CN110457746B - 基于bp神经网络的结构面峰值抗剪强度预测模型构建方法 - Google Patents

基于bp神经网络的结构面峰值抗剪强度预测模型构建方法 Download PDF

Info

Publication number
CN110457746B
CN110457746B CN201910582778.0A CN201910582778A CN110457746B CN 110457746 B CN110457746 B CN 110457746B CN 201910582778 A CN201910582778 A CN 201910582778A CN 110457746 B CN110457746 B CN 110457746B
Authority
CN
China
Prior art keywords
neural network
output
shear strength
peak shear
hidden layer
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
Application number
CN201910582778.0A
Other languages
English (en)
Other versions
CN110457746A (zh
Inventor
马成荣
黄曼
陈洁
罗战友
杜时贵
邹宝平
洪陈杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shaoxing
Original Assignee
University of Shaoxing
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shaoxing filed Critical University of Shaoxing
Priority to CN201910582778.0A priority Critical patent/CN110457746B/zh
Publication of CN110457746A publication Critical patent/CN110457746A/zh
Application granted granted Critical
Publication of CN110457746B publication Critical patent/CN110457746B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Processing Or Creating Images (AREA)

Abstract

一种基于BP神经网络的结构面峰值抗剪强度预测模型构建方法，包括如下步骤：(1)用三维激光扫描仪提取结构面初始形态的点云数据，通过MATLAB软件对点云数据进行统计分析，获得三维表面的各种形貌特征参数信息；(2)基于MATLAB编程构建BP神经网络；(3)BP神经网络训练，随机选取每个连接权值和阈值，初始化处理步骤(1)中得到的A0、
Figure DDA0002113503890000011
σt以及σn组成的输入样本数据；将BP神经网络实际输出的剪切强度值τ与期望输出值比对，得到输出层的各单元一般化误差；对比实际和期望输出以调整各层神经元的连接权值和阈值，再进行重复训练，直至神经网络的全局误差E小于设定值。本发明准确的估计结构面抗剪强度。

Description

基于BP神经网络的结构面峰值抗剪强度预测模型构建方法
技术领域
本发明涉及一种基于BP神经网络与结构面峰值抗剪强度的预测模型，适用于考虑结构面力学性能影响因素来估算结构面峰值抗剪强度的场合。
背景技术
BP神经网络计算过程由正向计算过程和反向计算过程组成，在网络理论、性能方面已比较成熟，是具有很强的非线性映射能力和柔性的网络结构。应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理等。
岩体结构面控制着岩体的变形能力、强度，准确确定岩体的峰值抗剪强度是设计岩体上或岩体内安全结构的关键。结构面的高随机性、模糊性和不确定性导致结构面峰值抗剪强度与影响力学剪切行为的因素存在复杂的高度非线性关系，使得剪切模型的复杂度高，且岩石结构面的传统研究方法基于大量的实验数据，但这种研究方式耗费人力、物力资源，试验周期长。
Grasselli进行了大量的实验室剪切试验，从三维表面形态的角度提出剪切方向最大倾角的概念，从试验现象中发现结构面的破坏由抗拉强度主导，提出了具有各向异性意义的峰值抗剪强度模型；唐志成、夏才初等在Grasselli的基础上提出了能反映结构面峰值剪胀角的剪切模型。近年来，在大数据的背景下，数据挖掘和人工智能技术因其精准和高效等优点已广泛用于传统的岩土工程中，邱道宏等采用径向基函数神经网络，根据岩爆高风险区域的地层岩性条件预测了工程现场的岩爆强度，周喻等利用BP网络模型建立了岩土体宏观参数与细观参数之间的映射关系。上述研究表明，神经网络方法在岩土工程研究中有较好的适用性，而这种方法在研究结构面峰值剪切强度上涉及较少。
发明内容
为了克服已有技术无法估计结构面抗剪强度的不足，本发明综合分析考虑了影响结构面剪切行为的多种因素：最大可能接触面积比A0、节理面粗糙度参数
Figure BDA0002113503870000011
岩石抗拉强度σt以及施加于岩石上的法向应力σn，快速从数据中找到多种因素中的敏感影响因子，本发明提供了一种基于训练BP神经网络得到的峰值剪切强度快速预测模型的方法，以准确的估计结构面抗剪强度。
本发明解决其技术问题所采用的技术方案是：
一种基于BP神经网络的结构面峰值抗剪强度预测模型构建方法，所述方法包括如下步骤：
(1)用三维激光扫描仪提取结构面初始形态的点云数据，通过MATLAB软件对点云数据进行统计分析，获得三维表面的各种形貌特征参数信息，包括：最大可能接触面积比A0、节理面粗糙度参数
Figure BDA0002113503870000021
通过巴西劈裂试验和剪切试验获取岩石抗拉强度σt、施加于岩石上的法向应力σn和峰值剪切强度试验值τp；
(2)基于MATLAB编程构建BP神经网络，设置神经网络样本数据分组方式、网络精度、隐含层层数、神经元数量、运用的算法和性能检验步数；
(3)BP神经网络训练，随机选取每个连接权值和阈值，初始化处理步骤(1)中得到的A0、
Figure BDA0002113503870000022
σt以及σn组成的输入样本数据；将BP神经网络实际输出的剪切强度值τ与期望输出值比对，得到输出层的各单元一般化误差；对比实际和期望输出以调整各层神经元的连接权值和阈值，再进行重复训练，直至神经网络的全局误差E小于设定值。
进一步，对于隐含层各神经单元的计算有
Figure BDA0002113503870000023
式中：Wij为输入层神经元与隐含层神经元之间的权值，θj为隐含层的阈值，p为模型的隐含层神经元数量。
再进一步，为实现BP神经网络模拟生物神经元非线性的特点，利用双曲正切传递函数Sigmoid函数训练隐含层神经元作为激励函数，得到隐含层输出：
Figure BDA0002113503870000024
模型的隐含层的激活值为：
bj＝f(x)(j＝1,2,3,...,p)
网络的实际输出和期望输出之间存在的全局误差，表示为：
Figure BDA0002113503870000031
式中：yq为模型的输出、yq *为期望输出，神经网络训练过程的误差可以通过调整各层权值减小。
本发明的有益效果主要表现在：该方法能建立结构面剪切过程中影响因素与峰值剪切强度之间的高度非线性关系，能较好的分析结构面剪切过程中的关键影响因素对于峰值抗剪强度的影响，快速预测岩石结构抗剪强度。
附图说明
图1为结构面峰值抗剪强度BP神经网络预测模型发明流程的示意图。
图2为BP神经网络结构的示意图。
图3为BP神经网络训练流程的示意图。
图4为网络训练性能数据与训练步数之间关系的示意图。
图5为各组样本对应的峰值剪切强度目标输出值与网络实际输出值之间的回归曲线的示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图5，一种基于BP神经网络的结构面峰值抗剪强度预测模型构建方法，包括如下步骤：
(1)用三维激光扫描仪提模型结构面初始形态的点云数据，通过MATLAB软件对点云数据进行统计分析，获得三维表面的各种形貌特征参数信息，包括：最大可能接触面积比A0、节理面粗糙度参数
Figure BDA0002113503870000032
通过巴西劈裂试验、单轴试验和剪切试验获取岩石抗拉强度σt、施加于岩石上的法向应力σn和峰值剪切强度试验值τp。
(2)基于MATLAB编程构建BP神经网络，设置神经网络样本数据分组方式、网络精度、隐含层层数、神经元数量、运用的算法、性能检验步数等。图2为本发明设计的BP神经网络的示意图，最大可能接触面积比A0、结构面粗糙度参数
Figure BDA0002113503870000033
岩石抗拉强度σt以及施加于岩石上的法向应力σn组成BP神经网络的输入参数，峰值剪切强度τp为输出参数，神经网络隐含层为一层，其单元数为6。基于MATLAB编程对神经网络进行设置，训练精度设置为0.95。训练时将输入参数随机分为三组，分别作为训练数据(training set)、验证数据(validation set)和测试数据(test set)，仅训练数据参加训练，其他两部分数据不参加训练，用于检验。学习训练函数为结合高斯-牛顿算法和梯度下降法的优点的Levenberg-Marquardt算法。误差指标设置为10-5。validation check步数设置为6步。
(3)BP神经网络训练，随机选取每个连接权值和阈值，初始化处理A0、
Figure BDA0002113503870000041
σt以及σn组成的输入样本数据。将BP神经网络实际输出的剪切强度值τ与期望输出值比对，得到输出层的各单元一般化误差。对比实际和期望输出以调整各层神经元的连接权值和阈值，再进行重复训练，直至神经网络的全局误差E小于设定值。
进一步，对于隐含层各神经单元的计算有
Figure BDA0002113503870000042
式中：Wij为输入层神经元与隐含层神经元之间的权值，θj为隐含层的阈值，p为模型的隐含层神经元数量。
为实现BP神经网络模拟生物神经元非线性的特点，利用双曲正切传递函数Sigmoid函数训练隐含层神经元作为激励函数，得到隐含层输出：
Figure BDA0002113503870000043
模型的隐含层的激活值为：
bj＝f(x)(j＝1,2,3,...,p)
网络的实际输出和期望输出之间存在的全局误差，表示为：
Figure BDA0002113503870000044
式中：yq为模型的输出、yq *为期望输出，神经网络训练过程的误差可以通过调整各层权值减小。
本发明将以实例具体说明：样本数据来自Grasselli对7种岩石的37组试验结果，具体参数及试验结果见表1。将BP神经网络得出峰值剪切强度的预测值和原始值并进行对比，验证已经训练完毕的BP神经网络的可靠度。
Figure BDA0002113503870000051
表1
由图4为网络训练性能数据与训练步数之间的关系图，本发明的BP神经网络训练最好性能在第9步，对神经网络进行设计的时候validation check步数设置为6步，从第10步开始，连续6步误差持续增大，为防止陷入过度拟合的情况，网络在第15步停止训练。
在BP神经网络的训练时，程序随机将37组样本数据分成训练样本、验证样本和测试样本，图5展示了各组样本对应的峰值剪切强度目标输出值与网络实际输出值之间的回归曲线，回归系数R值分别为0.990、0.990和0.884，展现出训练过程、验证过程和测试过程中较高的拟合程度。综合以上三组的样本，即Grasselli的37组试验数据的总体回归曲线显示回归系数R为0.963，说明该BP神经网络的训练结果较为理想。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。

Claims (3)

1.一种基于BP神经网络的结构面峰值抗剪强度预测模型构建方法，其特征在于，所述方法包括如下步骤：
(1)用三维激光扫描仪提取结构面初始形态的点云数据，通过MATLAB软件对点云数据进行统计分析，获得三维表面的各种形貌特征参数信息，包括：最大可能接触面积比A0、节理面粗糙度参数
Figure FDA0002113503860000011
通过巴西劈裂试验和剪切试验获取岩石抗拉强度σt、施加于岩石上的法向应力σn和峰值剪切强度试验值τp；
(2)基于MATLAB编程构建BP神经网络，设置神经网络样本数据分组方式、网络精度、隐含层层数、神经元数量、运用的算法和性能检验步数；
(3)BP神经网络训练，随机选取每个连接权值和阈值，初始化处理步骤(1)中得到的A0、
Figure FDA0002113503860000012
σt以及σn组成的输入样本数据；将BP神经网络实际输出的剪切强度值τ与期望输出值比对，得到输出层的各单元一般化误差；对比实际和期望输出以调整各层神经元的连接权值和阈值，再进行重复训练，直至神经网络的全局误差E小于设定值。
2.如权利要求1所述的基于BP神经网络的结构面峰值抗剪强度预测模型构建方法，其特征在于，对于隐含层各神经单元的计算有
Figure FDA0002113503860000013
式中：Wij为输入层神经元与隐含层神经元之间的权值，θj为隐含层的阈值，p为模型的隐含层神经元数量。
3.如权利要求1或2所述的基于BP神经网络的结构面峰值抗剪强度预测模型构建方法，其特征在于，利用双曲正切传递函数Sigmoid函数训练隐含层神经元作为激励函数，得到隐含层输出：
Figure FDA0002113503860000014
模型的隐含层的激活值为：
bj＝f(x)(j＝1,2,3,...,p)
网络的实际输出和期望输出之间存在的全局误差，表示为：
Figure FDA0002113503860000021
式中：yq为模型的输出、yq *为期望输出。
CN201910582778.0A 2019-07-01 2019-07-01 基于bp神经网络的结构面峰值抗剪强度预测模型构建方法 Active CN110457746B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910582778.0A CN110457746B (zh) 2019-07-01 2019-07-01 基于bp神经网络的结构面峰值抗剪强度预测模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910582778.0A CN110457746B (zh) 2019-07-01 2019-07-01 基于bp神经网络的结构面峰值抗剪强度预测模型构建方法

Publications (2)

Publication Number Publication Date
CN110457746A CN110457746A (zh) 2019-11-15
CN110457746B true CN110457746B (zh) 2022-12-13

Family

ID=68481875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910582778.0A Active CN110457746B (zh) 2019-07-01 2019-07-01 基于bp神经网络的结构面峰值抗剪强度预测模型构建方法

Country Status (1)

Country Link
CN (1) CN110457746B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111415051A (zh) * 2020-05-18 2020-07-14 江苏电力信息技术有限公司 一种基于bp神经网络的电力物资需求计划预测方法
CN114529105A (zh) * 2022-03-24 2022-05-24 江苏真鹿科技有限公司 基于bp神经网络的发动机曲轴高温性能分析处理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105259331A (zh) * 2015-11-06 2016-01-20 三峡大学 一种节理岩体单轴强度预测方法
WO2016145516A1 (en) * 2015-03-13 2016-09-22 Deep Genomics Incorporated System and method for training neural networks
CN107784191A (zh) * 2017-12-12 2018-03-09 中国地质大学（武汉） 基于神经网络模型的异性结构面峰值抗剪强度预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016145516A1 (en) * 2015-03-13 2016-09-22 Deep Genomics Incorporated System and method for training neural networks
CN105259331A (zh) * 2015-11-06 2016-01-20 三峡大学 一种节理岩体单轴强度预测方法
CN107784191A (zh) * 2017-12-12 2018-03-09 中国地质大学（武汉） 基于神经网络模型的异性结构面峰值抗剪强度预测方法

Also Published As

Publication number Publication date
CN110457746A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
Melville et al. Structural damage detection using deep learning of ultrasonic guided waves
CN106407649B (zh) 基于时间递归神经网络的微震信号到时自动拾取方法
US20210390231A1 (en) Method for Rapidly Acquiring Multi-Field Response of Mining-induced Coal Rock
CN110457746B (zh) 基于bp神经网络的结构面峰值抗剪强度预测模型构建方法
CN114117840B (zh) 一种基于仿真和试验数据混合驱动的结构性能预测方法
CN110956004B (zh) 多经验公式与bp神经网络模型融合的混凝土侵彻深度预测算法
Xue et al. Application of a support vector machine for prediction of slope stability
CN110377980B (zh) 一种基于bp神经网络岩石节理面峰值抗剪强度的预测方法
Savino et al. Automated classification of civil structure defects based on convolutional neural network
CN106568647B (zh) 一种基于神经网络的混凝土强度预测方法
Shin et al. Digital vision based concrete compressive strength evaluating model using deep convolutional neural network
CN117292148B (zh) 一种基于定向钻探及测试数据的隧道围岩级别评估方法
Liu et al. Tubenet: A special trumpetnet for explicit solutions to inverse problems
CN110223342B (zh) 一种基于深度神经网络的空间目标尺寸估计方法
CN113033547A (zh) 一种基于MobileNetV2的焊接状态分类方法
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN108983187B (zh) 基于ewc的在线雷达目标识别方法
CN110779477B (zh) 一种用于实时识别物体形状的声学方法
CN114021418B (zh) 基于改进离散粒子群算法优化故障等级的传感器布局方法
CN115169241A (zh) 一种数据-模型互驱动的TiAl合金疲劳寿命预测方法
CN112580170B (zh) 复合材料疲劳分层损伤的贝叶斯在线诊断和预测方法
Khatri et al. Recognizing images of handwritten digits using learning vector quantization artificial neural network
CN114611389A (zh) 一种基于人工智能的复合材料失效高效模拟方法
Bouraou et al. Monitoring of the crack propagation in welded joint of the tank using multi-class recognition
LI et al. Reliability analysis of lashing bridge of ultra-large container ship based on improved gradient boosting decision tree-Monte Carlo method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant