CN108829936A - 基于t-s模糊神经网络的既有重力式挡土墙技术状态评估方法 - Google Patents

Abstract

本发明提供了一种基于T‑S模糊神经网络的既有重力式挡土墙技术状态评估方法，其包括：第一步，模糊神经网络的构建；第二步，模糊神经网络训练；第三步，模糊神经网络预测。该方法将T‑S模糊系统与神经网络相结合，T‑S模糊系统能较好的处理挡土墙这种评估指标模糊且数量多的构筑物。而神经网络具有强大的辨识和自我学习能力，人工干预少，精度较高，对专家知识的利用也较好，从而充分弥补模糊系统的缺点，两者有效结合起来可以充分发挥各自的优势，弥补原来的不足。

Description

基于T-S模糊神经网络的既有重力式挡土墙技术状态评估 方法

技术领域

本发明属于道路工程建设技术领域，具体涉及基于T-S模糊神经网络的既有重力式挡土墙技术状态评估方法。

背景技术

随着经济的快速发展，我国铁路和公路建设取得了巨大成就，截止到2016年底，我国铁路和公路运营总里程分别达124万公里和469.04万公里，其中高速公路总里程达13万公里。由于我国山地占国土总面积的70％以上，致使我国的公路和铁路大部分分布于山区。山区公路和铁路的最大特点是边坡工程量大，而挡土墙作为一种最常见的结构形式在边坡的支护工程中得以应用。其中，重力式挡土墙以其具有就地取材，施工方便，其依靠墙体自重承受土侧压力、断面形式简单等优点，被广泛应用于公路和铁路建设中。

然而，大量的工程实践表明，重力式挡土墙投入运营一段时间后，往往会产生这样或那样的病害，严重危及到交通运输安全。因挡土墙的运行状况受到各种各样复杂因素的影响，有挡土墙结构自身因素的影响，如材质状况、墙体尺寸及构造状况；也有外部环境因素的影响，如地震作用、动应力、地下水侵蚀及暴雨冲刷等；还有设计、施工等人为因素的影响。所以，目前国内对于重力式挡土墙的安全评估还处在研究探索阶段，尚未形成明确且易操作的标准来指导工程实践。因此，建立一个有指导意义的重力式挡土墙评估方法是十分必要且急切的。

以往对于重力式挡土墙的评估多采用专家打分法或模糊综合评估法。采用专家打分法，使得挡土墙评估结果存在很大的主观性；采用模糊综合评估法，尽管其推理过程容易理解、专家知识利用较好、对样本的要求也较低，但它同时又存在人工干预多、推理速度慢、精度较低等缺点，很难实现自适应学习的功能，而且如何自动生成和调整隶属度函数和模糊规则，是一个棘手的问题。

本发明对既有重力式挡土墙采取Takagi Sugeno模糊神经网络评估法，该方法具有较强的自学习和联想功能，人工干预少，精度较高，对专家知识的利用也较好，评估结果客观真实等优点。

发明内容

本发明提供一种采取Takagi Sugeno模糊神经网络(简称T-S模糊神经网络)既有重力式挡土墙技术状态评估方法，即将T-S模糊系统与神经网络相结合，T-S模糊系统能较好的处理挡土墙这种评估指标模糊且数量多的构筑物。而神经网络具有强大的辨识和自我学习能力，人工干预少，精度较高，对专家知识的利用也较好，从而充分弥补模糊系统的缺点，两者有效结合起来可以充分发挥各自的优势，弥补原来的不足。

基于此，本发明提供一种对既有重力式挡土墙技术状态评估方法，其包括：

第一步，模糊神经网络的构建；

第二步，模糊神经网络训练；

第三步，模糊神经网络预测。

其中，所述第一步具体包括，

第1-a步，输入重力式挡土墙评估体系中评估指标分值；

第1-b步，采用隶属度函数对输入值进行模糊化而获取的模糊隶属度值；

第1-c步，采用模糊连乘公式计算获得模糊算子；

第1-d步，计算模糊神经网络的输出，各层神经元数目。

其中，所述第a步中挡土墙的13个评估指标是墙身、墙顶、基础、伸缩缝、排水设施、片石、砂浆情况、墙背填料、裂缝、位移、地震作用、雨水侵蚀、动应力。

其中，所述第二步具体包括：

第2-a步，对第一步构建的模糊神经网络进行初始化；

第2-b步，模糊神经网络训练，用训练程序调用训练数据样本，按照神经网络的学习算法进行训练与学习，每组数据包含各评估指标的分值和挡土墙期望输出的技术状态等级，训练样本的作用在于通过训练优化隶属度函数形成规则库，误差达到最小后，训练结束，则进入第三步。

所述第三步进一步具体包括：

第3-a步，获得模糊神经网络的测试数据，测试样本的作用在于检验所形成的T-S模糊神经网络系统表现性能；

第3-b步，训练结束后，误差降到最小，在此基础上用预测程序调用测试样本，观察分析预测结果，如何预测结果与实际结果一致或准确率达到百分之九十，我们便认为该评估方法是准确可行的。之所以准确率达不到百分之百可能是因为训练样本数量较少，可加大训练样本数量，将误差进一步减小。

有益的技术效果

本发明提供的状态评估方法将T-S模糊系统与神经网络相结合，T-S模糊系统能较好的处理挡土墙这种评估指标模糊且数量多的构筑物。而神经网络具有强大的辨识和自我学习能力，人工干预少，精度较高，对专家知识的利用也较好，从而充分弥补模糊系统的缺点，两者有效结合起来可以充分发挥各自的优势，弥补原来的不足。

附图说明

图1基于T-S模糊神经网络的既有重力式挡土墙技术状态评估模型；

图2 T-S模糊神经网络评估流程图。

具体实施方式

基于T-S模糊神经网络，本发明提供一种对既有重力式挡土墙技术状态评估方法，其包括：

第一步，模糊神经网络的构建；

第二步，模糊神经网络训练；

第三步，模糊神经网络预测。

所述第一步进一步具体包括：

T-S模糊神经网络的结构。T-S模糊神经网络采取四层神经网络。第一层为输入层，将重力式挡土墙13个评估指标的评分输入；第二层为模糊化层，模糊化是采用隶属度函数对输入值进行模糊化而获取的模糊隶属度值；第三层为模糊规则计算层，此层采用模糊连乘公式计算获得模糊算子；第四层为输出层，即计算模糊神经网络的输出；各层神经元数目。由于各层神经元的数量与具体处理的问题有关，所以在实际应用中采用的各层神经元的数量是不确定的，需要由编程者根据具体问题来研究确定。

第a步，输入重力式挡土墙评估体系中评估指标分值；

第b步，采用隶属度函数对输入值进行模糊化而获取的模糊隶属度值；

第c步，采用模糊连乘公式计算获得模糊算子；

第d步，计算模糊神经网络的输出，各层神经元数目。

所述第a步中挡土墙的13个评估指标是墙身、墙顶、基础、伸缩缝、排水设施、片石、砂浆情况、墙背填料、裂缝、位移、地震作用、雨水侵蚀、动应力。

表观状况：是指挡土墙的表观病害、损伤类型及其病害程度。通过总结重力式挡土墙常见的工程病害，可以看出挡土墙的很多病害多发生于在其构造设施上，如伸缩缝错动、排水设施失效、墙体出现裂缝等，而这些构造设施一旦产生较严重的损伤，必将导致挡土墙发生各种形式的破坏。因此，选取表观状况作为既有重力式挡土墙的评估指标是可行的。同时，参照《铁路路基支挡结构设计规范》(TB 10025-2006、)规定，挡土墙是由基础、墙身、沉降缝(伸缩缝)、排水设施和墙顶等构造而成的。因此，对既有重力式挡土墙作表观状况的安全评估时，取5个构成部件作为挡土墙表观状况的评估指标，分别为基础、墙身、沉降缝(伸缩缝)、排水设施和墙顶。

材质状况：材料强度不足，会对挡土墙的耐久性以及承载能力产生极为不利的影响，挡土墙的使用安全性也会受到威胁。所以，材质状况可以作为挡土墙安全评估的主要指标之一。依据修筑材料的不同，往往又可将挡土墙分为砖砌挡土墙、混凝土挡土墙、石砌挡土墙、加筋土挡土墙和钢筋混凝土挡土墙等，根据各铁路局调研资料，由于建设投资不足，2000年前修建的铁路挡土墙中80％以上为浆砌片石，而2000年以后随着国家经济的发展，科技的进步，人们对工程质量的要求逐渐增加，这段时期挡土墙的砌筑材料绝大多数为现浇混凝土。经上述分析，针对不同时期的不同情况，本文选取砂浆和混凝土/片石作为表征挡土墙材质状况的两个指标。

受力性能：受力性能反映了挡土墙构件正常使用状态和承载能力的基本要求，也直观反映了挡土墙的安全状况。参考前人对地铁、桥梁等构筑物受力性能评估指标的选取，我们选取位移和裂缝作为既有重力式挡土墙受力性能的两项评估指标。

(1)位移

挡土墙位移不仅对挡土墙的使用寿命和安全产生巨大影响，而且对其沿线公路、铁路和房屋建筑等的安全性和使用寿命也会产生很大影响。在挡土墙使用过程中，随着荷载的逐渐增加，墙身会在荷载的作用下产生位移，位移的产生可能会导致挡土墙变形和开裂，降低其稳定性和刚度，而稳定性和刚度又是影响挡土墙墙体变形的主要因素，所以当稳定性下降、刚度减小后，挡土墙的位移又会随之增大，如此形成一个恶性循环，最终导致挡土墙破坏，失去原有的功能。如果位移过大也会影响其周围公路、铁路以及房屋建筑地基的稳定性，从而造成更大的损坏。由以上分析可知，墙顶位移是一个极其重要的因素，故在评估时我们选取墙顶位移作为挡土墙受力性能的指标之一。

(2)裂缝

无论挡土墙是何种材料建造而成的，在其投入运营一段时间后，都会由于各种因素的综合作用而产生众多裂缝，这些裂缝的种类和形态各异，常见的有垂直裂缝、斜裂缝、水平裂缝。其中危害最大的是水平裂缝，其次是斜裂缝，垂直裂缝危害相对较小。产生裂缝的原因也有很多种，比如墙体位移过大、抗拉强度不足、墙身剪应力过大等，裂缝的发展速度会随着运营年限的增长而加快，如果裂缝宽度超限，钢筋混凝土挡土墙中的钢筋会发生锈蚀，开裂处混凝土会更快的发生碳化，石块砌筑的挡土墙中裂缝处砂浆和石块的性能会加速劣化，最终导致挡土墙的承载力和安全性大大降低。因此，我们选取裂缝宽度作为挡土墙受力性能的另一指标。

自然因素

自然因素对于重力式挡土墙安全状况的影响是不容小觑的，自然因素的不确定性和破坏性给重力式挡土墙造成很大的隐患，因此我们要时刻监控挡土墙的变化，争取将自然灾害造成的破坏降到最低，做到防患于未然。

地震作用

地震发生时，重力式挡土墙及其墙后填土会随地震加速度而产生振动，它们组成的体系会承受惯性力作用，其方向与地震加速度方向相反，其数值大小等于ma。这个惯性力就是地震力，m和a分别代表体系的质量和最大加速度。我们可以将地震加速度分解成水平和竖直两个分量。又因为支挡结构体系在竖直方向强度储备比较大，所以竖向地震加速度对结构的影响可不考虑。通过上述分析，该体系原本承受的静载及水平方向的地震力对重力式支挡结构安全有较大威胁，这两种力的共同作用导致结构在地震作用下破坏。故对既有重力式挡土墙技术状态评估时，地震作用是不得不考虑的重要因素。

雨水侵蚀

暴雨过后，重力式挡土墙的泄水孔如果排水不畅或不及时，会导致墙后边坡或土体强度降低，主要表现在粘聚力减小，土体的重度明显增加，极有可能出现土体软化的现象。原有重力式挡土墙的稳定会因为这一系列变化而逐渐遭到破坏，土体对重力式挡墙的推力作用大大增加，使得原有重力式挡土墙滑移破坏或倾覆破坏的趋势也明显增大。因此，在重力式挡土墙技术状态评估时，雨水侵蚀是不能忽略的。

动应力

列车动应力是以动力波的形式传播，传播途径为由路基面向深层，所以这种作用会因为深度的增加而逐渐减小。日本相关研究资料表明，动应力在路基面以下3m处的作用约为自重应力的10％，这个数值相对较小，所以在考虑变形影响时可忽略不计。所以动应力的主要影响范围为路基面以下3m范围内的基床。由此可知，动应力对重力式挡土墙的影响主要集中在路肩墙部分。

所述第b步中T-S模糊神经网络隐含层神经元数目为输入层神经元数目的两倍，所以隐含层神经元数目为26，即有26个隶属度函数。

由于采取多输入-单输出模糊神经网络结构，所述第d步中输出层神经元数目为1。

所述评估方法中神经网络采用梯度修正法作为系数和参数的学习算法。如果第d步输出层未得到期望输出，则转入反向传播，根据预测误差不断调整网络系数及参数，从而使网络预测输出更加接近期望输出。

根据构造的T-S模糊神经网络模型，在Matlab平台上编程实现基于T-S模糊神经网络的重力式挡土墙评估程序，程序分为两部分：一是模糊神经网络训练程序，用于训练已知数据样本。二是模糊神经网络评估预测程序，用于评估重力式挡土墙的技术状态。第二部分是建立在第一部分的基础上才能完成，两者不是单独存在。

所述第二步进一步具体包括：

第a步，对第一步构建的模糊神经网络进行初始化；

第b步，模糊神经网络训练，用训练程序调用训练数据样本，按照神经网络的学习算法进行训练与学习，每组数据包含各评估指标的分值和挡土墙期望输出的技术状态等级，训练样本的作用在于通过训练优化隶属度函数形成规则库，误差达到最小后，训练结束，则进入第三步。

所述第三步进一步具体包括：

第a步，获得模糊神经网络的测试数据，测试样本的作用在于检验所形成的T-S模糊神经网络系统表现性能；

第b步，训练结束后，误差降到最小，在此基础上用预测程序调用测试样本，观察分析预测结果，如何预测结果与实际结果一致或准确率达到百分之九十，我们便认为该评估方法是准确可行的。之所以准确率达不到百分之百可能是因为训练样本数量较少，可加大训练样本数量，将误差进一步减小。

以下采用实施例和附图来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。

如图1所示，T-S模糊神经网络采取四层神经网络。第一层为输入层，将重力式挡土墙13个评估指标的评分输入；第二层为模糊化层，模糊化是采用隶属度函数对输入值进行模糊化而获取的模糊隶属度值；第三层为模糊规则计算层，此层采用模糊连乘公式计算获得模糊算子；第四层为输出层，即计算模糊神经网络的输出；各层神经元数目。由于各层神经元的数量与具体处理的问题有关，所以在实际应用中采用的各层神经元的数量是不确定的，需要由编程者根据具体问题来研究确定。

该既有重力式挡土墙技术状态评估方法流程具体如图2所示，第一步，模糊神经网络的构建，具体通过第a步，输入重力式挡土墙评估体系中评估指标分值；第b步，采用隶属度函数对输入值进行模糊化而获取的模糊隶属度值；第c步，采用模糊连乘公式计算获得模糊算子；第d步，计算模糊神经网络的输出，各层神经元数目，从而构建神经网络；第二步，模糊神经网络训练，具体通过第a步，对第一步构建的模糊神经网络进行初始化；第b步，模糊神经网络训练，用训练程序调用训练数据样本，按照神经网络的学习算法进行训练与学习，每组数据包含各评估指标的分值和挡土墙期望输出的技术状态等级，训练样本的作用在于通过训练优化隶属度函数形成规则库，误差达到最小后，训练结束，则进入第三步，第三步，模糊神经网络预测，具体包括：第a步，获得模糊神经网络的测试数据，测试样本的作用在于检验所形成的T-S模糊神经网络系统表现性能；第b步，训练结束后，误差降到最小，在此基础上用预测程序调用测试样本，观察分析预测结果，如何预测结果与实际结果一致或准确率达到百分之九十，我们便认为该评估方法是准确可行的。之所以准确率达不到百分之百可能是因为训练样本数量较少，可加大训练样本数量，将误差进一步减小。

所有上述的首要实施这一知识产权，并没有设定限制其他形式的实施这种新产品和/或新方法。本领域技术人员将利用这一重要信息，上述内容修改，以实现类似的执行情况。但是，所有修改或改造基于本发明新产品属于保留的权利。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (5)

1.一种基于T-S模糊神经网络的既有重力式挡土墙技术状态评估方法，其特征在于，包括：

第一步，模糊神经网络的构建；

第二步，模糊神经网络训练；

第三步，模糊神经网络预测。

2.如权利要求1所述的基于T-S模糊神经网络的既有重力式挡土墙技术状态评估方法，其特征在于：

所述第一步具体包括，

第1-a步，输入重力式挡土墙评估体系中评估指标分值；

第1-b步，采用隶属度函数对输入值进行模糊化而获取的模糊隶属度值；

第1-c步，采用模糊连乘公式计算获得模糊算子；

第1-d步，计算模糊神经网络的输出，各层神经元数目。

3.如权利要求1或2所述的基于T-S模糊神经网络的既有重力式挡土墙技术状态评估方法，其特征在于：所述第1-a步中挡土墙的13个评估指标是墙身、墙顶、基础、伸缩缝、排水设施、片石、砂浆情况、墙背填料、裂缝、位移、地震作用、雨水侵蚀、动应力。

4.如权利要求1至3所述的基于T-S模糊神经网络的既有重力式挡土墙技术状态评估方法，其特征在于：所述第二步具体包括，

第2-a步，对第一步构建的模糊神经网络进行初始化；

第2-b步，模糊神经网络训练，用训练程序调用训练数据样本，按照神经网络的学习算法进行训练与学习，每组数据包含各评估指标的分值和挡土墙期望输出的技术状态等级，训练样本的作用在于通过训练优化隶属度函数形成规则库，误差达到最小后，训练结束，则进入第三步。

5.如权利要求1至4所述的基于T-S模糊神经网络的既有重力式挡土墙技术状态评估方法，其特征在于：所述第三步进一步具体包括，

第3-a步，获得模糊神经网络的测试数据，测试样本的作用在于检验所形成的T-S模糊神经网络系统表现性能；

第3-b步，训练结束后，误差降到最小，在此基础上用预测程序调用测试样本，观察分析预测结果，如何预测结果与实际结果一致或准确率达到百分之九十，我们便认为该评估方法是准确可行的。之所以准确率达不到百分之百可能是因为训练样本数量较少，可加大训练样本数量，将误差进一步减小。