欢迎来到天天文库
浏览记录
ID:15843315
大小:240.86 KB
页数:5页
时间:2018-08-06
《采用bp神经网络反演隧道围岩力学参数》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、第23卷第6期岩石力学与工程学报23(6):941~9452004年3月ChineseJournalofRockMechanicsandEngineeringMarch,2002采用BP神经网络反演隧道围岩力学参数112周建春魏琴刘光栋12(华南理工大学交通学院广州510640)(湖南大学土木工程学院长沙410082)摘要采用BP神经网络对公路隧道新奥法施工过程中围岩力学参数的反演分析进行了研究,通过隧道有限元方法得到了网络训练样本。对京珠高速公路坪石隧道围岩力学参数的仿真分析证明了该方法的有效性。关键词隧道工程,围岩,力学参数,反演分析,BP神经
2、网络分类号TU311.2,TP183文献标识码A文章编号1000-6915(2004)06-0941-05BACKANALYSISONROCKMECHANICSPARAMETERSFORHIGHWAYTUNNELBYBPNEURALNETWORKMETHOD112ZhouJianchun,WeiQin,LiuGuangdong1(CollegeofTtrafficandCommunications,SouthChinaUniversityofTechnology,Guangzhou510640China)2(CollegeofCivilEngine
3、ering,HunanUniversity,Changsha410082China)AbstractThebackanalysisismadebymeansoftheBPneuralnetworkalgorithmonthemechanicsparametersofsurroundingrockmassesinahighwaytunnelconstructionprojectbyNATM.Theweightvaluematricesandtolerancevectorsinaccordancewithinputneuronsandoutputsca
4、nbeobtainedbytrainingasetofspecimens,whichcomesfromaFEManalysisforahighwaytunnel,thePingshiTunneloftheBeijing-Zhuhaiexpressway.TheanalogyresultsoftheBPnetworkproduceagoodagreementwiththeFEMcalculations.Keywordstunnelingengineering,surroundingrockmasses,mechanicsparameters,back
5、analysis,BPneuralnetwork参数与隧道围岩变形关系的人工神经网络训练样1概述本;通过在BP网络训练时采用学习率自适应调整算法,从而加快了网络训练收敛的速率。结合施工在计算公路隧道重要地段和部位的变形数值过程中量测到的隧道围岩实测变形,通过网络仿真时,需要已知围岩力学参数,如弹性模量和泊松比、得到了相应的围岩力学参数。围岩侧压力系数。由于实际工程中实测这些参数非常不便,且数量极少,因此,结合围岩变形实测数2BP神经网络模型[1~16]值,反演围岩力学参数就成为必须。本文结合公路隧道新奥法施工监控量测工作的实际,讨论应典型的BP神经
6、网络是3层、前馈阶层网络,用人工神经网络方法中的BP(误差反向传播)神经网它包括输入层、隐层和输出层,各层间实行权连接。络模型进行围岩力学参数的反演分析问题。基于结图1为一个3层BP神经网络模型。[1,2]构分析有限元法,由正演分析建立了不同围岩力学设输入模式向量为2001年11月1日收到初稿,2002年1月10日收到修改稿。作者周建春简介:男,37岁,博士,1997年毕业于湖南大学土木工程系,主要从事桥梁与隧道工程研究工作。E-mail:jianchunzhou@sina.com。•942•岩石力学与工程学报2004年(4)修正值,即从输出层开始
7、,将误差信号反向传播,修正各权值,使误差最小。kkk(5)用希望输出模式对Yk=(Y1,Y2,L,Yq)以及网络实际输出{C},计算中间层各神经元的一tk般化误差{et}:kke=(Y-C)C(1-C)(t=1,2,L,q)(5)ttttt(6)用连接权{Ujt}输出层的一般化误差{et}以及中间层的输出{b},计算中间层各神经元的一般jk化误差{ej}:qéùek=dUúb(1-b)(j=1,2,L,q)(6)jêåjtj图1BP神经网络模型ëj=1ûFig.1BPneuralnetworkmodelk(7)用输出层各神经元的一般化误差{et}以
8、及中间层各单元的输出{b},修正连接权{U}和阈值jjtAk=(a1,a2,⋯,an)(k=1,2,⋯,m){y}:tk式
此文档下载收益归作者所有