基于进化神经网络的单桩承载力预测模型研究

杨 爱 新

(山西二建集团有限公司，山西 太原 030013)



基于进化神经网络的单桩承载力预测模型研究

杨 爱 新

(山西二建集团有限公司，山西 太原 030013)

将收集到的单桩承载力实测数据样本作为网络模型的学习训练样本，建立了基于进化神经网络的单桩承载力预测模型，并通过检测样本对预测模型的外推能力进行了检测，证明了预测模型有较好的外推预测能力。

神经网络，遗传算法，单桩承载力，预测模型

目前应用于单桩承载能力的现场测定方法分为两种类型：一类为静荷载试验，即传统的最可靠但费时费力且成本昂贵的力法。该方法直观可靠，但是从机理上讲实际上是将桩身结构的承载力和地基对桩的支承力这两个因素合为一体予以体现，它虽然反映了单桩的承载能力，但对进一步改进桩基的研究设计起到的作用并不大；另一方面，该方法对高吨位的基桩承载力的测定往往是难以实现的。单桩承载能力测定的第二类方法为动测法，它是运用动力理论和桩土结构的边界条件而建立的。

单桩承载力的确定或者预测，是一个复杂的非线性问题，运用目前相关力学理论，从机理上去定量求解，由于假设条件的限制，其精确度有一定的误差。可以从非线性寻优求解的角度去解决单桩承载力的确定，即不考虑单桩承载力的机理，只考虑单桩承载力和其影响因素之间的非线性关系，只要确定了它们之间的非线性关系，那么就解决了单桩承载力确定和预测的问题。

1 进化神经网络算法分析

目前神经网络算法理论已经较成熟，对于处理非线性问题应用广泛，在神经网络算法中BP神经网络是目前使用最多的一种网络算法。BP算法采用的是误差梯度下降算法，这种算法对于数据拟合的局部优化精度较高，但是其得出的模型结果外推能力较差，影响数据模型的实用性。为了提高网络模型学习训练效率或提高模型的外推能力，可以通过对网络结构参数以及网络训练开始初始权值进行优化设定。网络结构参数以及网络训练开始初始权值进行优化设定的方法可以使用遗传算法，遗传算法具有优良的全局寻优能力，这样就可以把全局寻优和局部寻优的算法结合起来处理非线性问题的寻优。

1.1 进化神经网络算法的基本思想

进化神经网络算法可以确定非线性关系的能力，其可以确定由n维到m维的数学映射关系f:Rn→Rm。用BPNN来表示BP网络模型，其一般形式如下：

BPNN[n,nh1,nh2,…,m|W]。

其中，括号内表示BP网络模型的各个要素：n和m分别为模

型的输入和输出个数，nh1,nh2…为各隐含层神经元个数；W为权值矩阵。这样，用BP神经网络映射关系，则可表示为：f(x)=BPNN[n,nh1,nh2,…,m|W](x)。

进化神经网络算法是先进行网络权值和结构参数的全局优化，然后再使用BP神经网络进行局部优化。其流程框图见图1。

1.2 进化神经网络算法的基本步骤

1)BP神经网络结构参数的遗传算法进化。对于进化神经网络算法的结构参数的优化，它是从随机产生的结构参数开始，遗传算法通常有复制、交叉、变异等算法操作，并且通过这些操作形成一个循环。每一级循环中权值矩阵是不参与操作的，因而对各结构参数组个体的适应性评价不能实时进行。

2)BP神经网络初始权值的遗传算法进化。每个初始权系数矩阵个体与对应的结构参数组成的是一个完整的BP网络模型，因而可以直接用于预测分析计适应值。适应值计算公式：

对各结果参数组的初始权系数优化后，进入BP算法训练循环。

3)优化后初始权值的训练。遗传进化算法具有优秀的全局搜索能力，但是在局部精度方面无法深入。因此，对上面两步产生的各模型结构参数及其优化后的初始权值，还要按普通BP算法进行学习训练，进行局部优化。

2 进化神经网络单桩承载力预测模型建立

单桩承载力的大小受多种因素的影响，通过有关理论分析可知主要与桩基本身设计参数和桩所处岩土地层的特征有关，本次单桩承载力的大小预测是以钢筋混凝土预制桩为例进行的模型建立。桩基本身设计参数主要包括桩的直径，长度，入土深度，岩土地层特征可以使用桩基侧摩阻力加权平均值和桩端土承载力来进行定量化表征。进化神经网络模型的输入层可以设置为5个，即为直径，长度，入土深度，桩基侧摩阻力加权平均值和桩端土承载力。网络的输出层设置为1个，即为单桩承载力。网络的隐含层可以使用遗传算法进行优化确定。本次模型的训练数据收集了山西太原地区36根桩的实测资料作为网络建模数据样本，其中30根数据作为网络模型的学习训练样本，6根数据作为模型的检测样本，以检验样本的外推能力，检测样本见表1。

表1 检测样本数据

2.1 需要设置的参数

在确定神经网络结构参数范围时，关于神经网络初始权值，BPNN所采用的梯度下降算法具有明显的初值效应，因而，初始权系数设定的好坏与否会大大影响收敛速度和学习精度。Sietsma和Dow建议初始权值范围为[-0.5,0.5]；Gallagher和Downs以及Kavzoglu建议为[-0.25,0.25]；Paola以及Staufer和Fisher建议为[-0.1,0.1]等。但这些都是在各自领域取得的结果，普及性还有待证明，在设定初始权值范围时可作为参考。算法终止条件可以根据问题的精度要求以及进化过程的收敛情况设定。常规的遗传算法是通过事先给定一个最大进化代数加以限制，这种设置方法比较粗略且对不同的问题很难确定一个最佳的进化代数。在实际应用时，如果问题对象对精度有明确要求，或者对问题精度有清楚的认识，可设定进化到获得的参数在求解问题时(对学习样本的拟合精度和对测试样本的预测精度)满足精度要求终止算法；如果事先难以给定确定的精度要求，可设定在进化过程达到收敛状态(种群中的最佳适应值和平均适应值连续几个进化代数保持相对稳定)时终止算法。同样，对进化神经网络中的不同进化过程也要有所区别，结构参数进化过程涉及的参数对象较为简单，个体多样性程度较低，可能会出现假收敛状态(持续少数几代后又产生明显的进化现象)，可将判别的持续代数标准调大一些。相反，初始权值过程中可设较小值以减少计算时间。

2.2 模型的建立

通过对网络结构参数的分析可知，网络的输入层为5个输入参数，分别为：直径，长度，入土深度，桩基侧摩阻力加权平均值和桩端土承载力。输出层为1个参数即为单桩承载力。按照上述训练参数的设定，通过30根混凝土预制桩的数据资料进行网络学习训练，并且使用人机互动的算法软件实现网络学习训练得到单桩承载力的预测模型。进化神经网络算法软件见图2。

然后通过检测样本对预测网络模型进行检验，检验结果见表2，证明预测模型有一定的外推能力。

表2 网络模型检测样本结果

3 结语

神经网络算法对于处理非线性问题有较好的优势，通过分析可知对于单桩承载力的预测问题，可以使用神经网络算法来确定它们之间的非线性关系，以进行单桩承载力的预测。通过遗传算法对BP神经网络算法进行了改进，提高了算法全局寻优能力。通过收集到的山西太原地区的混凝土预制桩的数据资料，使用进化神经网络进行样本的学习训练，得到了单桩承载力的预测模型，通过检测样本进行检验，证明了模型有较好的外推能力。

[1] 焦李成.神经网络系统理论[M].西安:西安交通大学出版社,1990.

[2] 张 清,宋家蓉.利用神经元网络预测岩石或岩石工程的力学性态[J].岩石力学与工程学报,1992,11(1):35-43.

[3] 黄 强.桩基工程若干热点技术问题[M].北京:中国建筑工业出版社,1996.

[4] 张立明.人工神经网络的模型及应用[M].上海:复旦大学出版社,1993.

Research on prediction model of single pile bearing capacity based on evolutionary neural network

Yang Aixin

(Shanxi2ndConstructionGroupCo.,Ltd,Taiyuan030013,China)

Through the collection to the single pile bearing force data sample do network model of learning and training samples, to establish based on evolutionary neural network the single pile bearing capacity prediction model and samples were detected by the extrapolation capability of prediction model were detected, proved that the prediction model has better prediction ability.

neural network, genetic algorithm, single pile bearing capacity, prediction model

1009-6825(2016)24-0075-02

2016-06-20

杨爱新(1971- )，女，工程师

TU473.11

A