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

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

基于BP神经网络与遗传算法实现盾构砂浆性能优化方法

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：

$\tilde{X}=\left[\begin{array}{cccc}{\tilde{x}}_{11}& {\tilde{x}}_{12}& ...& {\tilde{x}}_{1N}\\ {\tilde{x}}_{21}& {\tilde{x}}_{22}& ...& {\tilde{x}}_{2N}\\ ...& ...& ...& ...\\ {\tilde{x}}_{n1}& {\tilde{x}}_{n2}& ...& {\tilde{x}}_{nN}\end{array}\right];$

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：

$\tilde{Y}=\left[\begin{array}{cccc}{\tilde{y}}_{11}& {\tilde{y}}_{12}& ...& {\tilde{y}}_{1N}\\ {\tilde{y}}_{21}& {\tilde{y}}_{22}& ...& {\tilde{y}}_{2N}\\ ...& ...& ...& ...\\ {\tilde{y}}_{m1}& {\tilde{y}}_{m2}& ...& {\tilde{y}}_{mN}\end{array}\right];$

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：

$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1N}\\ x_{21}& x_{22}& ...& x_{2N}\\ ...& ...& ...& ...\\ x_{n1}& x_{n2}& ...& x_{nN}\end{array}\right];$

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：

$Y=\left[\begin{array}{cccc}{y}_{11}& y_{12}& ...& y_{1N}\\ y_{21}& y_{22}& ...& y_{2N}\\ ...& ...& ...& ...\\ y_{m1}& y_{m2}& ...& y_{mN}\end{array}\right];$

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W_ij、W_jk，阈值为a、b，Y_k＝[y_1k(g),y_2k(g),y_3k(g),…,y_mk(g)]^T(k＝1,2,3...,N)为第g次迭代时网络的实际输出；

d_k＝[d_1k,d_2k,d_3k,…,y_mk]^T(k＝1,2,3...,N)为期望输出；

第三步：赋予W_ij,W_jk各一个0到1之间的随机值；

第四步：随机输入样本X_k，g＝0；

第五步：根据网络的实际输出Y_k与期望输出d_k，计算网络预测误差E_K，E_K＝d_k-Y_k；

第六步：根据误差更新权值，i＝1,2,...,n；j＝1,2,...,l W_jk＝W_jk+ηH_jE_k j＝1,2,...,l；k＝1,2,...,m式中，η为学习效率，H_j为隐含层输出；

第七步：根据误差更新阈值，j＝1,2,...,l，b_k＝b_k+E_k，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+...+w_my_m；

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p_i为f_i＝k/F_ii，其中F_i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a_k和第l个染色体a_l在j为的交叉操作方法为：

$\left.\begin{array}{c}{a}_{kj}=a_{kj}(1-b)+a_{lj}b\\ a_{lj}=a_{lj}(1-b)+a_{kj}b\end{array}\right\},$

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a_ij进行变异：

$a_{ij}=\left\{\begin{array}{c}{a}_{ij}+(a_{ij}-a_{\max })*f\left(g\right),r>0.5\\ a_{ij}+(a_{\min }-a_{ij})*f\left(g\right),r\≤0.5\end{array}\right.,$

式中，a_max为基因的上界，a_min为下界。

f(g)＝r₂(1-g/G_max)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

$\tilde{X}=\left[\begin{array}{cccccccccccc}40& 40& 40& 40& 40& 0& 0& 0& 0& 0& ......& \mathrm{80}\\ 250& 300& \mathrm{350}& \mathrm{380}& \mathrm{40}0& 250& 300& 350& \mathrm{380}& 400& ......& \mathrm{380}\\ 50& 80& 55& \mathrm{40}& \mathrm{60}& 80& 55& \mathrm{40}& 60& 50& ......& \mathrm{50}\\ 70& 50& 40& 30& 0& 40& 30& 0& 70& 50& ......& 40\\ \mathrm{12}00& \mathrm{11}00& \mathrm{900}& 1000& 850& 1000& 850& 1200& 1100& 900& ......& \mathrm{850}\\ \mathrm{32}0& \mathrm{36}0& \mathrm{330}& 310& 3\mathrm{40}& 3\mathrm{40}& 320& \mathrm{36}0& 330& 310& ......& \mathrm{36}0\end{array}\right]$

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

$\tilde{Y}=\left[\begin{array}{cccccccccccc}112& 1\mathrm{20}& 118& 116& 1\mathrm{27}& 117& \mathrm{100}& \mathrm{109}& \mathrm{114}& \mathrm{109}& ......& \mathrm{118}\\ \mathrm{163}& \mathrm{276}& 169& \mathrm{161}& \mathrm{156}& \mathrm{133}& \mathrm{238}& 112& 287& 112& ......& \mathrm{110}\\ \mathrm{212}& \mathrm{209}\mathrm{.1}& 201.6& \mathrm{207}.4& \mathrm{203}.2& \mathrm{243}& \mathrm{206}\mathrm{.5}& 205.7& 209.6& 205.7& ......& \mathrm{192}\\ \mathrm{192}& 168& 174& \mathrm{183}& \mathrm{171}& \mathrm{144}& 153& 126& 135& 150& ......& \mathrm{396}\end{array}\right]$

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；

$X=\left[\begin{array}{cccccccccccc}1.000& -1.000& 0.000& 0.500& 1.000& -1.000& 0.750& 0.000& 0.750& 0.750& ......& 0.750\\ 0.733& 1.000& 0.333& 0.333& -0.333& -1.000& 0.733& 0.733& 1.000& 1.000& ......& -0.333\\ -0.500& -0.500& -0.250& -0.500& -1.000& 1.000& -0.250& -1.000& -0.250& -1.000& ......& -0.500\\ 0.143& 0.4\mathrm{29}& 0.143& -0.143& 1.000& 0.143& 0.429& -0.143& 1.000& 0.143& ......& -1.000\\ -1.000& -0.714& -0.714& 0.429& -0.714& -0.143& 1.000& -0.143& -0.143& 0.429& ......& -0.143\\ 1.000& -1.000& -0.200& 0.200& 0.200& 0.200& 0.200& -1.000& -0.200& -0.600& ......& -0.200\end{array}\right]$

$Y=\left[\begin{array}{cccccccccccc}0.771& 0.514& 0.771& 0.800& 0.371& 0.743& 0.143& 0.714& 0.257& 0.314& ......& 0.514\\ -0.282& -0.266& 0.174& 0.042& 0.104& -0.104& -0.622& 0.112& -0.583& 0.189& ......& -0.266\\ -0.661& -0.215& -0.349& -0.541& -0.541& 1.000& -0.401& -0.160& -0.544& -1.000& ......& -0.215\\ 0.578& -0.822& -0.644& -0.289& 0.311& -0.867& 0.067& -0.578& -0.222& 0.000& ......& -1.000\end{array}\right]$

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：

$w1=\left[\begin{array}{cccccc}1.7385& -1.1444& 1.0373& 0.5581& 0.2365& 1.5597\\ 2.7998& -1.1548& 0.4143& -0.3471& 1.8355& 1.2770\\ -2.\mathrm{0725}& -0.3391& 0.0368& 0.9539& -0.4709& -2.1579\\ 2.\mathrm{3243}& -0.0695& 0.4445& 1.0114& -0.5378& -0.9504\\ 0.\mathrm{8121}& -0.2197& -0.0891& 0.7840& -0.5440& -0.8355\\ 1.\mathrm{9772}& -0.9104& -1.0932& -0.7716& -0.6964& 0.9274\\ -1.0796& -1.4871& 0.7860& -0.3925& 1.1912& 0.0641\\ -0.3428& -0.4855& 0.2013& 0.9952& 0.0005& 1.2570\end{array}\right]$

隐层神经元阈值b1：

$b1=\left[\begin{array}{c}-1.2785\\ -3.7090\\ -0.4877\\ -0.5531\\ -0.0512\\ 0.6559\\ -2.3236\\ -1.0138\end{array}\right]$

隐层到输出层权值w2：

$w2=\left[\begin{array}{cccccccc}0.4412& -0.0406& 0.0590& -0.9491& 0.7338& 1.1432& 0.9586& -0.2361\\ -0.2922& 0.8531& -1.1792& -2.0092& 2.8645& -0.3446& 0.1404& 0.8522\\ 0.3545& 0.6711& 0.5431& -0.1518& -0.4053& 0.4560& 0.8302& -0.3747\\ 1.1085& -0.1293& -0.4258& -0.0770& 0.6410& -0.2180& 1.0392& -1.5668\end{array}\right]$

输出层阈值b2：

$b2=\left[\begin{array}{c}0.773203\\ 0.782851\\ 0.906482\\ -0.06743\end{array}\right]$

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+...+w_my_m。

(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：

$\tilde{X}=\left[\begin{array}{cccc}{\tilde{x}}_{11}& {\tilde{x}}_{12}& ...& {\tilde{x}}_{1N}\\ {\tilde{x}}_{21}& {\tilde{x}}_{22}& ...& {\tilde{x}}_{2N}\\ ...& ...& ...& ...\\ {\tilde{x}}_{n1}& {\tilde{x}}_{n2}& ...& {\tilde{x}}_{nN}\end{array}\right];$

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：

$\tilde{Y}=\left[\begin{array}{cccc}{\tilde{y}}_{11}& {\tilde{y}}_{12}& ...& {\tilde{y}}_{1N}\\ {\tilde{y}}_{21}& {\tilde{y}}_{22}& ...& {\tilde{y}}_{2N}\\ ...& ...& ...& ...\\ {\tilde{y}}_{m1}& {\tilde{y}}_{m2}& ...& {\tilde{y}}_{mN}\end{array}\right];$

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：

$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1N}\\ x_{21}& x_{22}& ...& x_{2N}\\ ...& ...& ...& ...\\ x_{n1}& x_{n2}& ...& x_{nN}\end{array}\right];$

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：

$Y=\left[\begin{array}{cccc}{y}_{11}& y_{12}& ...& y_{1N}\\ y_{21}& y_{22}& ...& y_{2N}\\ ...& ...& ...& ...\\ y_{m1}& y_{m2}& ...& y_{mN}\end{array}\right];$

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W_ij、W_jk，阈值为a、b，

Y_k＝[y_1k(g),y_2k(g),y_3k(g),…,y_mk(g)]^T(k＝1,2,3...,N)为第g次迭代时网络的实际输出；

d_k＝[d_1k,d_2k,d_3k,…,y_mk]^T(k＝1,2,3...,N)为期望输出；

第三步：赋予W_ij,W_jk各一个0到1之间的随机值；

第四步：随机输入样本X_k，g＝0；

第五步：根据网络的实际输出Y_k与期望输出d_k，计算网络预测误差E_K，E_K＝d_k-Y_k；

第六步：根据误差更新权值，其中i＝1,2,...,n；j＝1,2,...,l，W_jk＝W_jk+ηH_jE_k，j＝1,2,...,l；k＝1,2,...,m式中，η为学习效率，H_j为隐含层输出；

第七步：根据误差更新阈值，j＝1,2,...,l；b_k＝b_k+E_k，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+...+w_my_m；

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p_i为f_i＝k/F_ii，其中F_i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a_k和第l个染色体a_l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a_ij进行变异，

式中，a_max为基因的上界，a_min为下界。f(g)＝r₂(1-g/G_max)²，r₂为一个随机数，g当前迭代次数，r为[0,1]间的随机数。