欢迎来到天天文库
浏览记录
ID:52208152
大小:282.75 KB
页数:4页
时间:2020-03-24
《基于优化神经网络模型的隧道变形预测研究.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库。
1、四川建筑科学研究第40卷第1期l72SichuanBuildingScience2014年2月基于优化神经网络模型的隧道变形预测研究崔凌岳(中铁十八局集团第一工程有限公司,河北涿州072750)摘要:神经网络预测技术一直是隧道学术界和工程界关注的关键课题。传统的神经网络对初始权值的依赖性很大,不同的初始值会导致差异很大的预测结果,并且初始值选择有很大的随机性和盲目性,往往导致网络振荡或不收敛。根据经典遗传算法的优势,对神经网络初始值进行优化,完成PB训练样本并建立非线性预测模型,避免了神经网络对初始权值的依赖性过大而引起计算误差。研究表明,GA-BP神经
2、网络遗传算法适用于预测高速公路隧道断层破碎带围岩变形量,与现场试验数据相吻合,验证了GA-BP神经网络遗传算法工程应用的可行性,提高了预测的精度及避免人为误差。隧道洞周变形主要集中在开挖后12天,在此时间内应加强监控量测频率,以避免隧道过大变形引起坍方事故。关键词:隧道工程;神经网络;遗传算法;预测;优化中图分类号:TU91;U45文献标志码:A文章编号:1008—1933(2014)01—172—04StudyonpredictionoftunneldeformationbasedonoptimalneuralnetworkCUILin~cue(The
3、firstEngineeringCo.,Ltd.ofChinaRailway18thBureauGroup,Zhuozhou072750,China)Abstract:Predictionofneuralnetworkhasbeenacontemporarykeyscientificproblemintunnelacademiaandengineering.Traditionalneuralnetworkdependsonweightinitialization.Diferentweightinitializationmayleadtovariousfo
4、recastresults.Inaddition,therearegreatrandomandblindnessforchoiceofinitialvalue.Itwouldresultinoscillationandnon·convergencefornetwork.Accordingtoclassicsuperiorityofgeneticalgorithm,initialvalueofneuralnetworkisoptimized.Trainingsampleisdealtwithandnonlinearmodelofforestwasperfo
5、rmed.Itwouldavoidexcessivedependenceofweightinitializationandinducingcalculationerror.TheresearchresultssuggestthatGA·BPneuralnetworkbefittoforecastofdeformationofhighwaytunnelinfaultfracturezone.Thedatapredictionisaccordabletothatoffieldmonitoring.Itdemonstratesfeasibilityofengi
6、neeringapplicationforneuralnetworkbasedonoptimizationofgeneticalgorithm.Themethodcouldimprovepredictionprecisionandavoidpersonalerror.Mostoftunneldeformationappearsafter12daysfromexcavation.Monitoringfrequencyshouldbestrengthenedtoavoidcollapseoftunnelinducedbylargedeformationdur
7、ingconstruction.Keywords:tunnel;neuralnetwork;geneticalgorithm;prediction;optimization振荡或不收敛,对这些问题,国内外学者进行了大量0引言研究工作,取得一定研究成果。神经网络技术一直是隧道学术界和工程界关注张少迪、王延杰根据传统RBF神经网络优的关键课题,人工神经网络能够从存在干扰的不完势,研究星图模式样本集特点,提出适合星图模式样整的信息当中恢复完整的原始信息,实现预存储信本的新型网络训练算法;刘文轩、严凤研究了应息及自适应学习方式,采用对模拟系统输入样本,通用学习向
8、量量化(LearnVectorQuantization,LVQ)神过学习机制自动
此文档下载收益归作者所有