(jīng)元之間無連

接［5］。

4　BP神經(jīng)網(wǎng)絡沉降預測模型的建立

BP神經(jīng)網(wǎng)絡的設計要素主要包括:輸入輸出數(shù)據(jù)的選擇、隱含層的層數(shù)及每層節(jié)點個數(shù)的確定、各層轉移函數(shù)的選取、數(shù)據(jù)的預處理、訓練方法的選擇。本文借助MATLAB軟件的神經(jīng)網(wǎng)絡工具箱，通過試算來確定最適合本項目的BP神經(jīng)網(wǎng)絡模型。

4．1輸入輸出數(shù)據(jù)

本項目數(shù)據(jù)是沉降監(jiān)測數(shù)據(jù)，即時間與沉降量的映射關系，輸入數(shù)據(jù)為時間t，輸出數(shù)據(jù)為對應的沉降量s(t)，從而確定輸入層節(jié)點個數(shù)為1，輸出層節(jié)點個數(shù)為1。

4．2隱含層的層數(shù)及每層節(jié)點個數(shù)

在樣本相對來說較少的時候，一個隱含層足以滿足要求［5］，因此選擇隱含層層數(shù)為1。

對于有限個輸入輸出的映射，并不需要無限個隱層節(jié)點。因此存在最佳隱層節(jié)點個數(shù)，下面的公式可以用于參考:

其中，k為隱層節(jié)點個數(shù);n為輸入層節(jié)點個數(shù);m為輸出層節(jié)點個數(shù);a為1～10之間的常數(shù)。

由上式可以計算得出，隱層的節(jié)點個數(shù)在2～11之間為宜，后文通過試算進一步確定。

4．3各層轉移函數(shù)

BP網(wǎng)絡中要求轉移函數(shù)必須可微，本文隱層采用單極性S型函數(shù)(logsig)，輸出層采用線性函數(shù)(purelin)。

4．4數(shù)據(jù)預處理

在運用數(shù)據(jù)進行運算時，需要進行數(shù)據(jù)預處理，數(shù)據(jù)預處理常常使用歸一化方法，如果將數(shù)據(jù)轉換為［0，1］區(qū)間，常用以下公式:

4．5訓練方法及其參數(shù)

根據(jù)相關文獻及經(jīng)驗，本文選取表2中的幾種方法進行試算。

表2　訓練方法的比較

4．6試算結果

通過對該輸氣站設置的“W11號”和“23號”兩個監(jiān)測點進行試算，試算結果如表3，表4所示。

表3　不同訓練方法下最佳隱層節(jié)點數(shù)及其相對誤差(一)

表4　不同訓練方法下最佳隱層節(jié)點數(shù)及其相對誤差(二)

圖2　不同訓練方法下最佳隱層節(jié)點數(shù)及其相對誤差柱形圖

由圖2可以得出，訓練方法選取Levenberg-Marquardt算法(對應MTALAB中的trainlm函數(shù))時，BP神經(jīng)網(wǎng)絡模型的計算效果較好，并同時確定最佳隱層節(jié)點數(shù)為6。

5　各預測方法結果對比

采用上述指數(shù)曲線法、雙曲線法、皮爾曲線法和人工神經(jīng)網(wǎng)絡法，對該輸氣站的“W11號”和“23號”監(jiān)測點的監(jiān)測數(shù)據(jù)進行擬合與預測(監(jiān)測數(shù)據(jù)為0 d～130 d，130 d之后的為預測數(shù)據(jù))，最終結果匯總如下:

1)“W11號”監(jiān)測點預測結果見圖3～圖5。2)“23號”監(jiān)測點預測結果見圖6～圖8。

圖3　“W11號”點各方法相對誤差曲線

圖4　“W11號”點各方法相對誤差平均值柱形圖

圖5　“W11號”點各方法擬合與預測曲線圖

圖6　“23號”點各方法相對誤差曲線

圖7　“23號”點各方法相對誤差平均值柱形圖

圖8　“23號”點各方法擬合與預測曲線

6　結語

1)BP神經(jīng)網(wǎng)絡法對監(jiān)測值的擬合精度非常高，運用BP神經(jīng)網(wǎng)絡法進行沉降預測是可行的，令人信服的。從預測結果對比得出，各方法從好到差依次為BP神經(jīng)網(wǎng)絡法、雙曲線法、指數(shù)曲線法、皮爾曲線法。

2)曲線法中雙曲線法與指數(shù)曲線法其擬合值與監(jiān)測值均吻合良好。對于該輸氣站的實際情況，雙曲線法的擬合和預測效果要優(yōu)于指數(shù)曲線法。皮爾曲線法擬合效果最差。

3)本文只運用BP神經(jīng)網(wǎng)絡法預測了總共一年時間的沉降量，并未對一年半及兩年這兩個時間節(jié)點進行預測，主要是由于預測過程中發(fā)現(xiàn)，假如使用神經(jīng)網(wǎng)絡法進行長期預測，其效果并不理想，預測數(shù)據(jù)偏差較大，并不符合實際經(jīng)驗。出現(xiàn)這種狀況的主要原因在于，預測的時間越長，神經(jīng)網(wǎng)絡的輸出就偏離原來的輸入數(shù)據(jù)越遠，也就是偏離原來的規(guī)律越遠，這是神經(jīng)網(wǎng)絡的一大缺陷，即長期泛化能力低下。

因此，堅持實際監(jiān)測是非常有必要的，這樣可以充實輸入數(shù)據(jù)，使沉降的規(guī)律性更好的反映出來，以此提高后續(xù)預測的準確性。

參考文獻:

［1］冷建成，周國強，張國威，等．地基沉降下管道的有限元應力分析［J］．石油礦場機械，2012，41(4):80-83．

［2］ 黎軍豐．公路軟土路基沉降預測方法綜述［J］．科技情報開發(fā)與經(jīng)濟，2010，20(14):182-186．

［3］李建初，趙其華，韓剛，等．軟土路基沉降預測模型比較研究［J］．地質災害與環(huán)境保護，2012，23(1):25-29．

［4］ 付宏淵．高速公路路基沉降預測及施工控制［M］．北京:人民交通出版社，2007．

［5］ 飛思科技產(chǎn)品研發(fā)中心．神經(jīng)網(wǎng)絡理論與MATLAB7實現(xiàn)［M］．北京:電子工業(yè)出版社，2005．

［6］ 叢爽．面向MATLAB工具箱的神經(jīng)網(wǎng)絡理論與應用［M］．合肥:中國科學技術大學出版社，2009．

中圖分類號:TU433

文獻標識碼:A

文章編號:1009-6825(2016)17-0070-03

收稿日期:2016-04-03

作者簡介:曠罛(1991-)，男，碩士，助理工程師

The application of BP neural network in a gas station settlement prediction

Kuang Chong
(Shanghai Millennium City Planning＆Engineering Design Limited Company by Share，Shanghai 201108，China)

Abstract:This paper introduced several commonly used settlement prediction method，through the detailed system calculation，established the BP neural network model suitable for settlement prediction，and taking the settlement monitoring of a gas station of“Sichuan East Gas Transmission”pipeline project as the research object，made contrast analysis on BP neural network and traditional curve method，discussed the advantages and disadvantages of various methods，cleared the feasibility of BP neural network method used for settlement prediction．

Key words:gas station，settlement prediction，BP neural network，soft foundation