CN102425148B - 基于静力触探和bp神经网络的路基沉降快速预测方法 - Google Patents
基于静力触探和bp神经网络的路基沉降快速预测方法 Download PDFInfo
- Publication number
- CN102425148B CN102425148B CN201110257149.4A CN201110257149A CN102425148B CN 102425148 B CN102425148 B CN 102425148B CN 201110257149 A CN201110257149 A CN 201110257149A CN 102425148 B CN102425148 B CN 102425148B
- Authority
- CN
- China
- Prior art keywords
- place
- neural network
- training
- data
- data sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于静力触探和BP神经网络的路基沉降快速预测方法,包括获取预测场地数据样本、收集类似场地数据样本、建立BP神经网络模型、对BP神经网络进行训练和测试、预测路基沉降量。获取类似场地静力触探测试结果、场地附加应力大小及路基沉降量观测数据作为BP神经网络训练与测试数据样本,对BP神经网络进行反复训练,当预测值与实测数据间误差低于规定水平时停止训练,将预测场地数据样本输入到训练所得BP神经网络模型,得到路基沉降预测值。本发明通过现场静力触探测试及BP神经网络仿真试验,能科学快速地预测路基沉降变形,可广泛应用于土木工程领域各类地基基础沉降变形预测。
Description
技术领域
本发明涉及土木工程中地基沉降变形研究,特别是涉及基于静力触探和BP神经网络技术的预测路基沉降变形的方法。
背景技术
路基沉降变形预测是岩土工程设计中的一项重要内容。现有路基沉降预测主要是利用以分层总和法为代表的工程实用计算方法和考虑土体复杂本构模型的有限元数值计算方法进行路基沉降量预测计算。实用计算方法具有简便实用的特点,是目前工程设计中的主流方法,该方法的不足是计算参数主要是根据压缩试验等室内试验确定的,室内试验确定参数的主要缺点是不能很好地考虑地层应力状态的影响,同时钻探取样扰动对其影响也很大,尤其对于结构性较强的土体。数值计算方法理论上较为完善,可以考虑土体非线性、弹塑性、非均质和应力状态等,但其最大的困难在于土体本构模型的合理建立,其计算参数同样来源于室内试验,难以克服取样扰动等的影响,同时由于本构模型和参数误差较大,最终预测结果也难以准确。
发明内容
针对现有路基沉降预测计算技术所存在的问题,本发明推出一种基于静力触探和BP神经网络的路基沉降快速预测方法,其目的在于,以现场静力触探测试所得土体物理力学性质随深度连续变化结果为依据,结合地基土体上部附加荷载,采用BP神经网络技术预测路基沉降变形。
静力触探是岩土工程勘测中广泛采用的一种原位测试方法,具有高效、连续、重现性好的特点,并且不会产生漏层。静力触探结果能综合反应地层土体物理力学性质随土层深度连续变化情况,可作为预测路基沉降变形的重要参数。
BP神经网络(Back Propagation Neural Network)是由许多神经元相互连接组成的复杂网络,主要用于体现学习和信息处理的一种计算模型。BP神经网络是目前应用最广泛也是发展最成熟的一种神经网络模型。BP神经网络通过学习样本的相互作用等信息,进行网络结构和连接权值的训练修正,从而从大量数据中学习到复杂的非线性关系,以达到预测输出结果的能力。通过调整网络中的连接权值、网络规模,BP神经网络可以实现任意精度逼近任何非线性函数。
本发明所涉及的基于静力触探和BP神经网络的路基沉降快速预测方法,技术步骤包括:S1-获取预测场地数据样本、S2-收集类似场地数据样本、S3-建立BP神经网络模型、S4-对BP神经网络进行训练和测试、S5-预测路基沉降量。
S1-获取预测场地数据样本:获取预测场地静力触探测试结果及场地附加应力数据。
S2-收集类似场地数据样本:收集整理类似场地静力触探测试结果、场地附加应力大小及路基沉降量观测数据。
S3-建立BP神经网络模型:建立基于误差反向传播的BP神经网络模型。所述的BP神经网络模型包括输入层神经元、中间层神经元和网络输出层神经元。中间层神经元的传递函数采用双曲正切Sigmoid函数,输出层神经元的传递函数采用线性函数。
S4-对BP神经网络进行训练和测试:将获取的类似场地数据样本作为BP神经网络训练与测试数据样本;将获取的数据样本分为两部分,前75%作为训练样本用于训练网络,后25%作为测试样本用于测试网络。对BP神经网络进行反复训练,当预测值与实测数据间误差低于规定水平时停止训练。所述的对BP神经网络训练采用贝叶斯正则化方法。
S5-预测路基沉降量:利用通过训练和测试的BP神经网络预测路基沉降量。将获取的预测场地数据样本输入到通过测试的BP神经网络进行路基沉降预测,得到路基沉降量预测值。
本发明以现场静力触探测试所得土体物理力学性质随深度连续变化结果为依据,结合地基土体上部附加荷载,采用BP神经网络技术预测路基沉降变形。通过现场静力触探测试及BP神经网络良好的自学习能力,能科学快速地预测路基沉降变形。该预测方法简单易行、省时高效,预测效果良好,可以避免传统钻探取样对地基土体的扰动及测试结果不准的影响。而且,该方法不需对地基土体进行分层,可以避免传统分层总和法分层过粗的影响,可广泛应用于土木工程领域各类地基基础沉降变形预测。采用本发明方法进行路基沉降预测,预测参数仅需来自现场静力触探试验,无需钻探取样进行室内各种土工试验,大大简化了勘察手段,并能大量节省勘察时间和勘察费用,具有广阔的应用前景。
附图说明
图1是基于静力触探和BP神经网络的路基沉降快速预测方法技术流程图;
图2是BP神经网络模型结构示意图。
图中标记说明:
S1、获取预测场地数据样本 S2、收集类似场地数据样本
S3、建立BP神经网络模型 S4、对BP神经网络进行训练和测试
S5、预测路基沉降量 a、输入层
b、中间层 c、输出层。
具体实施方式
结合附图对本发明的技术方案作进一步说明。
图1显示基于静力触探和BP神经网络的路基沉降快速预测方法的基本流程,图2显示BP神经网络模型的基本结构。如图所示,本发明所涉及的基于静力触探和BP神经网络的路基沉降快速预测方法包括如下步骤:获取预测场地数据样本 S1、收集类似场地数据样本S2、建立BP神经网络模型S3、对BP神经网络进行训练和测试S4、预测路基沉降量 S5。
S1-获取预测场地数据样本:获取预测场地静力触探测试结果及场地附加应力大小,并按规定的数据格式对数据样本进行整理。对需预测场地开展双桥静力触探测试,测试结果按每隔0.1m取值,数据格式按每隔0.1m取随深度连续变化的锥尖阻力、每隔0.1m取随深度连续变化的摩阻比、场地附加应力顺序依次排列。
S2-收集类似场地数据样本:收集整理与需预测场地具有相同路基处理方式的类似场地双桥静力触探测试结果、场地附加应力大小及路基沉降量观测数据作为BP神经网络训练与测试数据样本,并按规定的数据格式对数据进行整理。输入样本数据格式按每隔0.1m取随深度连续变化的锥尖阻力、每隔0.1m取随深度连续变化的摩阻比、场地附加应力顺序依次排列;输出样本数据为场地实测沉降量。
S3-建立BP神经网络模型:建立基于误差反向传播的BP神经网络模型。所述的BP神经网络模型包括输入层神经元、中间层神经元和网络输出层神经元。其中,输入层有20L+1(L为场地静力触探测试深度,单位为米)个神经元,分别对应每隔0.1m随深度连续变化的锥尖阻力值、每隔0.1m随深度连续变化的摩阻比、场地附加应力;中间层神经元数为10;网络输出层有一个神经元,为场地沉降量。所述的中间层神经元的传递函数采用双曲正切Sigmoid函数,输出层神经元的传递函数采用线性函数。
S4-对BP神经网络进行训练和测试:将获取的类似场地数据样本作为BP神经网络训练与测试数据样本;将获取的数据样本分为两部分,前75%作为训练样本用于训练网络,后25%作为测试样本用于测试网络。对BP神经网络进行反复训练,当预测值与实测数据间误差低于规定水平时停止训练。
建立学习机制,将获取的类似场地数据前75%作为训练样本用于训练网络。当输入一组某场地静力触探测试结果及附加应力数据时,即给出一组随深度连续变化的锥尖阻力值、随深度连续变化的摩阻比、场地附加应力数据时,经过网络自动运算会有一个输出值(预测的路基沉降量),比较输出值与期望值(实测路基沉降量)之间的误差,若误差小于指定精度,则学习结束。否则,将误差信号沿原来路径反向传播,并逐步调整各层神经元的网络连接权值,直到误差小于指定精度为止,此时第一组学习完成,进入下一组学习,直到连接权值对所有训练组的预测误差均在指定范围内,输出此时的最佳权值。训练样本越多,网络的学习越充分,网络经验值越大,预测精度越高。对网络反复训练,当误差小于15%时,停止训练,开始预测。此时预测模型目标值与输出值相关系数为0.93。
当网络训练结束后,利用另外25%的数据样本测试网络,检验模型是否符合要求。利用训练所得BP神经网络预测另外25%组数据样本所对应的路基沉降量,对照模型预测值与实际观测值间的误差,当BP神经网络模型对各组测试数据的预测误差均低于规定水平时即通过测试,可以用于预测路基沉降量。此时模型预测值与实测值间相关系数为0.90,模型预测最大误差为24%,通过测试。
S5-预测路基沉降量:利用通过训练和测试的BP神经网络预测路基沉降量。将获取的预测场地数据样本输入到通过测试的BP神经网络进行路基沉降量预测,得到路基沉降量预测值。
Claims (3)
1.一种基于静力触探和BP神经网络的路基沉降快速预测方法,包括如下步骤:获取预测场地数据样本(S1)、收集类似场地数据样本(S2)、建立BP神经网络模型(S3)、对BP神经网络进行训练和测试(S4)、预测路基沉降量(S5);获取预测场地数据样本(S1),获取预测场地静力触探测试结果及场地附加应力大小,并按规定的数据格式对数据进行整理;收集类似场地数据样本(S2),收集整理类似场地静力触探测试结果、场地附加应力大小及路基沉降量观测数据作为BP神经网络训练与测试数据样本,并按规定的数据格式对数据进行整理;建立BP神经网络模型(S3),建立的BP神经网络模型包括输入层神经元、中间层神经元和网络输出层神经元;对BP神经网络进行训练和测试(S4),将获取的类似场地数据样本作为BP神经网络训练与测试数据样本,并将获取的数据样本分为两部分,前75%作为训练样本用于训练网络,后25%作为测试样本用于测试网络,对BP神经网络进行反复训练,当预测值与实测数据间误差低于规定水平时停止训练;预测路基沉降量(S5),将获取的预测场地数据样本输入到通过测试的BP神经网络进行路基沉降预测,得到路基沉降量预测值;其特征在于,所述获取预测场地数据样本(S1)包括对需预测场地开展双桥静力触探测试,测试结果按每隔0.1m取值,数据格式按每隔0.1m取随深度连续变化的锥尖阻力、每隔0.1m取随深度连续变化的摩阻比、场地附加应力顺序依次排列。
2.根据权利要求1所述的基于静力触探和BP神经网络的路基沉降快速预测方法,其特征在于,所述收集类似场地数据样本(S2)包括收集类似场地双桥静力触探测试结果、场地附加应力、场地实测沉降量,输入样本数据格式按每隔0.1m取随深度连续变化的锥尖阻力、每隔0.1m取随深度连续变化的摩阻比、场地附加应力顺序依次排列,输出样本数据为场地实测沉降量。
3.根据权利要求1所述的基于静力触探和BP神经网络的路基沉降快速预测方法,其特征在于,所述BP神经网络模型包括一个输入层、一个中间层和一个输出层,中间层神经元的传递函数采用双曲正切Sigmoid函数,输出层神经元的传递函数采用线性函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110257149.4A CN102425148B (zh) | 2011-09-02 | 2011-09-02 | 基于静力触探和bp神经网络的路基沉降快速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110257149.4A CN102425148B (zh) | 2011-09-02 | 2011-09-02 | 基于静力触探和bp神经网络的路基沉降快速预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102425148A CN102425148A (zh) | 2012-04-25 |
CN102425148B true CN102425148B (zh) | 2014-01-08 |
Family
ID=45959174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110257149.4A Active CN102425148B (zh) | 2011-09-02 | 2011-09-02 | 基于静力触探和bp神经网络的路基沉降快速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102425148B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304674A (zh) * | 2018-02-09 | 2018-07-20 | 陕西铁路工程职业技术学院 | 一种基于bp神经网络的铁路软土路基沉降预测方法 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103912026B (zh) * | 2014-03-20 | 2017-07-11 | 中冶集团武汉勘察研究院有限公司 | 一种基于bp神经网络的双桥静力触探数据的力学指标确定方法 |
CN103898890B (zh) * | 2014-03-20 | 2017-01-18 | 中冶集团武汉勘察研究院有限公司 | 一种基于bp神经网络的双桥静力触探数据的土层量化分层方法 |
CN104598996A (zh) * | 2015-02-02 | 2015-05-06 | 北京交通大学 | 基于最小二乘支持向量机的施工引起地表变形的预测方法 |
CN105354629A (zh) * | 2015-10-20 | 2016-02-24 | 中冶交通建设集团有限公司 | 软土区高速公路路基沉降预测系统 |
CN105804042B (zh) * | 2016-03-16 | 2017-12-19 | 铁道第三勘察设计院集团有限公司 | 基于旋转触探测试技术的基础沉降变形计算方法 |
CN105868483A (zh) * | 2016-04-11 | 2016-08-17 | 贵州大学 | 一种铸钢流动性预测方法 |
CN107092990A (zh) * | 2017-05-03 | 2017-08-25 | 西安电子科技大学 | 基于大数据分析的盾构施工地面沉降预测系统和方法 |
CN107368928B (zh) * | 2017-08-03 | 2021-05-04 | 西安科技大学 | 一种古建筑沉降的组合预测方法及系统 |
CN108595833B (zh) * | 2018-04-23 | 2022-03-25 | 长安大学 | 基于bp神经网络的蓄盐沥青混合料融冰雪寿命预估方法 |
CN110593018A (zh) * | 2019-06-28 | 2019-12-20 | 吉林大学 | 一种高速铁路路基的沉降预测方法 |
CN113744395B (zh) * | 2021-11-08 | 2022-01-25 | 辽博信息科技(山东)有限公司 | 一种建筑地基沉降的监测预警方法及系统 |
CN115419120A (zh) * | 2022-06-08 | 2022-12-02 | 山东大学 | 一种公路路基沉降监测预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2263340Y (zh) * | 1996-03-28 | 1997-09-24 | 铁道部第三勘测设计院 | 静力触探设备 |
JP3908752B2 (ja) * | 2004-05-06 | 2007-04-25 | 株式会社竹中工務店 | 杭の鉛直載荷試験用ひずみ及び沈下量測定方法 |
CN1955380A (zh) * | 2006-06-12 | 2007-05-02 | 铁道第三勘察设计院 | 岩土工程原位旋转触探的测试方法及其专用设备 |
CN101699477A (zh) * | 2009-10-21 | 2010-04-28 | 东南大学 | 精确预测大坝变形的神经网络方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1088557A (ja) * | 1996-09-10 | 1998-04-07 | Ohbayashi Corp | 重力探査を用いた土質別施工数量の推定方法 |
-
2011
- 2011-09-02 CN CN201110257149.4A patent/CN102425148B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2263340Y (zh) * | 1996-03-28 | 1997-09-24 | 铁道部第三勘测设计院 | 静力触探设备 |
JP3908752B2 (ja) * | 2004-05-06 | 2007-04-25 | 株式会社竹中工務店 | 杭の鉛直載荷試験用ひずみ及び沈下量測定方法 |
CN1955380A (zh) * | 2006-06-12 | 2007-05-02 | 铁道第三勘察设计院 | 岩土工程原位旋转触探的测试方法及其专用设备 |
CN101699477A (zh) * | 2009-10-21 | 2010-04-28 | 东南大学 | 精确预测大坝变形的神经网络方法 |
Non-Patent Citations (6)
Title |
---|
周庆欢.基于人工神经网络预测城市道路软基沉降.《中外公路》.2008,第28卷(第3期),34-36页. |
基于人工神经网络预测城市道路软基沉降;周庆欢;《中外公路》;20080630;第28卷(第3期);34-36 * |
基于小波分析和神经网络的静力触探土类划分;彭俊伟;《工业建筑》;20091231;第39卷(第S1期);759-763 * |
彭俊伟.基于小波分析和神经网络的静力触探土类划分.《工业建筑》.2009,第39卷(第S1期),759-763. |
我国的静力触探及动静触探的发展前景;王钟琦;《岩土工程学报》;20000930;第22卷(第5期);517-522 * |
王钟琦.我国的静力触探及动静触探的发展前景.《岩土工程学报》.2000,第22卷(第5期),517-522. |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304674A (zh) * | 2018-02-09 | 2018-07-20 | 陕西铁路工程职业技术学院 | 一种基于bp神经网络的铁路软土路基沉降预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102425148A (zh) | 2012-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102425148B (zh) | 基于静力触探和bp神经网络的路基沉降快速预测方法 | |
CN101158674B (zh) | 基于BP神经网络的水体中叶绿素a浓度预测方法 | |
CN102269972B (zh) | 基于遗传神经网络的管道压力缺失数据补偿方法及装置 | |
CN102799772B (zh) | 面向空气质量预报的样本优化方法 | |
CN104700153A (zh) | 基于模拟退火优化BP神经网络的pH值预测方法 | |
CN109117540A (zh) | 一种解决大坝混凝土力学参数反演不唯一性的概率统计分析方法 | |
CN105259331B (zh) | 一种节理岩体单轴强度预测方法 | |
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
Verma et al. | Porosity and permeability estimation using neural network approach from well log data | |
CN104239659A (zh) | 一种bp神经网络的碳钢腐蚀速率预测方法 | |
CN114492211B (zh) | 一种基于自回归网络模型的剩余油分布预测方法 | |
CN102033991A (zh) | 基于增量改进bp神经网络的微波干燥预测方法 | |
CN101339577A (zh) | 基于支持向量回归机的平板裂缝天线建模方法 | |
CN103106331B (zh) | 基于降维和增量式极限学习机的光刻线宽智能预测方法 | |
CN106568647B (zh) | 一种基于神经网络的混凝土强度预测方法 | |
CN115526108B (zh) | 一种基于多源监测数据的滑坡稳定性智能动态预测方法 | |
CN107798431A (zh) | 一种基于改进Elman神经网络的中长期径流预报方法 | |
Tarawneh et al. | Optimization of resilient modulus prediction from FWD results using artificial neural network | |
CN112163669A (zh) | 基于bp神经网络的路面沉陷预测方法 | |
Al-saffar et al. | Prediction of soil's compaction parameter using artificial neural network | |
CN110245370A (zh) | 一种高面板堆石坝多目标力学参数反演方法 | |
CN102620980A (zh) | 一种利用神经网络预报板材成形性能的方法 | |
CN117114176A (zh) | 基于数据分析和机器学习的土地利用变化预测方法及系统 | |
CN116663126A (zh) | 一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 300142 Hebei District, Zhongshan Road, No. 10, Patentee after: China Railway Design Group Limited Address before: 300142 Hebei District, Zhongshan Road, No. 10, Patentee before: China Railway Third Survey and Design Institute Group Ltd. |