熊衍發(fā)

摘? ? 要：巖土工程系統(tǒng)是一個隨機、灰色、模糊的系統(tǒng)，位移序列復雜度較高，利用人工神經(jīng)網(wǎng)絡，可以有效辨識巖土工程位移序列及其他特性參數(shù)?；诖耍恼乱匀斯ど窠?jīng)網(wǎng)絡的概念為切入點，闡述了人工神經(jīng)網(wǎng)絡在巖土工程中的應用過程，剖析了人工神經(jīng)網(wǎng)絡在巖土工程中的應用效益，以期為人工神經(jīng)網(wǎng)絡的有效應用提供一定參考。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡;巖土工程;反演分析

1? 引言

巖土工程是一項復雜的地質(zhì)材料賦存于地質(zhì)體內(nèi)的工程，通過具有非線性動態(tài)處理功能的人工神經(jīng)網(wǎng)絡在巖土工程中的應用，可以簡化巖土工程特性分析流程，提高巖土工程特性分析準確率?；诖?，對巖土工程中人工神經(jīng)網(wǎng)絡的應用進行適當分析具有非常重要的意義。

2? 人工神經(jīng)網(wǎng)絡概述

人工神經(jīng)網(wǎng)絡又可稱之為Artificial Neural Network，簡稱為ANN，是上世紀八十年代人工智能領(lǐng)域研究熱點技術(shù)[1]。人工神經(jīng)網(wǎng)絡可以從信息處理視角入手，對人腦神經(jīng)元網(wǎng)絡進行抽象處理后形成特定種類簡單模型，根據(jù)不同連接方式，將簡單模型連接后可以組成多樣化網(wǎng)絡。人工神經(jīng)網(wǎng)絡從本質(zhì)上而言是由大量神經(jīng)元相互聯(lián)接而成的運算模型，每一個神經(jīng)元又可稱之為激勵函數(shù)，代表特定輸出;而每兩個神經(jīng)元間連接則代表對信號的加權(quán)值（即權(quán)重）。

3? 人工神經(jīng)網(wǎng)絡在巖土工程中的應用過程

3.1? 位移預測

在巖土工程位移預測過程中，多層前向BP神經(jīng)網(wǎng)絡應用范圍較廣，其是一個由輸入層、中間隱層、輸出層構(gòu)建的網(wǎng)絡結(jié)構(gòu)，常采用誤差反向傳播算法（誤差梯度下降優(yōu)化法）訓練。對于多層前向BP神經(jīng)網(wǎng)絡而言，具有學習階段（輸入樣本沿前向信息在各層神經(jīng)元以Sigmoid函數(shù)輸出后，將實際輸出、期望輸出間差值逆向傳播至各神經(jīng)元并進行各連接權(quán)調(diào)整）、工作階段（待測樣本根據(jù)類似輸入按內(nèi)插、外延獲得類似輸出）兩個階段。

在巖土工程位移預測過程中，可以通過逐一確定網(wǎng)絡輸入節(jié)點數(shù)、隱層節(jié)點數(shù)及節(jié)點作用函數(shù)，從工具主義視角逐層逼近，并利用神經(jīng)網(wǎng)絡的泛化能力進行位移預先報告。首先，在網(wǎng)絡輸入節(jié)點數(shù)、隱層節(jié)點數(shù)、隱層數(shù)及節(jié)點單元作用函數(shù)確定過程中，可以依據(jù)神經(jīng)網(wǎng)絡輸入節(jié)點大于位移序列的嵌入維度方針，根據(jù)神經(jīng)網(wǎng)絡的收斂速度、振蕩情況，選擇小的輸入節(jié)點數(shù)開展網(wǎng)絡訓練。在網(wǎng)絡收斂速度下降后增加輸入節(jié)點數(shù)再次進行訓練，直至某一輸入節(jié)點數(shù)時網(wǎng)絡收斂速度達到最快。其次，以Kolmogorov定理為基礎，從泛化視角入手，結(jié)合經(jīng)驗及試算確定隱層節(jié)點數(shù)。同時以S形函數(shù)為節(jié)點作用函數(shù)，通過仿真實驗，確定變換后廣義坐標——隱層節(jié)點輸出值。其輸入、輸出之間的關(guān)系如下式所示：

[xc=c=0wi（w=10iwmxc-w+βw）→g（xw-1，……xw-o）]

式中：

[g（xw-1，……xw-o）]——非線性函數(shù)，該模型實質(zhì)上為線性自回歸AR（o）模型推廣至非線性自回歸NAR模型的近似表述;

i——神經(jīng)元作用函數(shù)調(diào)整參數(shù);

c——輸入節(jié)點數(shù)

w——隱層節(jié)點數(shù)

o——隱層數(shù)目;

βw——慣量因子，

xc-w——迭代步長。

在線性自回歸AR（o）模型推廣至非線性自回歸NAR模型的近似表述確定之后，可以將其代入某一巖土工程中，確定其在位移預測中的應用效果。該巖土工程輸入節(jié)點數(shù)為3，隱層節(jié)點數(shù)及隱層數(shù)目分別為8、3，迭代步長及慣量因子分別為0.56、0.79，神經(jīng)元作用函數(shù)調(diào)整參數(shù)i為0.69。則由上式構(gòu)建的進化神經(jīng)網(wǎng)絡獲得的巖土工程位移預先估測結(jié)果如表1所示。

由表1所示，人工神經(jīng)網(wǎng)絡在巖土工程位移值預測中表現(xiàn)較佳，具有較好的逼近效果及外推預測泛化能力。

3.2? 力學參數(shù)反演分析

人工網(wǎng)絡在巖土工程力學參數(shù)反分析中的應用，主要是根據(jù)輸入樣本、輸出樣本，對網(wǎng)絡開展訓練并對神經(jīng)網(wǎng)絡權(quán)值進行調(diào)整，促使神經(jīng)網(wǎng)絡系統(tǒng)逼近輸入輸出樣本。這種情況下，在神經(jīng)網(wǎng)絡系統(tǒng)可逆時可以形成一個在一定誤差范圍內(nèi)逼近逆系統(tǒng)的反問題的解[2]。一般在利用人工神經(jīng)網(wǎng)絡進行巖土工程力學問題解析過程中，需要首先進行正問題的求解獲得力學系統(tǒng)輸入、輸出關(guān)系樣本值后開展力學系統(tǒng)逆向辨識訓練，實現(xiàn)力學反分析。以土石壩力學參數(shù)計算為例，可以非線性應變模型E-B中主要參數(shù)為反演對象，若主要參數(shù)為u、k、l、r、t，則可以用有限元法對其四十種組合進行合理排布，在選取二十個位移分量時其所對應的輸入向量為：

[Au=（a1，a2，…，a20）]

[Yu=（Y1，Y2，…，Y20）]

u=（1，2，[…]40）

式中：

Yu——E-B模型中五個參數(shù)，通過利用Au、Yu對神經(jīng)網(wǎng)絡進行7523次訓練，可以將E控制在0.5以下，輸出誤差在0.00065以下，網(wǎng)絡收斂效果較好，將測點參數(shù)代入后可以獲得對應的u、k、l、r、t值。

由于上述網(wǎng)絡模型為雙隱層BP神經(jīng)網(wǎng)絡，可以在輸入層前端放入一個線性放大器進行前端數(shù)據(jù)處理。分別將輸出層神經(jīng)元、輸入層神經(jīng)元及隱層神經(jīng)元調(diào)整至5個、20個、25個，獲得較快的網(wǎng)絡收斂速度。為確定雙隱層BP神經(jīng)網(wǎng)絡在土工壩力學分析中的作用，可以根據(jù)壩段三維非線性分析（無壩軸線方向位移）需要，選取12個點（X、Y方向共24個位移量）輸入，獲得42組位移向量后對網(wǎng)絡進行訓練，并用收斂后網(wǎng)絡對u、k、l、r、t值進行反分析，得出誤差在2.8%以內(nèi)，總體反分析效果較好。

4? 人工神經(jīng)網(wǎng)絡在巖土工程中的應用效益

4.1? 適應性良好

由于巖土工程材料固有復雜性及影響因素動態(tài)多邊形，本構(gòu)模型選擇難度較大，制約了數(shù)值分析效率。而人工神經(jīng)網(wǎng)絡可以在不預先構(gòu)建數(shù)學模型的前提下，僅通過對樣本學習完成巖土工程輸入—輸出的非線性映射處理，避免預告假定巖土性參數(shù)選擇不當導致的適應不良問題，保證計算準確性。

4.2? 預測精準

相較于灰色系統(tǒng)模型GM（1，1）而言，人工神經(jīng)網(wǎng)絡對可以并行處理巖土工程參數(shù)，獲得精準預測數(shù)據(jù)后將相關(guān)數(shù)據(jù)進行分布式存儲，從根本上解決了因非負時間序列累加生成數(shù)列不具指數(shù)規(guī)律而出現(xiàn)的預測粗糙（時正時負）問題[3]。

5? 總結(jié)

綜上所述，人工神經(jīng)網(wǎng)絡具有較強的存儲、學習、計算機容錯能力，可以從巖土工程實例樣本中準確提取特征信息，實現(xiàn)位移、力學參數(shù)之間的高度非線性映射。因此，巖土工程技術(shù)人員可以根據(jù)需要合理選擇建模法、多層前BP網(wǎng)絡算法等方法，并融入信息論、系統(tǒng)論、進化算法、混沌理論等前沿學科知識，精準獲取巖土工程系統(tǒng)特性參數(shù)，為巖土工程領(lǐng)域復雜問題的有效解決提供依據(jù)。

參考文獻：

[1] 郭秋，李培.基于人工神經(jīng)網(wǎng)絡的導航衛(wèi)星鐘差預報方法[J].實驗室研究與探索，201712）：65～68.

[2] 崔雍，楚小剛，董嘉等.基于神經(jīng)網(wǎng)絡的樁基豎向承載力預測研究[J].鐵道工程學報，2016（4）：65～69.