CN111259602B - 基于遗传算法优化的bp神经网络的回弹模量确定方法 - Google Patents
基于遗传算法优化的bp神经网络的回弹模量确定方法 Download PDFInfo
- Publication number
- CN111259602B CN111259602B CN202010049669.5A CN202010049669A CN111259602B CN 111259602 B CN111259602 B CN 111259602B CN 202010049669 A CN202010049669 A CN 202010049669A CN 111259602 B CN111259602 B CN 111259602B
- Authority
- CN
- China
- Prior art keywords
- neural network
- modulus
- soil sample
- genetic algorithm
- individuals
- 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
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明实施例提供了一种基于遗传算法优化的BP神经网络的回弹模量确定方法,先选取土样,测定影响土样的回弹模量的各项物理指标,包括土样的液限、塑限、塑性指数、最大干密度、最佳含水率、细粒含量和基质吸力;并测量所选土样的回弹模量真实值;依据测定的影响土样的回弹模量的各项物理指标,建立BP神经网络回弹模量确定模型;然后基于多种群遗传算法,优化BP神经网络回弹模量确定模型,得到使BP神经网络输出的回弹模量值与其真实值的误差范数最小、精确度最高的权值和阈值;最后采用基于多种群遗传算法优化的BP神经网络回弹模量确定模型,确定待测土样的回弹模量值。该方法准确性和效率高,泛化性强。
Description
技术领域
本发明属于道路工程技术领域,涉及一种基于遗传算法优化的BP神经网络的回弹模量确定方法。
背景技术
回弹模量作为路基土抗变形能力的表征参数,描述了路基土在不同荷载作用下的非线性应力应变特性,同时能够反应行车荷载作用下的动态特征。回弹模量在路面设计中尤为重要,在路面结构设计和性能评价中得到广泛应用。目前,我国《公路水泥混凝土路面设计规范》(JTG D40-2015)、《公路沥青路面设计规范》(JTG D50-2017)都以回弹模量作为设计中的重要参数。
路基土回弹模量值的确定方法可分为三类:(1)根据FWD(Falling WeightDeflectometer,落锤式弯沉仪)等无损检测技术得到检测数据进行反算;(2)室内条件下采用重复三轴试验直接对试样进行测试;(3)建立路基土回弹模量确定模型。现场弯沉盆反算局限于改建道路设计,重复三轴试验设备操作繁杂且耗时较长,不适用于工程使用。因此,建立确定模型的方法具有简单、高效的特点,是现今获得回弹模量值的主要方法。
虽然采用传统方法建立的回弹模量确定模型,能够实现多种土样回弹模量的同时确定,但精度低、确定偏差大的问题仍然存在。随着计算机技术的发展,有研究者采用人工智能的方法对回弹模量进行确定,此种确定方式不仅可以省略建模过程,而且同时能够省去繁杂的参数拟合。如中国专利(CN 104142279)所公开的一种路基土动态回弹模量确定系统及方法,其不能反映基质吸力等对回弹模量的影响,但有研究者已经证明此参数对回弹模量值得影响较大,不可缺少。因此,因为参数的缺少,其确定精度较差;并且此确定方法只能确定一种土样的回弹模量,针对不同土样需要重新建立新的确定方法,操作繁琐,耗时耗力,泛化性不佳。
发明内容
本发明实施例的目的在于提供一种基于遗传算法优化的BP神经网络的回弹模量确定方法,以解决现有采用传统方法建立的回弹模量确定模型的建立过程繁琐、精度低、确定偏差大的问题,以及现有回弹模量确定方法仅能确定一种土样的回弹模量、泛化性不佳的问题。
本发明所采用的技术方案是,基于遗传算法优化的BP神经网络的回弹模量确定方法,具体按照以下步骤进行:
步骤S1、选取土样,测定影响土样的回弹模量的各项物理指标,并测量所选土样的回弹模量真实值;
步骤S2、依据测定的影响土样的回弹模量的各项物理指标,建立BP神经网络回弹模量确定模型;
步骤S3、基于多种群遗传算法,优化BP神经网络回弹模量确定模型;
步骤S4、采用步骤S3优化后的BP神经网络回弹模量确定模型,确定待测土样的回弹模量值;
所述步骤S1测定的影响土样的回弹模量的各项物理指标包括土样的液限、塑限、塑性指数、最大干密度、最佳含水率、细粒含量和基质吸力;
所述步骤S2得到的是以土样的物性参数、状态参数和应力参数为输入、回弹模量为输出的BP神经网络模型;
所述土样的物性参数包括土样的液限、塑限、塑性指数、最大干密度、最佳含水率、细粒含量,所述土样的状态参数包括其压实度、基质吸力,所述土样的应力参数包括其围压和偏应力;
所述步骤S2建立的BP神经网络回弹模量确定模型是包含一个输入层、一个隐含层和一个输出层的三层神经网络模型,其中,输入层的节点数为10,隐含层的节点数为21,输出层的节点数为1;
所述步骤S3是在给定的BP神经网络的权值和阈值区间内,采用多种群遗传算法优化寻求BP神经网络的最佳权值和阈值,即通过多种群遗传算法得到使BP神经网络输出的回弹模量值与其真实值的误差范数最小、精确度最高的权值和阈值;
所述采用多种群遗传算法寻求BP神经网络的最佳权值和阈值的具体过程如下:
步骤S31、对BP神经网络输入层的参数进行归一化,并在给定的区间内,对BP神经网络的权值和阈值进行编码,随机生成多个关于权值和阈值的初始种群,初始种群中每个个体基因为一组权值和阈值的随机组合u1,u2,u3…ut;
步骤S32、将当前的多个种群作为父代种群,对父代种群内部同时展开包括选择、交叉、变异、重组的遗传操作,进行遗传算法优化,形成子代种群;
步骤S33、对形成的子代种群进行移民操作,依次使用当前子代种群中的最优个体覆盖其他子代种群的最劣个体;
步骤S34、使用函数y=f(u1,u2,u3…ut)对子代种群中的个体按照y越小u1,u2,u3…ut越优的评价标准进行优劣性评价,确定最优个体即最优组u1,u2,u3…ut,其中,f为预测误差范数。
进一步的,所述步骤S1回弹模量真实值的测量,是先采用YAW-2000B微机控制电液伺服压力试验机分5层静压制得所需土样试件,然后采用重复三轴加载试验方法对土样试件进行重复三轴加载,最后测量土样试件产生的应力和回弹应变值,计算得到回弹模量值。
进一步的,所述基质吸力是通过压力板仪测定,并采用Fredlund-Xing模型对测定结果进行拟合分析得到土-水特征曲线,即得到不同含水率和不同压实度下路基土的基质吸力值;
所述Fredlund-Xing模型为:
上式中,θω为体积含水率,θs为饱和含水率,ψ为土体基质吸力,ψr为残余含水率对应的基质吸力,a、b和c均为Fredlund-Xing模型的拟合参数。
进一步的,所述步骤S32是先采用Matlab的gatbx工具箱里的适应度函数计算每个父代种群中父代个体的适应度,并将父代种群中的父代个体按其适应度值降序排序,利用选择算子选择出适应度值高的父代个体将其作为精英个体保留,然后再选择出一组父代个体进行交叉、变异产生子代个体,将子代个体和保留的父代精英个体进行种群内部竞争,淘汰掉适应度低的个体、保留适应度高的个体形成子代种群。
进一步的,所述步骤S34对所得到的最优组u1,u2,u3…ut进行解码后将其赋予BP神经网络作为其初始权值和阈值,训练BP神经网络的过程中,BP神经网络会在给定的初始权值和阈值附近进行搜索,寻找适合样本的最佳权值和阈值。
本发明实施例的有益效果是:
1.准确性高;选取的输入指标更加具有明确意义,综合考虑了各因素对回弹模量的影响,所选取土性参数均是对回弹模量有较大影响的指标,采用所选取的指标建立与回弹模量值的关系能获得较大的精确度;
2.效率高;省去了传统方法建立模型和拟合参数的复杂过程,直接根据输入参数输出对应的回弹模量值;传统方法最先需要找到所建立回弹模量模型对应的土性参数和所取拟合参数所对应的土性参数或者土性参数间的关系,然后建立模型,其具体步骤为:首先根据试验结果拟合得到回弹模量值;然后根据所选取的土性参数回归分析得到模型参数;再由模型参数再次回归分析确定其于所选取对应土性参数的相关关系,最后才是建立的完整的回弹模量确定模型。当需要进行确定时需要反过来将土性参数输入模型参数和土性参数的相关关系式计算得到模型参数值,然后由模型参数与回弹模量的相关关系式再次计算得到回弹模量值。而本发明实施例的确定方法只需要建立土性参数和回弹模量值的相关关系即可,当进行路基土回弹模量确定时,只需要输入所选取的土性参数,即可得到该路基土的回弹模量值;
3.泛化性强;本发明实施例所建立的基于遗传算法优化的BP神经网络的回弹模量确定方法理论上可以适用于任意土质路基的回弹模量确定。传统方法因为所选取土样的局限性,建立模型所选取模型参数的局限性,以及模型参数和土性参数的选取的差别,造成了确定的土样种类偏少或者精度偏低;而本发明实施例的确定方法可以无限输入土性参数与回弹模量值,输入数量越多得到的回弹模量的确定值就越精确,因此可以适用于任意土质路基的回弹模量确定,在泛化性较强的同时,精确性也相应提高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的基于遗传算法优化的BP神经网络的回弹模量确定方法的流程图。
图2是BP神经网络的神经元结构示意图。
图3是BP神经网络的结构示意图。
图4是本发明实施例获得的不同压实度下高液限粘土的土-水特征曲线。
图5(a)是本发明实施例的基于遗传算法优化的BP神经网络的回弹模量确定方法的预测值与实测值对比示意图。
图5(b)是传统确定模型的预测值与实测值对比示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实例采用多种群遗传算法优化的BP神经网络并根据土性参数,对长沙理工大学校医院附近的路基土进行回弹模量预估,具体按照以下步骤进行:
基于遗传算法优化的BP神经网络的回弹模量确定方法,采用多种群遗传算法优化的BP神经网络并根据土性参数确定回弹模量,具体步骤如下:
(1)、测试选取的土样的物理指标:采集土样,用烘箱、标准击实仪、液塑限联合测定仪分别进行土的含水率测试、颗粒分析、击实、筛分试验,测定土样物理指标,测定或计算出土样的液限、塑限、塑性指数、最大干密度、最佳含水率、细粒含量、压实度;
(2)、确定土-水特征曲线:土-水特征曲线的确定能够得到不同含水率和不同压实度下路基土的基质吸力值,通过压力板仪测定土样基质吸力,采用Fredlund-Xing模型对试验结果进行拟合分析,Fredlund-Xing模型方程为:
上式中,θω为体积含水率,θs为饱和含水率,ψ为土体基质吸力,ψr为残余含水率对应的基质吸力,a、b和c均为Fredlund-Xing模型的拟合参数,不同压实度下的土-水特征曲线拟合结果如表1所示:
表1不同压实度下的土-水特征曲线拟合结果
得到如图4所示的不同压实度下的土-水特征曲线图。
(3)、回弹模量真实值测量:土样试件尺寸为100×200mm,包含5种不同含水率(90%最佳含水率、最佳含水率、110%最佳含水率、120%最佳含水率、130%最佳含水率)和3种不同压实度(90%压实度、93%压实度、96%压实度)条件下的多个土样试件,土样试件采用YAW-2000B微机控制电液伺服压力试验机分5层静压成型,参照美国AASHTO路基土与未处治粒料回弹模量试验规程(T292-91)结合我国路面结构实际状况和所采用试验仪器情况制定重复三轴加载试验方法:试验仪器为意大利产Dynatriax100/14,围压为气压加载,荷载波形为半正弦波,荷载频率为1Hz,加载时间为0.2s,间歇时间为0.8s,荷载作用次数为100次/序列,加载序列采用已有的针对我国南方湿热地区典型路面结构的加载序列,试验结果取试件应变稳定后最后5次循环数据计算回弹模量值。
加载序列参考Zhang J H,Zhou Y,Zheng J L.Laboratory Test Method forDynamic Rebound Modulus of Subgrade Red Clay in Moist-Heat Area[J].AppliedMechanics and Materials,2013,477-478:466-471.
(4)、建立BP神经网络回弹模量确定模型:参考已有文献数据,建立以物性参数(液限、塑限、塑性指数、最大干密度、最佳含水率、细粒含量)、状态参数(压实度、基质吸力)和应力参数(围压、偏应力)共10个物理量为输入,回弹模量为输出的BP神经网络回弹模量确定模型,其是包含一个输入层、一个隐含层和一个输出层的三层神经网络模型,其中,输入层的节点数为10,隐含层的节点数为21,输出层的节点数为1。
(5)、优化BP神经网络回弹模量确定模型:传统BP神经网络有达到局部最优和过拟合等问题,多种群遗传算法对BP神经网络进行优化以寻求BP神经网络的最佳权值和阈值,为解决传统BP神经网络存在的这些缺陷,确定BP神经网络回弹模量确定模型结构后,采用多种群遗传算法从而获得全局最优解。
本发明实施例将BP神经网络的网络权值和阈值提取出来作为一组自变量u1,u2,u3…ut,t为网络权值和阈值总数,本实施例t=253,其中,网络权值总数n=231(输入层-隐含层:输入层节点10*21个隐含层节点21=210个,隐含层-输出层:隐含层节点21*输出层节点数1=21,故权值总数为231个),阈值总数q=22(输入层-隐含层:21个+隐含层-输出层1个=22个),通过多种群遗传算法得到使BP神经网络输出的回弹模量预测值与其真实值的误差最小、精确度最高的最优网络权值和阈值,具体是通过与优化样本的真实值即预期值相比较,计算BP神经网络得出的回弹模量预测值和其真实值之间的误差范数,误差越小则说明这一组自变量u1,u2,u3…ut用来作为权值和阈值越好,则该优化的目的就是寻找一组u1,u2,u3…ut,使得误差范数的值最小,然后将最优的一组即使回弹模量预测值和其真实值之间的误差最小的一组u1,u2,u3…ut,赋予BP神经网络作为其初始权值和阈值,并进行训练得到优化后的BP神经网络模型,进行回弹模量确定。此处的误差范数采用的是遗传算法工具箱里的norm()命令。
如图1所示,基于多种群遗传算法优化BP神经网络回弹模量确定模型的具体实现过程如下:
1)确定BP神经网络回弹模量确定模型结构后,对BP神经网络回弹模量确定模型输入层的参数进行归一化,使其在-1~1这个范围内,以提高收敛速度和精度。并对其权值和阈值进行编码,在给定的权值和阈值区间内,随机生成多个关于权值和阈值的初始种群,每个初始种群拥有多个个体,每个个体基因为一组权值和阈值的随机组合u1,u2,u3…ut。种群数量与个体数量过多会使计算速度变慢,而精确度则提高很少甚至不会提高;种群数量与个体数量过少会使寻找的权值和阈值达不到所需的精确度,种群数量与个体数量的根据具体的试验数据确定,本实施例采用的适宜的种群数量为10,每个种群中适宜的个体数为20。
2)对随机生成的10个初始种群同时展开遗传操作,进行遗传算法优化。
对随机生成的10个种群同时展开遗传算法优化,是将当前种群作为父代种群,采用Matlab的gatbx工具箱里的适应度函数计算每个父代种群中父代个体的适应度,适应度计算函数代码形式为FitnV{i}=ranking(ObjV{i}),并将父代种群中的父代个体按其适应度值降序排序,利用选择算子选择出适应度值高的父代个体将其作为精英个体保留,然后再选择出一组父代个体进行交叉、变异产生子代个体,将子代个体和保留的父代精英个体进行种群内部竞争,淘汰掉适应度低的个体、保留适应度高的个体形成子代种群(重组),选择算子由人工设置。
3)对形成的10个子代种群进行移民操作,依次使用当前子代种群中最优个体覆盖其他子代种群的最劣个体。
4)使用函数y=f(u1,u2,u3…ut)对10个子代种群中的个体按照y越小u1,u2,u3…ut越优的评价标准进行优劣性评价,确定最优个体即y最小的个体,其中,函数f为预测误差范数。
步骤4)中将最优个体的u1,u2,u3…ut赋值给BP神经网络回弹模量确定模型,BP神经网络回弹模量确定模型在训练过程中会在给定的权值和阈值(初始权值和阈值)附近进行搜索(即自适应修改),寻找适合所预测样本的最佳权值和阈值。
优化找到的u1,u2,u3…ut如表2和表3所示,将其赋予BP神经网络回弹模量确定模型训练后得到的BP神经网络回弹模量确定模型会带有已经寻找到的权值和阈值,相比传统神经网络需要重新寻找权值和阈值,优化过的BP神经网络回弹模量确定模型得到的权值和阈值能使预测的精确度得到很大的提高,误差会稳定在一个范围内,而没有经过优化的神经网络误差会有很大的波动,无法确定哪一次是最优值,预估精度如图5(a)所示。
表2优化BP神经网络权值与阈值(输入层-隐含层)
表3优化BP神经网络权值与阈值(隐含层-输出层)
隐含层节点 | 输出层 | 隐含层节点 | 输出层 |
1 | -151.1969 | 12 | 187.6859 |
2 | 49.5742 | 13 | 218.5253 |
3 | -279.2127 | 14 | -88.6975 |
4 | -22.7922 | 15 | 277.1726 |
5 | -174.9227 | 16 | 288.0810 |
6 | 4.8322 | 17 | 267.3826 |
7 | -102.6052 | 18 | 37.1455 |
8 | -172.6033 | 19 | -257.4120 |
9 | -7.4334 | 20 | 239.6766 |
10 | -19.1970 | 21 | -37.3154 |
11 | -127.1528 | 阈值 | 192.2448 |
本发明实施例以多种群遗传算法为主体,构建若干个种群,每个种群有若干个个体,个体的基因也就是一组u1,u2,u3…ut,通过与优化样本的回弹模量真实值相比较,计算回弹模量预测值和真实值之间的误差范数,并将误差范数作为因变量,按照误差范数越小越优的准则完成多种群遗传算法的选择、交叉、变异、重组操作。多种群之间互不干扰,独立存在。保留了一般遗传算法的优势,同时,在每代完成选择、交叉、变异、重组操作以及对y的评价,找到更适合的个体之后,依次使用种群最优个体对其他种群最劣个体进行覆盖,进一步提高了遗传算法的全局搜索能力,避免陷入局部最优,出现“早熟”现象。
(6)、回弹模量的确定:取待测土样测其物性参数(液限、塑限、塑性指数、最大干密度、最佳含水率、细粒含量)、状态参数(压实度、基质吸力)和应力参数(围压、偏应力),输入步骤5)建立的经优化后的BP神经网络回弹模量确定模型中,得到回弹模量确定值。
如图3所示,优化的BP神经网络结构依次为输入层、隐藏层、输出层,输入层即物性参数(液限、塑限、塑性指数、最大干密度、最佳含水率、细粒含量)、状态参数(压实度、基质吸力)和应力参数(围压、偏应力)共10个物理量;隐含层节点个数n2与输入层节点个数n1之间建立关系:n2=2n1+1,因此隐含层节点个数n2取21,输出层为1个节点,即回弹模量值。
如图2所示,x1…xi…xn为输入,w1…wi…wn为网络权值,b为网络阈值,激活函数和求和过程见下式:
式中,h为激活函数,一般取S(sigmoid)、tanh或relu函数;yi为隐含层第j个神经元的输出,wji为输入层第i个神经元到隐含层第j个神经元的网络权值;xi为输入层第i个神经元的输入,bj为隐含层第j个神经元的网络阈值。
表4基于多种群遗传算法优化的BP神经网络回弹模量确定模型的土样出处
[1]史峰,王小川,郁磊等.MATLAB神经网络30个案例分析[M].北京:北京航空航天大学出版社,2010.
[2]Han Z,Vanapalli S K.Relationship between resilient modulus andsuction for compacted subgrade soils[J].Engineering Geology,2016,211:85-97.
[3]Han Z,Vanapalli S K,Zou W L.Integrated approaches for predictingsoil-water characteristic curve and resilient modulus of compacted fine-grained subgrade soils[J].Canadian Geotechnical Journal,2017,54(5):646-663.
[4]刘维正,曾奕珺,姚永胜,张军辉.含水率变化下压实路基土动态回弹模量试验研究与预估模型[J].岩土工程学报,2019,41(01):175-183.
[5]邱欣,钱劲松,张世洲.基于基质吸力的粘性路基土动回弹模量确定模型研究[J].水文地质工程地质,2011,38(03):49-53.
[6]Liang R Y,Rabab’ah S,Khasawneh M.Predicting moisture-dependentresilient modulus of cohesive soils using soil suction concept[J].Journal ofTransportation Engineering,2008,134(1):34-40.
[7]Ng C W W,Zhou C,Yuan Q,Xu J.Resilient modulus of unsaturatedsubgrade soil:experimental and theoretical investigations[J].CanadianGeotechnical Journal,2013,50(2):223-232.
[8]Gupta S C,Ranaivoson A,Edil T B,et al.Pavement Design UsingUnsaturated Soil Technology[R].Minnesota Department of Transportation,2007.
[9]Yang S R,Huang W H,Tai Y T.Variation of resilient modulus withsoil suction for compacted subgrade soils[J].Transportation Research Record,2005,1913(1):99-106.
[10]钱劲松,李嘉洋,周定,等.考虑吸力效应的非饱和黏土回弹模量确定模型[J].岩土力学,2018,39(01):123-128.
[11]兰伟.路基土非饱和特性及回弹模量确定模型[D].上海:同济大学,2009.
土样的样本给出,说明采用的数据真实可靠,有文献依据,预估所得部分回弹模量预估结果如表5所示:
表5回弹模量确定结果
图5(a)是本发明实施例的基于多种群遗传算法优化的BP神经网络的回弹模量确定模型训练后使用数据进行回弹模量确定的结果,与图5(b)所示的传统方法的确定结果对比,表明本发明实施例方法的精度更高,确定结果更优。图5(a)和图5(b)中的土样7、10、13、16、17和18分别为表4中给出的土样出处的土样序号,对应各个不同的土样和文献。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (5)
1.基于遗传算法优化的BP神经网络的回弹模量确定方法,其特征在于,具体按照以下步骤进行:
步骤S1、选取土样,测定影响土样的回弹模量的各项物理指标,并测量所选土样的回弹模量真实值;
步骤S2、依据测定的影响土样的回弹模量的各项物理指标,建立BP神经网络回弹模量确定模型;
步骤S3、基于多种群遗传算法,优化BP神经网络回弹模量确定模型;
步骤S4、采用步骤S3优化后的BP神经网络回弹模量确定模型,确定待测土样的回弹模量值;
所述步骤S1测定的影响土样的回弹模量的各项物理指标包括土样的液限、塑限、塑性指数、最大干密度、最佳含水率、细粒含量和基质吸力;
所述步骤S2得到的是以土样的物性参数、状态参数和应力参数为输入、回弹模量为输出的BP神经网络回弹模量确定模型;
所述土样的物性参数包括土样的液限、塑限、塑性指数、最大干密度、最佳含水率、细粒含量,所述土样的状态参数包括其压实度、基质吸力,所述土样的应力参数包括其围压和偏应力;
所述步骤S2建立的BP神经网络回弹模量确定模型是包含一个输入层、一个隐含层和一个输出层的三层神经网络模型,其中,输入层的节点数为10,隐含层的节点数为21,输出层的节点数为1;
所述步骤S3是在给定的BP神经网络的权值和阈值区间内,采用多种群遗传算法优化寻求BP神经网络的最佳权值和阈值,即通过多种群遗传算法得到使BP神经网络输出的回弹模量值与其真实值的误差范数最小、精确度最高的权值和阈值;
所述采用多种群遗传算法寻求BP神经网络的最佳权值和阈值的具体过程如下:
步骤S31、对BP神经网络输入层的参数进行归一化,并在给定的区间内,对BP神经网络的权值和阈值进行编码,随机生成多个关于权值和阈值的初始种群,初始种群中每个个体基因为一组权值和阈值的随机组合u1,u2,u3…ut;
步骤S32、将当前的多个种群作为父代种群,对父代种群内部同时展开包括选择、交叉、变异、重组的遗传操作,进行遗传算法优化,形成子代种群;
步骤S33、对形成的子代种群进行移民操作,依次使用当前子代种群中的最优个体覆盖其他子代种群的最劣个体;
步骤S34、使用函数y=f(u1,u2,u3…ut)对子代种群中的个体按照y越小u1,u2,u3…ut越优的评价标准进行优劣性评价,确定最优个体即最优组u1,u2,u3…ut,其中,f为预测误差范数。
2.根据权利要求1所述的基于遗传算法优化的BP神经网络的回弹模量确定方法,其特征在于,所述步骤S1回弹模量真实值的测量,是先采用YAW-2000B微机控制电液伺服压力试验机分5层静压制得所需土样试件,然后采用重复三轴加载试验方法对土样试件进行重复三轴加载,最后测量土样试件产生的应力和回弹应变值,计算得到回弹模量值。
4.根据权利要求1所述的基于遗传算法优化的BP神经网络的回弹模量确定方法,其特征在于,所述步骤S32是先采用Matlab的gatbx工具箱里的适应度函数计算每个父代种群中父代个体的适应度,并将父代种群中的父代个体按其适应度值降序排序,利用选择算子选择出适应度值高的父代个体将其作为精英个体保留,然后再选择出一组父代个体进行交叉、变异产生子代个体,将子代个体和保留的父代精英个体进行种群内部竞争,淘汰掉适应度低的个体、保留适应度高的个体形成子代种群。
5.根据权利要求1所述的基于遗传算法优化的BP神经网络的回弹模量确定方法,其特征在于,所述步骤S34对所得到的最优组u1,u2,u3…ut进行解码后将其赋予BP神经网络作为其初始权值和阈值,训练BP神经网络的过程中,BP神经网络会在给定的初始权值和阈值附近进行搜索,寻找适合样本的最佳权值和阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010049669.5A CN111259602B (zh) | 2020-01-16 | 2020-01-16 | 基于遗传算法优化的bp神经网络的回弹模量确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010049669.5A CN111259602B (zh) | 2020-01-16 | 2020-01-16 | 基于遗传算法优化的bp神经网络的回弹模量确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111259602A CN111259602A (zh) | 2020-06-09 |
CN111259602B true CN111259602B (zh) | 2022-07-05 |
Family
ID=70947584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010049669.5A Active CN111259602B (zh) | 2020-01-16 | 2020-01-16 | 基于遗传算法优化的bp神经网络的回弹模量确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259602B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001887B (zh) * | 2020-07-20 | 2021-11-09 | 南通大学 | 用于婴幼儿脑病历图像分割的全卷积遗传神经网络方法 |
CN111898689B (zh) * | 2020-08-05 | 2023-09-26 | 中南大学 | 一种基于神经网络架构搜索的图像分类方法 |
CN113034310A (zh) * | 2021-04-16 | 2021-06-25 | 国网黑龙江省电力有限公司电力科学研究院 | 基于优化的bp神经网络的光伏发电输出功率预测方法 |
CN114898343A (zh) * | 2022-04-20 | 2022-08-12 | 苏州科技大学 | 基于图像识别处理的土体压实度检测方法、系统及介质 |
CN116579253B (zh) * | 2023-07-11 | 2023-09-22 | 中国海洋大学 | 密封条的物理性能确定方法、装置、电子设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815628A (zh) * | 2019-02-22 | 2019-05-28 | 长沙理工大学 | 快速确定土水特征曲线和动态回弹模量模型参数的方法 |
CN110502845A (zh) * | 2019-08-27 | 2019-11-26 | 长沙理工大学 | 基于遗传算法和黏弹性理论的pfwd路基模量确定方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX353078B (es) * | 2012-04-06 | 2017-12-19 | Joshua White David | Sistema y métodos de prueba móvil para la caracterización in situ de la rigidez dependiente de tensión y de desviación y de la capacidad de soporte de los suelos y de los materiales geológicos. |
US20150142369A1 (en) * | 2013-11-15 | 2015-05-21 | Umm Al-Qura University | Prediction of california bearing ratio of subbase layer using multiple linear regression model |
-
2020
- 2020-01-16 CN CN202010049669.5A patent/CN111259602B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815628A (zh) * | 2019-02-22 | 2019-05-28 | 长沙理工大学 | 快速确定土水特征曲线和动态回弹模量模型参数的方法 |
CN110502845A (zh) * | 2019-08-27 | 2019-11-26 | 长沙理工大学 | 基于遗传算法和黏弹性理论的pfwd路基模量确定方法 |
Non-Patent Citations (4)
Title |
---|
Junhui Peng等.《Modeling humidity and stress-dependent subgrade soils in flexible pavements》.《Computers and Geotechnics》.2020, * |
元松等.遗传算法优化BP神经网络的路面结构层模量反算方法研究.《交通科技》.2019,(第06期),第39-43页. * |
刘维正等.《含水率变化下压实路基土动态回弹模量试验研究与预估模型》.《岩土工程学报》.2019, * |
杨国良等.基于BP人工神经网络的土基回弹模量反算.《路基工程》.2009,(第01期),第73-74页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111259602A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259602B (zh) | 基于遗传算法优化的bp神经网络的回弹模量确定方法 | |
Asteris et al. | Soft computing based closed form equations correlating L and N-type Schmidt hammer rebound numbers of rocks | |
Yu et al. | An intelligent displacement back-analysis method for earth-rockfill dams | |
Bai et al. | Using neural networks to predict workability of concrete incorporating metakaolin and fly ash | |
Tapkın et al. | Prediction of Marshall test results for polypropylene modified dense bituminous mixtures using neural networks | |
Johari et al. | Modelling the mechanical behaviour of unsaturated soils using a genetic algorithm-based neural network | |
Juang et al. | Probabilistic framework for liquefaction potential by shear wave velocity | |
CN107742031B (zh) | 基于实验和数学算法的驱替实验人造岩心分析制备方法 | |
CN109783988A (zh) | 一种基于ga-bp网络的碾压混凝土压实度评价方法 | |
Park et al. | Prediction of resilient modulus of granular subgrade soils and subbase materials using artificial neural network | |
Barham et al. | Mechanical and physical based artificial neural network models for the prediction of the unconfined compressive strength of rock | |
CN110909488A (zh) | 一种高效边坡可靠度分析方法 | |
Gao | A comprehensive review on identification of the geomaterial constitutive model using the computational intelligence method | |
CN108229062A (zh) | 基于敏感性微观参数预测胶结充填体力学响应特性的方法 | |
Xia et al. | Slope stability analysis based on group decision theory and fuzzy comprehensive evaluation | |
Aksoy et al. | Application of the intuitive k-NN Estimator for prediction of the Marshall Test (ASTM D1559) results for asphalt mixtures | |
CN110364232A (zh) | 一种基于忆阻器-梯度下降法神经网络的高性能混凝土强度预测方法 | |
Liu et al. | Durability assessment of lightweight cellular concrete in subgrade by the method of analytic hierarchy process combined with fuzzy comprehensive evaluation | |
Al-saffar et al. | Prediction of soil's compaction parameter using artificial neural network | |
Maalouf et al. | Support vector regression to predict asphalt mix performance | |
CN112347670B (zh) | 一种基于神经网络响应面的堆石料蠕变参数预测方法 | |
Park et al. | Application of genetic algorithm and finite element method for backcalculating layer moduli of flexible pavements | |
CN110245370A (zh) | 一种高面板堆石坝多目标力学参数反演方法 | |
Anjita et al. | Prediction of maximum dry density of soil using genetic algorithm | |
CN112924310A (zh) | 基于土体刚度的堆石坝料压实质量检测方法 |
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 |