Establecimiento de un modelo de predicción de hundimiento del terreno de red neuronal de BP

El proceso de modelado del modelo de predicción de la red neuronal de BP para el hundimiento del suelo causado por la precipitación del pozo de cimentación es el siguiente:

(1) Selección de muestras

El suelo hundimiento causado por la precipitación del pozo de cimentación La cantidad de asentamiento está estrechamente relacionada con la distancia desde el pozo de cimentación, por lo que los datos relevantes en los "Datos de ingeniería de asentamiento causados ​​por la precipitación en el pozo de cimentación (Tipo 2)" (consulte la Tabla 4.1) se seleccionan como muestras para aprendizaje, formación y pruebas.

(2) Diseño de estructura de red neuronal BP

Para la red BP, cualquier función continua en un intervalo cerrado puede aproximarse mediante una red BP de una sola capa oculta, por lo que una tridimensional La red BP de capa puede completar cualquier mapeo desde n dimensiones hasta m dimensiones. De acuerdo con el principio de simplificación de la estructura de la red, se determina adoptar una estructura de red BP de tres capas, es decir, la capa de entrada es la distancia L (m) entre el punto de asentamiento y el pozo de cimentación, el módulo de compresión equivalente E (MPa), la caída del nivel del agua H (m) y Hay cuatro parámetros de rigidez del soporte n, la capa de salida es el asentamiento acumulativo del suelo (mm) y el número de capas ocultas es 1. La selección del número de neuronas en la capa oculta es una cuestión muy compleja que a menudo debe determinarse en función de la experiencia del diseñador y de múltiples experimentos, por lo que no existe una fórmula analítica ideal para expresarlo. El número de unidades ocultas está directamente relacionado con los requisitos del problema y el número de unidades de entrada y salida. Demasiadas unidades ocultas conducirán a un tiempo de aprendizaje demasiado prolongado y es posible que el error no sea óptimo. También provocará una mala tolerancia a fallos y la incapacidad de reconocer muestras que no se han visto antes. Unidades ocultas. El estudio comparó la velocidad del entrenamiento y la precisión de las pruebas cuando el número de neuronas de capa oculta era 5, 10, 15, 20, 25, 30 y 40 mediante programación única.

Figura 4.2 Diagrama de bloques del programa de red neuronal BP

(3) Entrenamiento y prueba de red

La red BP utiliza el método de descenso de gradiente para reducir el error de entrenamiento de la red, considerando Debido al pequeño cambio en la cantidad de asentamiento dentro del rango de asentamiento del suelo de la precipitación del pozo de cimentación, el objetivo de entrenamiento se establece en 0.001 como condición de control durante el entrenamiento considerando que la estructura de la red es relativamente compleja y el número de. Las neuronas son relativamente grandes, es necesario aumentar adecuadamente el número de tiempos de entrenamiento y la tasa de aprendizaje, por lo que los tiempos de entrenamiento inicial se establecen en 10,000 veces, la tasa de aprendizaje es 0.1 y la función de transferencia de neuronas de la capa intermedia usa S. Función tangente en forma de tansig, la función de transferencia usa logsig, la función de entrenamiento usa trainlm y se seleccionan 33 grupos de 38 grupos de datos como muestras de entrenamiento, 5 grupos sirven como muestras de prueba.

(4) Implementación de la red y resultados de las pruebas

Utilice la programación MATLAB6.0 para establecer un modelo de predicción de precipitación y hundimiento del terreno para cimientos basado en la red neuronal BP (consulte el Apéndice 1 para ver el programa). código) y su entrenamiento. Los resultados de error y prueba son los siguientes:

Figura 4.3 Curva de error de entrenamiento

Figura 4.4 Curva de error de predicción

Se puede ver De la Figura 4.3 y la Figura 4.4: los datos de muestra convergen, el error de entrenamiento es pequeño. Cuando el número de unidades neuronales en la capa intermedia es 10, la precisión de la predicción es mejor, el error es inferior al 20% y el error cumple con la ingeniería. necesidades.