CN106202753A - 基于bp神经网络与遗传算法实现盾构砂浆性能优化方法 - Google Patents
基于bp神经网络与遗传算法实现盾构砂浆性能优化方法 Download PDFInfo
- Publication number
- CN106202753A CN106202753A CN201610560876.0A CN201610560876A CN106202753A CN 106202753 A CN106202753 A CN 106202753A CN 201610560876 A CN201610560876 A CN 201610560876A CN 106202753 A CN106202753 A CN 106202753A
- Authority
- CN
- China
- Prior art keywords
- sample
- performance
- mortar
- output
- affecting parameters
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BP神经网络与遗传算法实现盾构砂浆性能优化方法,包括以下步骤,选取多个在砂浆拌制过程中影响砂浆性能的影响参数以及能够反映砂浆性能的性能观测参数;在不同所述影响参数下配制多组砂浆样本,采集各组砂浆样本的性能观测参数,进行归一化处理,分别得到样本矩阵X和性能样本矩阵Y;以所述样本矩阵X作为输入,以所述性能样本矩阵Y作为输出,运用BP神经网络算法,对样本进行训练,检验,建立拌制过程演化模型;利用遗传算法算法优化模型,寻找所述影响参数的最优范围。
Description
技术领域
本发明涉及盾构砂浆拌制优化方法领域,尤其涉及一种基于BP神经网络与遗传算法实现盾构砂浆性能优化方法。
背景技术
盾构砂浆是盾构壁后注浆的浆液,其拌制的材料包括水泥、粉煤灰、膨润土、石灰、砂、水,其主要性能有泌水率、稠度、强度、密度等。在拌制过程中,不同的配合比对砂浆性能有着不同的影响,
在工程中,拌制的砂浆浆液性能由于配合比不好,出现性能较差的现象。因此拌制配合比是否存在最优化的状态是实现性能优化的简单有效方法,拌制过程是一个复杂非线性系统,无法用简单的数学公式描述,而砂浆配合比实验为建立拌和模型奠定了基础;
为此,需要一种基于BP神经网络与遗传算法实现盾构砂浆性能优化方法,该方法利用BP神经网络建立拌制过程的数学模型,并利用遗传算法对建立的模型进行搜索,寻找拌制过程中配合比参数最优值,根据最优值进行实际生产指导。
发明内容
有鉴于此,本发明的目的是提供一种基于BP神经网络与遗传算法实现盾构砂浆性能优化方法,该方法利用BP神经网络建立拌制过程的数学模型,并利用遗传算法对建立的模型进行搜索,寻找拌制过程中配合比参数最优值。
本发明的基于BP神经网络与遗传算法实现盾构砂浆性能优化方法,包括以下步骤:选取多个在砂浆拌制过程中影响砂浆性能的影响参数以及能够反映砂浆性能的性能观测参数;在不同所述影响参数下配制多组砂浆样本,并得到影响参数样本矩阵采集各组砂浆样本的性能观测参数,并得到与影响参数样本矩阵对应的观察参数样本矩阵分别对所述影响参数样本矩阵和观察参数样本矩阵进行归一化处理,分别得到样本矩阵X和性能样本矩阵Y;以所述样本矩阵X作为输入,以所述性能样本矩阵Y作为输出,运用BP神经网络算法,对样本进行训练,检验,建立拌制过程演化模型;利用遗传算法算法优化模型,寻找所述影响参数的最优范围。
进一步,所述影响参数选取有:水泥、粉煤灰、膨润土、石灰、砂、水;所述观察参数选取有稠度,密度,泌水率,强度;
进一步,所述影响参数样本矩阵为:
其中,为第k个样本的第i个影响参数的观测值;n为影响参数的个数,N为样本个数;所述观察参数样本矩阵为:
其中,为第k个样本的第i个性能数据的观测值;m为性能观测参数的个数;N为样本个数;
进一步,所述样本矩阵X为:
其中,n为影响参数的个数,N为样本个数;所述性能样本矩阵Y为:
其中,m为性能观测参数的个数;N为样本个数;
进一步,建立所述拌制过程演化模型包括以下步骤,第一步:根据系统输入输出序列(X,Y)确定网络输出层节点数n,隐含层节点数l,输出层节点数m,N为训练样本个数;第二步:根据输入变量X,输入层Y和隐含层间的连接设置变量与参量,输入层、隐含层和输出层神经元之间的连接权值为Wij、Wjk,阈值为a、b,Yk=[y1k(g),y2k(g),y3k(g),…,ymk(g)]T(k=1,2,3...,N)为第g次迭代时网络的实际输出;
dk=[d1k,d2k,d3k,…,ymk]T(k=1,2,3...,N)为期望输出;
第三步:赋予Wij,Wjk各一个0到1之间的随机值;
第四步:随机输入样本Xk,g=0;
第五步:根据网络的实际输出Yk与期望输出dk,计算网络预测误差EK,EK=dk-Yk;
第六步:根据误差更新权值,i=1,2,...,n;j=1,2,...,l Wjk=Wjk+ηHjEk j=1,2,...,l;k=1,2,...,m式中,η为学习效率,Hj为隐含层输出;
第七步:根据误差更新阈值,j=1,2,...,l,bk=bk+Ek,k=1,2,...,m;
第八步:判断算法迭代是否结束,若没有,则返回第四步;
进一步,利用所述遗传算法算法优化模型,包括以下步骤,
第一步:将多目标输出转换成单目标输出,通过权值变量将多变量合并为单变量,Y=w1y1+w2y2+...+wmym;
第二步:种群初始化,其中个体编码方法为实数编码,每个个体均为实数串;
第三步:用训练数据训练BP神经网络后预测系统输出,把预测输出与期望输出之间的误差绝对值和作为适应度函数F;
第四步:利用轮盘赌法,即基于适应度比例函数得到选择到每个个体i的选择概率pi为fi=k/Fii,其中Fi为个体i的适应度值,k为系数,N为种群个体数目;
第五步:利用交叉方法采用实数交叉方法,第k个染色体ak和第l个染色体al在j为的交叉操作方法为:
式中,b是[0,1]间的随机数;第六步:选取第i个个体的第j个基因aij进行变异:
式中,amax为基因的上界,amin为下界。
f(g)=r2(1-g/Gmax)2,r2为一个随机数,g当前迭代次数,r为[0,1]间的随机数。
本发明的有益效果是:本发明的基于BP神经网络与遗传算法实现盾构砂浆性能优化方法,能够利用BP神经网络建立拌制过程的数学模型,并利用遗传算法对建立的模型进行搜索,寻找拌制过程中配合比参数最优值,根据最优值进行实际生产指导。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的三层BP神经网络模型示意图;
图2为本实施例中的遗传迭代示意图。
具体实施方式
本实施例的基于BP神经网络与遗传算法实现盾构砂浆性能优化方法,包括以下步骤:选取多个在砂浆拌制过程中影响砂浆性能的影响参数以及能够反映砂浆性能的性能观测参数;在不同所述影响参数下配制多组砂浆样本,并得到影响参数样本矩阵,采集各组砂浆样本的性能观测参数,并得到与影响参数样本矩阵对应的观察参数样本矩阵;分别对所述影响参数样本矩阵和观察参数样本矩阵进行归一化处理,分别得到样本矩阵X和性能样本矩阵Y;以所述样本矩阵X作为输入,以所述性能样本矩阵Y作为输出,运用BP神经网络算法,对样本进行训练,检验,建立拌制过程演化模型;利用遗传算法算法优化模型,寻找所述影响参数的最优范围,本实施例能够利用BP神经网络建立拌制过程的数学模型,并利用遗传算法对建立的模型进行搜索,寻找拌制过程中配合比参数最优值,根据最优值进行实际生产指导。
本实施例中,采用乌鲁木齐地铁一号线16标段施工拌制砂浆现场材料进行实验,所述影响参数选取有:水泥x1,粉煤灰x2,膨润土x3,石灰x4,砂x5,水x6;所述观察参数选取有稠度y1,密度y2,泌水率y3,强度y4;
本实施例中,在保证统一的实验环境下,采集不同配合比下的样本性能数据,从而得到的样本的如下:
根据该表数据可得到影响参数样本矩阵
本实施例中,采集获得的性能数据如下表:
根据上表数据可得观察参数样本矩阵
本实施例中,分别对影响参数样本矩阵和观察参数样本矩阵进行归一化处理,得到如下数据表:
利用上述表格数据可获得样本矩阵X和性能样本矩阵Y;
本实施例中,采用如下步骤建立所述拌制过程演化模型,采用三层BP神经网络,设置网络隐含层节点数为8,。根据输入变量、输出变量、隐含层的连接设置变量与参量,得到输入层到隐层的权值w1:
隐层神经元阈值b1:
隐层到输出层权值w2:
输出层阈值b2:
利用上述权值和阈值,构建数学模型,选择可建模样本中部分数据作为测试样本,从而验证建立的模型。
本实施例中,利用所述遗传算法算法优化模型,包括以下步骤,
(1)将多目标输出转换成单目标输出,根据工程所需参数重要性选择,通过加权的方法将多变量合并为单变量。
Y=w1y1+w2y2+...+wmym。
(2)种群初始化,构造适应度函数。
(3)设置初始种群规模大小,最大遗传代数为100,设置各个决策变量的范围:水泥0≤x1≤80;粉煤灰200≤x2≤450;膨润土40≤x3≤80;石灰40≤x4≤70;砂800≤x5≤1200;水300≤x6≤360,进行遗传迭代,并得到如图1所示的迭代示意图。
在优化的过程中将变量调整到往最小值优化的策略,故而得到优化后的决策变量,如下表所示为优化后的决策变量
最后,进行优化前后结果对比,将优化后的决策变量,在保证统一的实验环境下,带入建立的工艺过程模型,得到优化后的性能变量与实际工程的性能进行比较,得到如下表所示的优化前后结果对比表:
有此可知,稠度、泌水率在允许范围内降低,密度、强度在允许范围内升高,符合工程所需要求,上述方法有效。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于BP神经网络与遗传算法实现盾构砂浆性能优化方法,其特征在于,包括以下步骤:
选取多个在砂浆拌制过程中影响砂浆性能的影响参数以及能够反映砂浆性能的性能观测参数;
在不同所述影响参数下配制多组砂浆样本,并得到影响参数样本矩阵
采集各组砂浆样本的性能观测参数,并得到与影响参数样本矩阵对应的观察参数样本矩阵
分别对所述影响参数样本矩阵和观察参数样本矩阵进行归一化处理,分别得到样本矩阵X和性能样本矩阵Y;
以所述样本矩阵X作为输入,以所述性能样本矩阵Y作为输出,运用BP神经网络算法,对样本进行训练,检验,建立拌制过程演化模型;
利用遗传算法算法优化模型,寻找所述影响参数的最优范围。
2.根据权利要求1所述的基于BP神经网络与遗传算法实现盾构砂浆性能优化方法,其特征在于:所述影响参数选取有:水泥、粉煤灰、膨润土、石灰、砂、水;所述观测参数选取有稠度、密度、泌水率、强度。
3.根据权利要求1所述的基于BP神经网络与遗传算法实现盾构砂浆性能优化方法,其特征在于:所述影响参数样本矩阵为:
其中,为第k个样本的第i个影响参数的观测值;n为影响参数的个数,N为样本个数;
所述观察参数样本矩阵为:
其中,为第k个样本的第i个性能数据的观测值;m为性能观测参数的个数;N为样本个数。
4.根据权利要求1所述的基于BP神经网络与遗传算法实现盾构砂浆性能优化方法,其特征在于:
所述样本矩阵X为:
其中,n为影响参数的个数,N为样本个数;
所述性能样本矩阵Y为:
其中,m为性能观测参数的个数;N为样本个数。
5.根据权利要求1所述的基于BP神经网络与遗传算法实现盾构砂浆性能优化方法,其特征在于:建立所述拌制过程演化模型包括以下步骤,
第一步:根据系统输入输出序列(X,Y)确定网络输出层节点数n,隐含层节点数l,输出层节点数m,N为训练样本个数;
第二步:根据输入变量X,输入层Y和隐含层间的连接设置变量与参量,输入层、隐含层和输出层神经元之间的连接权值为Wij、Wjk,阈值为a、b,
Yk=[y1k(g),y2k(g),y3k(g),…,ymk(g)]T(k=1,2,3...,N)为第g次迭代时网络的实际输出;
dk=[d1k,d2k,d3k,…,ymk]T(k=1,2,3...,N)为期望输出;
第三步:赋予Wij,Wjk各一个0到1之间的随机值;
第四步:随机输入样本Xk,g=0;
第五步:根据网络的实际输出Yk与期望输出dk,计算网络预测误差EK,EK=dk-Yk;
第六步:根据误差更新权值,其中i=1,2,...,n;j=1,2,...,l,Wjk=Wjk+ηHjEk,j=1,2,...,l;k=1,2,...,m式中,η为学习效率,Hj为隐含层输出;
第七步:根据误差更新阈值,j=1,2,...,l;bk=bk+Ek,k=1,2,...,m;
第八步:判断算法迭代是否结束,若没有,则返回第四步。
6.根据权利要求1所述的基于BP神经网络与遗传算法实现盾构砂浆性能优化方法,其特征在于:利用所述遗传算法算法优化模型,包括以下步骤,
第一步:将多目标输出转换成单目标输出,通过权值变量将多变量合并为单变量,Y=w1y1+w2y2+...+wmym;
第二步:种群初始化,其中个体编码方法为实数编码,每个个体均为实数串;
第三步:用训练数据训练BP神经网络后预测系统输出,把预测输出与期望输出之间的误差绝对值和作为适应度函数F;
第四步:利用轮盘赌法,即基于适应度比例函数得到选择到每个个体i的选择概率pi为fi=k/Fii,其中Fi为个体i的适应度值,k为系数,N为种群个体数目;
第五步:利用交叉方法采用实数交叉方法,第k个染色体ak和第l个染色体al在j为的交叉操作方法为:
式中,b是[0,1]间的随机数;
第六步:选取第i个个体的第j个基因aij进行变异,
式中,amax为基因的上界,amin为下界。f(g)=r2(1-g/Gmax)2,r2为一个随机数,g当前迭代次数,r为[0,1]间的随机数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610560876.0A CN106202753A (zh) | 2016-07-15 | 2016-07-15 | 基于bp神经网络与遗传算法实现盾构砂浆性能优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610560876.0A CN106202753A (zh) | 2016-07-15 | 2016-07-15 | 基于bp神经网络与遗传算法实现盾构砂浆性能优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106202753A true CN106202753A (zh) | 2016-12-07 |
Family
ID=57476016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610560876.0A Pending CN106202753A (zh) | 2016-07-15 | 2016-07-15 | 基于bp神经网络与遗传算法实现盾构砂浆性能优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106202753A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460461A (zh) * | 2018-02-06 | 2018-08-28 | 吉林大学 | 基于ga-bp神经网络的火星壤剪切参数预测方法 |
CN108710940A (zh) * | 2017-12-31 | 2018-10-26 | 中交第公路工程局有限公司 | 基于神经网络优化角砾地层中盾构机运行轨迹参数的方法 |
CN108803343A (zh) * | 2018-07-24 | 2018-11-13 | 国家能源投资集团有限责任公司 | 甲醇制烯烃反应器的控制方法及装置 |
CN109598092A (zh) * | 2018-12-28 | 2019-04-09 | 浙江工业大学 | 融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法 |
CN114199945A (zh) * | 2021-12-29 | 2022-03-18 | 郑州大学 | 一种地聚合物砂浆强度及抗氯离子渗透性预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609515A (zh) * | 2009-06-25 | 2009-12-23 | 福州大学 | 基于人工智能的混凝土配合比设计方法 |
CN104007659A (zh) * | 2014-05-28 | 2014-08-27 | 重庆科技学院 | Bp神经网络在s7-300系列plc中的实现方法 |
-
2016
- 2016-07-15 CN CN201610560876.0A patent/CN106202753A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609515A (zh) * | 2009-06-25 | 2009-12-23 | 福州大学 | 基于人工智能的混凝土配合比设计方法 |
CN104007659A (zh) * | 2014-05-28 | 2014-08-27 | 重庆科技学院 | Bp神经网络在s7-300系列plc中的实现方法 |
Non-Patent Citations (2)
Title |
---|
张春青: ""基于BP神经网络的CA砂浆性能预测分析"", 《公路交通科技(应用技术版)》 * |
苏华等: ""盾构砂浆优化设计的支持向量机方法"", 《水运工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710940A (zh) * | 2017-12-31 | 2018-10-26 | 中交第公路工程局有限公司 | 基于神经网络优化角砾地层中盾构机运行轨迹参数的方法 |
CN108710940B (zh) * | 2017-12-31 | 2022-02-01 | 中交一公局集团有限公司 | 基于神经网络优化角砾地层中盾构机运行轨迹参数的方法 |
CN108460461A (zh) * | 2018-02-06 | 2018-08-28 | 吉林大学 | 基于ga-bp神经网络的火星壤剪切参数预测方法 |
CN108803343A (zh) * | 2018-07-24 | 2018-11-13 | 国家能源投资集团有限责任公司 | 甲醇制烯烃反应器的控制方法及装置 |
CN109598092A (zh) * | 2018-12-28 | 2019-04-09 | 浙江工业大学 | 融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法 |
CN114199945A (zh) * | 2021-12-29 | 2022-03-18 | 郑州大学 | 一种地聚合物砂浆强度及抗氯离子渗透性预测方法 |
CN114199945B (zh) * | 2021-12-29 | 2023-09-19 | 郑州大学 | 一种地聚合物砂浆强度及抗氯离子渗透性预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106202753A (zh) | 基于bp神经网络与遗传算法实现盾构砂浆性能优化方法 | |
CN106951983A (zh) | 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 | |
CN106528433B (zh) | 一种用于白盒测试的测试用例优先级排序方法 | |
CN105809279B (zh) | 一种基于多目标量子混合蛙跳算法的水资源优化调度方法 | |
CN108734202A (zh) | 一种基于改进bp神经网络的高压断路器故障诊断方法 | |
CN104933661B (zh) | 一种公共建筑物非均称安全通道的人群均衡撤离方法 | |
CN107817772A (zh) | 一种柔性作业车间调度优化方法 | |
Zhang et al. | A genetic algorithm with jumping gene and heuristic operators for traveling salesman problem | |
CN103902783B (zh) | 一种基于广义逆向学习差分算法的排水管网优化方法 | |
CN105825270A (zh) | 利用遗传算法针对题库中的试题进行自动组卷的方法 | |
Gholizadeh et al. | Performance-based design optimization of steel moment frames | |
CN104616062A (zh) | 一种基于多目标遗传规划的非线性系统辨识方法 | |
CN104866903B (zh) | 基于遗传算法的最美路径导航算法 | |
CN109583588A (zh) | 一种短期风速预测方法及系统 | |
Hu et al. | Differential evolution-boosted sine cosine golden eagle optimizer with Lévy flight | |
Marzouk et al. | Selecting sustainable building materials using system dynamics and ant colony optimization | |
Elaziz et al. | Triangular mutation-based manta-ray foraging optimization and orthogonal learning for global optimization and engineering problems | |
CN115049124A (zh) | 一种基于贝叶斯网络的深长隧道突涌水预测方法 | |
CN101853202B (zh) | 一种基于遗传算法和带权匹配算法的测试案例自动生成方法 | |
Bailey et al. | Operative generative design using non-dominated sorting genetic algorithm II (NSGA-II) | |
Wang et al. | Discussion on the prediction of engineering cost based on improved BP neural network algorithm | |
Sharifipour et al. | Well placement optimization using shuffled frog leaping algorithm | |
CN113762602A (zh) | 一种风电场短期风速预测方法 | |
Liu et al. | A land-use spatial allocation model based on modified ant colony optimization | |
CN103995750B (zh) | 一种多Agent系统非对称分布式约束优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |