CN103530526A - 一种基于神经网络预测吹填土标高的方法 - Google Patents
一种基于神经网络预测吹填土标高的方法 Download PDFInfo
- Publication number
- CN103530526A CN103530526A CN201310516428.7A CN201310516428A CN103530526A CN 103530526 A CN103530526 A CN 103530526A CN 201310516428 A CN201310516428 A CN 201310516428A CN 103530526 A CN103530526 A CN 103530526A
- Authority
- CN
- China
- Prior art keywords
- absolute altitude
- barged
- fill
- elevation
- hydraulic reclamation
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于神经网络预测吹填土标高的方法，特别是涉及一种基于神经网络预测软基吹填标高和加固后标高的预测方法。基于神经网络理论运用VisualBasic语言开发的“围海造陆吹填土标高神经网络预测系统”软件对吹填土标高进行预测，包括以下步骤：收集已有围海造陆工程实测数据，形成吹填标高预测数据库和加固后标高预测数据库；运用所开发的软件对相应的数据库进行学习训练；输入待预测工程的影响因素数值，对待测因子进行预测。该方法具有双向预测功能，已知加固后标高可预测吹填标高，已知吹填标高可预测加固后标高，适用范围较广。该方法应用简便且预测精度较高，可满足工程需要。
Description
技术领域
本发明涉及一种基于神经网络预测吹填土标高的方法，特别是涉及一种基于神经网络预测软基吹填标高和加固后标高的预测方法，属于软基处理技术领域。
背景技术
随着经济的迅速发展，沿海发达地区用地日益紧张，围海造陆工程已经在天津、上海等经济发达的沿海地区大规模开展。围海造陆的主要方法是利用航道清淤等含水量很高的泥土吹填形成吹填土地基，再经真空预压进行加固，达到设计的承载力和高度要求，若吹填高度过高，后期需要清除多余土体造成资源浪费，若吹填高度不足，后期需要进行补吹泥土和二次加固从而造成工期的延后和造价的提高，所以吹填土的标高确定极为重要。吹填土是由含水量很高的吹填泥浆形成的，现有计算方法主要是利用已有的固结理论进行计算，计算过程复杂且结果存在较大的偏差，于是迫切需要一种能准确且简便的确定工程中吹填土所需要达到的吹填标高的方法。本发明即是基于以上需要提出的。
人工神经网络（Artificial Neural Network，简称ANN）以数学模型模拟神经元活动，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。人工神经网络具有自学习、自组织、自适应以及很强的非线性函数逼近能力，拥有强大的容错性，它可以实现仿真、预测以及模糊控制等功能，是处理非线性系统的有力工具。
目前，神经网络在土木工程领域已得到了一定程度的应用，例如利用神经网络进行结构的分析与优化、建立材料的本构关系等，但在软基处理标高预测方面尚没有研究和应用，在围海造陆的长期实践中已经积累了大量吹填土沉降计算有关的数据，包括吹填土的含水量、塑性指数等，使该领域应用神经网络成为了可能。
发明内容
本发明的目的在于提供一种基于神经网络预测吹填土标高的方法，该方法具有双向预测功能特点，所述的双向预测：其一是指已知吹填土加固后标高可预测吹填土吹填标高，其二是指已知吹填土吹填标高可预测吹填土加固后标高，而且预测精度较高。
本发明是通过以下技术方案实现的，一种基于神经网络预测吹填土标高的方法，所述的标高采用1972年天津市大沽高程系2003年高程，即天津市规划局颁布的在天津市域范围内统一使用的高程标准，该高程系以宝坻基岩标作为大沽高程的基准面，该方法其特征在于：采用以Visual Basic语言开发的“围海造陆吹填土标高神经网络预测系统”软件，该软件主要的程序代码为：
Public Sub StudyMain()
For Count = 1 To NN
Call MidLayer
Call OutLayer
Call OutError
Call MidError
Call Modify_Mid_Out
Call Modify_In_Mid
Next Count
End Sub
Public Sub Initial()
Dim i, j, k As Integer
Randomize
For j = 1 To JJ
For i = 1 To II
V(j, i) = 2 * Rnd - 1
Next i
Next j
For k = 1 To KK
For j = 1 To JJ
W(k, j) = 2 * Rnd - 1
Next j
Next k
For j = 1 To JJ
R(j) = 2 * Rnd - 1
Next j
For k = 1 To KK
Q(k) = 2 * Rnd - 1
Next k
End Sub
Public Sub Teacher()
Dim i, j, k As Integer
Open TT For Input As #1
For j = 1 To NN
For i = 1 To II + KK
If i <= II Then
Input #1, z(j, i)
Else
k = i - II
Input #1, d(j, k)
End If
Next i
Next j
For i = 1 To II
M2(i) = z(1, i)
L3(i) = z(1, i)
For j = 1 To NN
If M2(i) < z(j, i) Then
M2(i) = z(j, i)
End If
If L3(i) > z(j, i) Then
L3(i) = z(j, i)
End If
Next j
Next i
For i = 1 To II
For j = 1 To NN
z(j, i) = (z(j, i) - L3(i) + 0.01) * 0.6 / (M2(i) - L3(i) + 0.01) + 0.2
Next j
Next i
For k = 1 To KK
M(k) = d(1, k)
L(k) = d(1, k)
For j = 1 To NN
If M(k) < d(j, k) Then
M(k) = d(j, k)
End If
If L(k) > d(j, k) Then
L(k) = d(j, k)
End If
Next j
Next k
For k = 1 To KK
For j = 1 To NN
If d(j, k) > 0 Or d(j, k) < 0 Then
d(j, k) = (d(j, k) - L(k) + 0.01) * 0.6 / (M(k) - L(k) + 0.01) + 0.2
Else
d(j, k) = 0.0001
End If
Next j
Next k
End Sub
Public Sub MidLayer()
Dim i, j As Integer
Dim net() As Double
ReDim net(JJ)
For j = 1 To JJ
For i = 1 To II
net(j) = net(j) + V(j, i) * z(Count, i)
Next i
y(Count, j) = f(net(j) - R(j))
Next j
End Sub
Public Sub OutLayer()
Dim j, k As Integer
Dim net() As Double
ReDim net(KK)
For k = 1 To KK
For j = 1 To JJ
net(k) = net(k) + W(k, j) * y(Count, j)
Next j
o(Count, k) = f(net(k) - Q(k))
Next k
End Sub
Public Sub OutError()
Dim k As Integer
For k = 1 To KK
Er1(k) = (d(Count, k) - o(Count, k)) * o(Count, k) * (1 - o(Count, k))
Next k
End Sub
Public Sub MidError()
Dim j, k As Integer
For j = 1 To JJ
For k = 1 To KK
Er2(j) = Er2(j) + Er1(k) * W(k, j)
Next k
Er2(j) = Er2(j) * y(Count, j) * (1 - y(Count, j))
Next j
End Sub
Public Sub Modify_Mid_Out()
Dim k, j As Integer
For k = 1 To KK
For j = 1 To JJ
W(k, j) = W(k, j) + L1 * Er1(k) * y(Count, j)
Next j
Q(k) = Q(k) - L2 * Er1(k)
Next k
End Sub
Public Sub Modify_In_Mid()
Dim i, j As Integer
For j = 1 To JJ
For i = 1 To II
V(j, i) = V(j, i) + L1 * Er2(j) * z(Count, i)
Next i
R(j) = R(j) - L2 * Er2(j)
Next j
End Sub
Public Function f(x As Double) As Double
f = 1 / (1 + Exp(-x))
End Function
上述的程序代码涵盖内容如下：
（1）定义归一化子函数Sigmoid函数： 
；
（2）随机生成初始化调节参数；
（3）将采集的数据构成的数据库导入系统；
（4）开始调入学习过程，学习过程包括以下六个步骤：
步骤1：计算中间层各个单元的输入、输出；
步骤2：计算输出层的各个单元输入、输出；
步骤3：计算输出层各单元的一般化误差；
步骤4：计算中间层各单元的一般化误差；
步骤5：调节输入层至中间层之间的连接权及输出层节点的阈值；
步骤6：调节中间层至输出层之间的连接权及输出层节点的阈值；
（5）读入待预测工程影响因素参数，计算预测标高值；
以上述软件程序进行吹填标高的预测，具体的预测步骤包括：
1）建立已有工程的样本数据库：
根据天津市围海造陆工程勘察报告整理，采集已有工程的影响因素数据，建立吹填标高预测数据库，数据库包括：吹填土层加固后层底标高h 3 ，单位为m；吹填土层加固后标高h 4 ，单位为m；吹填土含水率ω 1 ，单位为%；吹填土塑性指数I p1 ；原天然地基含水率ω 2 ，单位为%；原天然地基塑性指数I p2 和沉降值s，单位为m；建立加固后标高预测数据库，数据库包括：吹填土层加固前层底标高h 1 ，单位为m；吹填土层吹填标高h 2 ，单位为m；吹填土含水率ω 1 ，单位为%；吹填土塑性指数I p1 ；原天然地基含水率ω 2 ，单位为%；原天然地基塑性指数I p2 和沉降值s单位为m；所建立已有工程的样本数据库包含了89组样本数据；
从上述数据库中分别随机采集了9组数据，列于表1和表2中，以示数据库的真实性：
表1 吹填标高预测数据库数据
表2 加固后标高预测数据库数据
2）运用开发的“围海造陆吹填土标高神经网络预测系统”软件对相应的数据库进行学习训练，具体步骤包括：
（1）将数据库数据导入软件中；
（2）向软件系统输入训练误差为0.02~0.10、权调节系数为0.4~0.8、阈调节系数为0.4~0.8、训练样本数目为60~200、影响因子数目为4~10、隐层节点数目为6~16、待测因子数目为1~2；
（3）通过计算机计算，当达到步骤（2）所设定的训练误差后软件停止学习；如果学习时间过长，则增大步骤（2）中的训练误差，以降低学习时间；如果计算误差过大，则减小步骤（2）中的训练误差，增加学习时间来达到计算精度要求；
3）输入影响因素，对待测因子进行预测：
（1）当预测吹填土吹填标高h 2 时，把影响因素输入软件，影响因素范围为：吹填土层加固后层底标高h 3 为-2m~+2m、吹填土加固后标高h 4 为+2m~+8m、吹填土含水率ω 1 为60%~200%、吹填土塑性指数I p1 为14~20、原天然地基含水率ω 2 为30%~80%、原天然地基塑性指数I p2 为14~20；经计算得到吹填土吹填标高h 2 的预测结果；
（2）当预测吹填土加固后标高h 4 时，把影响因素输入软件，影响因素范围为：吹填土层加固前层底标高h 1 为-2m~+2m、吹填土吹填标高h 2 为+2m~+10m、吹填土含水率ω 1 为60%~200%、吹填土塑性指数I p1 为14~20、原天然地基含水率ω 2 为30%~80%、原天然地基塑性指数I p2 为14~20；经计算得到吹填土加固后标高h 4 的预测结果。
本发明具有的优点和积极效果是：本发明基于BP人工智能神经网络开发出的“围海造陆吹填土标高神经网络预测系统”，通过对采集的数据进行学习，对待测因子进行预测，该方法预测精度高达98%，而且该系统具有双向预测功能，即已知加固后标高可预测吹填土吹填标高，已知吹填土吹填标高可预测加固后标高，对工程实际具有重要指导意义。
附图说明
图1为围海造陆吹填工程加固前的结构示意图。
图中：1为砂垫层，2为吹填土层，3为天然地基层，4为竖向排水体，5为吹填土层加固前层底标高h 1 ，6为吹填土吹填标高h 2 。
图2为围海造陆吹填工程加固后的结构示意图。
图中：1为砂垫层，2为吹填土层，3为天然地基层，4为竖向排水体，7为吹填土层加固后层底标高h 3 ，8为吹填土加固后标高h 4 。
图3为本发明运用的“围海造陆吹填土标高神经网络预测系统”软件的学习过程框图。
具体实施方式
实施例一：
结合天津滨海新区某工程实例，围海造陆吹填土标高神经网络预测系统的预测过程如下：
将数据库数据导入软件中；向软件系统输入训练误差为0.05、权调节系数为0.6、阈调节系数为0.6、训练样本数目为89、影响因子数目为6、隐层节点数目为10、待测因子数目为1；通过计算机计算，学习结果显示栏显示本次学习训练次数为135，误差为4.9584%，达到所设定的训练要求。
将该工程通过现场勘查试验得到有关的影响因素输入到软件中：吹填土层加固后层底标高h 3 为-1.3m、吹填土加固后标高h 4 为4.2m、吹填土含水率ω 1 为105%、吹填土塑性指数I p1 为17、原天然地基含水率ω 2 为44.4%，原天然地基塑性指数I p2 为18；经计算得到吹填土吹填标高h 2 的预测结果7.19m。对该工程采用高精度的“实时动态差分测量仪”（Real - Time Kinematic，简称RTK）测量得到的工程实际监测吹填土吹填标高h 2 值为7.40米，预测结果和实际标高相对误差为-2.84%。
将该工程通过现场勘查试验得到有关的影响因素输入到软件中：吹填土层加固前层底标高h 1 为-1.3m、吹填土吹填标高h 2 为7.0m、吹填土含水率ω 1 为105%、吹填土塑性指数I p1 为17、原天然地基含水率ω 2 为44.4%，原天然地基塑性指数I p2 为18；经计算得到加固后标高h 3 的预测结果为3.98m。对该工程采用高精度的“实时动态差分测量仪”（Real - Time Kinematic，简称RTK）测量得到的工程实际监测吹填土加固后标高h 4 为3.78米，预测结果和实际标高相对误差为2.65%。
实施例二：
结合天津滨海新区另外某工程实例，围海造陆吹填土标高神经网络预测系统的预测过程如下：
将数据库数据导入软件中；向软件系统输入训练误差为0.05、权调节系数为0.6、阈调节系数为0.6、训练样本数目为89、影响因子数目为6、隐层节点数目为10、待测因子数目为1；通过计算机计算，学习结果显示栏显示本次学习训练次数为142，误差为4.9289%，达到所设定的训练要求。
将该工程通过现场勘查试验得到有关的影响因素输入到软件中：吹填土层加固后层底标高h 3 为-1.3m、吹填土加固后标高h 4 为2.69m、吹填土含水率ω 1 为160%、吹填土塑性指数I p1 为17.70、原天然地基含水率ω 2 为44.4%，原天然地基塑性指数I p2 为16.21；得到吹填标高的预测结果为6.50米。对该工程采用高精度的“实时动态差分测量仪”测量得到的工程实际监测吹填土吹填标高h 2 值为6.30米，预测结果和实际标高相对误差为3.17%。
将该工程通过现场勘查试验得到有关的影响因素输入到软件中：吹填土层加固前层底标高h 1 为-1.3m、吹填土吹填标高h 2 为6.30m、吹填土含水率ω 1 为160%、吹填土塑性指数I p1 为17.70、原天然地基含水率ω 2 为44.4%，原天然地基塑性指数I p2 为16.21；经计算得到加固后标高的预测结果为2.59m。对该工程采用高精度的“实时动态差分测量仪”测量得到的工程实际监测吹填土加固后标高h 4 为2.69米，预测结果和实际标高相对误差为-3.72%。
实施例三：
结合天津滨海新区另外某工程实例，围海造陆吹填土标高神经网络预测系统的预测过程如下：
将数据库数据导入软件中；向软件系统输入训练误差为0.05、权调节系数为0.6、阈调节系数为0.6、训练样本数目为89、影响因子数目为6、隐层节点数目为10、待测因子数目为1；通过计算机计算，学习结果显示栏显示本次学习训练次数为140，误差为4.9366%，达到所设定的训练要求。
将该工程通过现场勘查试验得到有关的影响因素输入到软件中：吹填土层加固后层底标高h 3 为-1.3m、吹填土加固后标高h 4 为3.39m、吹填土含水率ω 1 为140%、吹填土塑性指数I p1 为16.87、原天然地基含水率ω 2 为44.4%，原天然地基塑性指数I p2 为16.18；得到吹填标高的预测结果为7.33米。对该工程采用高精度的“实时动态差分测量仪”测量得到的工程实际监测吹填土吹填标高h 2 值为7.15米，预测结果和实际标高相对误差为2.52%。
将该工程通过现场勘查试验得到有关的影响因素输入到软件中：吹填土层加固前层底标高h 1 为-1.3m、吹填土吹填标高h 2 为7.15m、吹填土含水率ω 1 为140%、吹填土塑性指数I p1 为16.87、原天然地基含水率ω 2 为44.4%，原天然地基塑性指数I p2 为16.18；经计算得到加固后标高的预测结果为3.27m。对该工程采用高精度的“实时动态差分测量仪”测量得到的工程实际监测吹填土加固后标高h 4 为3.39米，预测结果和实际标高相对误差为-3.54%。
实施例四：
本实施例与实施例三采用相同的现场勘查试验数据，不同的是降低训练误差，采用围海造陆吹填土标高神经网络预测系统的预测过程如下：
将数据库数据导入软件中；向软件系统输入训练误差为0.02、权调节系数为0.6、阈调节系数为0.6、训练样本数目为89、影响因子数目为6、隐层节点数目为10、待测因子数目为1；通过计算机计算，学习结果显示栏显示本次学习训练次数为954，误差为1.9655%，达到所设定的训练要求。
将该工程通过现场勘查试验得到有关的影响因素输入到软件中：吹填土层加固后层底标高h 3 为-1.3m、吹填土加固后标高h 4 为3.39m、吹填土含水率ω 1 为140%、吹填土塑性指数I p1 为16.87、原天然地基含水率ω 2 为44.4%，原天然地基塑性指数I p2 为16.18；得到吹填标高的预测结果为7.24米。对该工程采用高精度的“实时动态差分测量仪”测量得到的工程实际监测吹填土吹填标高h 2 值为7.15米，预测结果和实际标高相对误差为1.54%。
将该工程通过现场勘查试验得到有关的影响因素输入到软件中：吹填土层加固前层底标高h 1 为-1.3m、吹填土吹填标高h 2 为7.15m、吹填土含水率ω 1 为140%、吹填土塑性指数I p1 为16.87、原天然地基含水率ω 2 为44.4%，原天然地基塑性指数I p2 为16.18；经计算得到加固后标高的预测结果为3.44m。对该工程采用高精度的“实时动态差分测量仪”测量得到的工程实际监测吹填土加固后标高h 4 为3.39米，预测结果和实际标高相对误差为1.47%。
Claims (1)
1.一种基于神经网络预测吹填土标高的方法，所述的标高采用1972年天津市大沽高程系2003年高程，即天津市规划局颁布的在天津市域范围内统一使用的高程标准，该高程系以宝坻基岩标作为大沽高程的基准面，该方法其特征在于：采用以Visual Basic语言开发的“围海造陆吹填标高神经网络预测系统”软件，该软件主要的程序代码为：
Public Sub StudyMain()
For Count = 1 To NN
Call MidLayer
Call OutLayer
Call OutError
Call MidError
Call Modify_Mid_Out
Call Modify_In_Mid
Next Count
End Sub
Public Sub Initial()
Dim i, j, k As Integer
Randomize
For j = 1 To JJ
For i = 1 To II
V(j, i) = 2 * Rnd - 1
Next i
Next j
For k = 1 To KK
For j = 1 To JJ
W(k, j) = 2 * Rnd - 1
Next j
Next k
For j = 1 To JJ
R(j) = 2 * Rnd - 1
Next j
For k = 1 To KK
Q(k) = 2 * Rnd - 1
Next k
End Sub
Public Sub Teacher()
Dim i, j, k As Integer
Open TT For Input As #1
For j = 1 To NN
For i = 1 To II + KK
If i <= II Then
Input #1, z(j, i)
Else
k = i - II
Input #1, d(j, k)
End If
Next i
Next j
For i = 1 To II
M2(i) = z(1, i)
L3(i) = z(1, i)
For j = 1 To NN
If M2(i) < z(j, i) Then
M2(i) = z(j, i)
End If
If L3(i) > z(j, i) Then
L3(i) = z(j, i)
End If
Next j
Next i
For i = 1 To II
For j = 1 To NN
z(j, i) = (z(j, i) - L3(i) + 0.01) * 0.6 / (M2(i) - L3(i) + 0.01) + 0.2
Next j
Next i
For k = 1 To KK
M(k) = d(1, k)
L(k) = d(1, k)
For j = 1 To NN
If M(k) < d(j, k) Then
M(k) = d(j, k)
End If
If L(k) > d(j, k) Then
L(k) = d(j, k)
End If
Next j
Next k
For k = 1 To KK
For j = 1 To NN
If d(j, k) > 0 Or d(j, k) < 0 Then
d(j, k) = (d(j, k) - L(k) + 0.01) * 0.6 / (M(k) - L(k) + 0.01) + 0.2
Else
d(j, k) = 0.0001
End If
Next j
Next k
End Sub
Public Sub MidLayer()
Dim i, j As Integer
Dim net() As Double
ReDim net(JJ)
For j = 1 To JJ
For i = 1 To II
net(j) = net(j) + V(j, i) * z(Count, i)
Next i
y(Count, j) = f(net(j) - R(j))
Next j
End Sub
Public Sub OutLayer()
Dim j, k As Integer
Dim net() As Double
ReDim net(KK)
For k = 1 To KK
For j = 1 To JJ
net(k) = net(k) + W(k, j) * y(Count, j)
Next j
o(Count, k) = f(net(k) - Q(k))
Next k
End Sub
Public Sub OutError()
Dim k As Integer
For k = 1 To KK
Er1(k) = (d(Count, k) - o(Count, k)) * o(Count, k) * (1 - o(Count, k))
Next k
End Sub
Public Sub MidError()
Dim j, k As Integer
For j = 1 To JJ
For k = 1 To KK
Er2(j) = Er2(j) + Er1(k) * W(k, j)
Next k
Er2(j) = Er2(j) * y(Count, j) * (1 - y(Count, j))
Next j
End Sub
Public Sub Modify_Mid_Out()
Dim k, j As Integer
For k = 1 To KK
For j = 1 To JJ
W(k, j) = W(k, j) + L1 * Er1(k) * y(Count, j)
Next j
Q(k) = Q(k) - L2 * Er1(k)
Next k
End Sub
Public Sub Modify_In_Mid()
Dim i, j As Integer
For j = 1 To JJ
For i = 1 To II
V(j, i) = V(j, i) + L1 * Er2(j) * z(Count, i)
Next i
R(j) = R(j) - L2 * Er2(j)
Next j
End Sub
Public Function f(x As Double) As Double
f = 1 / (1 + Exp(-x))
End Function
上述的程序代码涵盖内容如下：
（1）定义归一化子函数Sigmoid函数： 
；
（2）随机生成初始化调节参数；
（3）将采集的数据构成的数据库导入系统；
（4）开始调入学习过程，学习过程包括以下六个步骤：
步骤1：计算中间层各个单元的输入、输出；
步骤2：计算输出层的各个单元输入、输出；
步骤3：计算输出层各单元的一般化误差；
步骤4：计算中间层各单元的一般化误差；
步骤5：调节输入层至中间层之间的连接权及输出层节点的阈值；
步骤6：调节中间层至输出层之间的连接权及输出层节点的阈值；
（5）读入待预测工程影响因素参数，计算预测标高值；
以上述软件程序进行吹填标高的预测，具体的预测步骤包括：
1）建立已有工程的样本数据库：
根据天津市围海造陆工程勘察报告整理，采集已有工程的影响因素数据，建立吹填标高预测数据库，数据库包括：吹填土层加固后层底标高h 3 ，单位为m；吹填土层加固后标高h 4 ，单位为m；吹填土含水率ω 1 ，单位为%；吹填土塑性指数I p1 ；原天然地基含水率ω 2 ，单位为%；原天然地基塑性指数I p2 和沉降值s，单位为m；建立加固后标高预测数据库，数据库包括：吹填土层加固前层底标高h 1 ，单位为m；吹填土层吹填标高h 2 ，单位为m；吹填土含水率ω 1 ，单位为%；吹填土塑性指数I p1 ；原天然地基含水率ω 2 ，单位为%；原天然地基塑性指数I p2 和沉降值s单位为m；所建立已有工程的样本数据库包含了89组样本数据；
从上述数据库中分别随机采集了9组数据，列于表1和表2中，以示数据库的真实性：
表1 吹填标高预测数据库数据
表2 加固后标高预测数据库数据
2）运用开发的“围海造陆吹填标高神经网络预测系统”软件对相应的数据库进行学习训练，具体步骤包括：
（1）将数据库数据导入软件中；
（2）向软件系统输入训练误差为0.02~0.10、权调节系数为0.4~0.8、阈调节系数为0.4~0.8、训练样本数目为60~200、影响因子数目为4~10、隐层节点数目为6~16、待测因子数目为1~2；
（3）通过计算机计算，当达到步骤（2）所设定的训练误差后软件停止学习；如果学习时间过长，则增大步骤（2）中的训练误差，以降低学习时间；如果计算误差过大，则减小步骤（2）中的训练误差，增加学习时间来达到计算精度要求；
3）输入影响因素，对待测因子进行预测：
（1）当预测吹填土吹填标高h 2 时，把影响因素输入软件，影响因素范围为：吹填土层加固后层底标高h 3 为-2m~+2m、吹填土加固后标高h 4 为+2m~+8m、吹填土含水率ω 1 为60%~200%、吹填土塑性指数I p1 为14~20、原天然地基含水率ω 2 为30%~80%、原天然地基塑性指数I p2 为14~20；经计算得到吹填土吹填标高h 2 的预测结果；
（2）当预测吹填土加固后标高h 4 时，把影响因素输入软件，影响因素范围为：吹填土层加固前层底标高h 1 为-2m~+2m、吹填土吹填标高h 2 为+2m~+10m、吹填土含水率ω 1 为60%~200%、吹填土塑性指数I p1 为14~20、原天然地基含水率ω 2 为30%~80%、原天然地基塑性指数I p2 为14~20；经计算得到吹填土加固后标高h 4 的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310516428.7A CN103530526A (zh) | 2013-10-29 | 2013-10-29 | 一种基于神经网络预测吹填土标高的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310516428.7A CN103530526A (zh) | 2013-10-29 | 2013-10-29 | 一种基于神经网络预测吹填土标高的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103530526A true CN103530526A (zh) | 2014-01-22 |
Family
ID=49932531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310516428.7A Pending CN103530526A (zh) | 2013-10-29 | 2013-10-29 | 一种基于神经网络预测吹填土标高的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103530526A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108595757A (zh) * | 2018-03-21 | 2018-09-28 | 新智数字科技有限公司 | 能源设备建模、能源站调度方法、装置以及设备 |
| CN114726598A (zh) * | 2022-03-28 | 2022-07-08 | 新华三信息安全技术有限公司 | 一种影响因子调整方法及装置 |
-
2013
- 2013-10-29 CN CN201310516428.7A patent/CN103530526A/zh active Pending
Non-Patent Citations (2)
| Title |
|---|
| 刘晓强: "软土地基沉降预测系统研究", 《中国优秀硕士论文全文数据库(电子期刊)工程科技II辑》 * |
| 邱长林等: "孔隙变化对吹填土地基真空预压固结的影响", 《岩土力学 》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108595757A (zh) * | 2018-03-21 | 2018-09-28 | 新智数字科技有限公司 | 能源设备建模、能源站调度方法、装置以及设备 |
| CN114726598A (zh) * | 2022-03-28 | 2022-07-08 | 新华三信息安全技术有限公司 | 一种影响因子调整方法及装置 |
| CN114726598B (zh) * | 2022-03-28 | 2024-02-09 | 新华三信息安全技术有限公司 | 一种影响因子调整方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Application of an enhanced BP neural network model with water cycle algorithm on landslide prediction | |
| Zhang et al. | Application of optimized grey discrete Verhulst–BP neural network model in settlement prediction of foundation pit | |
| CN109584510B (zh) | 一种基于评估函数训练的道路高边坡滑坡灾害预警方法 | |
| CN103205972B (zh) | 一种分析基坑变形与坑外地面沉降关系的方法 | |
| CN105678417A (zh) | 一种施工隧道撑子面涌水量预测方法及装置 | |
| CN117217058A (zh) | 一种抽蓄电站水工结构安全监测方法、系统、设备及介质 | |
| Fei et al. | Research on tunnel engineering monitoring technology based on BPNN neural network and MARS machine learning regression algorithm | |
| CN107145671A (zh) | 一种油藏数值模拟方法及系统 | |
| CN112836789A (zh) | 一种基于复合神经网络算法的地连墙变形动态预测方法 | |
| CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能系统 | |
| Al-saffar et al. | Prediction of soil's compaction parameter using artificial neural network | |
| CN116402951A (zh) | 基于数字孪生的边坡安全管理方法及系统 | |
| CN113792369B (zh) | 土体变形预测方法、系统、设备及可读存储介质 | |
| Li et al. | Research and application of deformation prediction model for deep foundation pit based on LsTM | |
| Zhang et al. | A new approach for mechanical parameter inversion analysis of roller compacted concrete dams using modified PSO and RBFNN | |
| CN103530526A (zh) | 一种基于神经网络预测吹填土标高的方法 | |
| CN117332494A (zh) | 沉井施工状态实时数字孪生的方法、设备及存储介质 | |
| CN116882023A (zh) | 一种地铁隧道暗挖施工上覆土层横向沉降预测方法 | |
| Reddy | Applications of artificial intelligence and machine learning in geotechnical engineering | |
| CN115293037A (zh) | 基于机器学习的河湖复合系统水动力建模方法 | |
| CN115239013A (zh) | 面向冲积河道的崩岸等级预测方法及系统 | |
| CN117709488B (zh) | 基于RUN-XGBoost的大坝渗流预测方法 | |
| Fukuda et al. | Development of a ground forecasting system based on the geological and groundwater conditions in mountain tunneling | |
| Fava et al. | An approach for urban catchment model updating | |
| CN110633532B (zh) | 一种swmm模型参数的高精度率定方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140122 |