CN112459080A - 基于bp神经网络的钢支撑轴力智能调整方法 - Google Patents

基于bp神经网络的钢支撑轴力智能调整方法 Download PDF

Info

Publication number
CN112459080A
CN112459080A CN202011279808.XA CN202011279808A CN112459080A CN 112459080 A CN112459080 A CN 112459080A CN 202011279808 A CN202011279808 A CN 202011279808A CN 112459080 A CN112459080 A CN 112459080A
Authority
CN
China
Prior art keywords
axial force
neural network
steel support
neural
connection weight
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.)
Granted
Application number
CN202011279808.XA
Other languages
English (en)
Other versions
CN112459080B (zh
Inventor
刘泉
王正佳
许勇
俞嫒妍
朱炜
金晶
付军国
李冀清
周蓉峰
程吉
蒋玲玲
陈晓明
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.)
Shanghai Mechanized Construction Group Co Ltd
Original Assignee
Shanghai Mechanized Construction Group Co Ltd
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 Shanghai Mechanized Construction Group Co Ltd filed Critical Shanghai Mechanized Construction Group Co Ltd
Priority to CN202011279808.XA priority Critical patent/CN112459080B/zh
Publication of CN112459080A publication Critical patent/CN112459080A/zh
Application granted granted Critical
Publication of CN112459080B publication Critical patent/CN112459080B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
    • E02D17/00—Excavations; Bordering of excavations; Making embankments
    • E02D17/02—Foundation pits
    • E02D17/04—Bordering surfacing or stiffening the sides of foundation pits
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
    • E02D33/00—Testing foundations or foundation structures
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
    • E02D2300/00—Materials
    • E02D2300/0026—Metals
    • E02D2300/0029—Steel; Iron
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Mining & Mineral Resources (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Paleontology (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Feedback Control In General (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种基于bp神经网络的钢支撑轴力智能调整方法，包括：按设计值设定初始轴力；采集钢支撑轴力的加载天数、每天钢支撑的轴力均值及每天的基坑累积变形量的数据，将三组数据作为样本通过bp神经网络模型进行训练，当训练结果满足要求后保存bp神经网络模型的参数；将样本数据中当天的轴力均值和后一天的加载天数输入到bp神经网络模型中进行计算，得到后一天的基坑预测变形量；若基坑预测变形量小于阈值，保持初始轴力；若预测变形量大于阈值，则调整轴力并继续输入bp神经网络模型中进行计算，直到基坑预测变形量符合要求后，将最终调整得到的轴力作为设定轴力。实现了在基坑变形发生之前，提前主动调整轴力以控制基坑变形的目的。

Description

基于bp神经网络的钢支撑轴力智能调整方法
技术领域
本发明涉及基坑工程施工技术领域，尤其涉及一种基于bp神经网络的钢支撑轴力智能调整方法。
背景技术
目前，在基坑工程施工中，通常采用钢支撑支护体系以抵抗基坑变形，尤其对于基坑变形要求较高的场合多采用钢支撑轴力伺服系统来控制基坑变形。钢支撑支护体系需要相应的给各个钢支撑施加一定的轴力，以防止基坑变形。
但是，钢支撑所需要施加的轴力值的大小存在很多不确定因素，如土质密度、温度变化及交通管线等因素影响，钢支撑所需的轴力值与设计值通常相差较大，而且随着天气、周围环境和地质蠕变等条件变化，钢支撑的支撑轴力也随之动态变化。另外，在实际施工过程中，若发现基坑监测变形过大，需要调整钢支撑的轴力值，但具体轴力值调整多少没有相关标准，往往依靠相关人员的专业经验进行调整，然后观察后一天的变形数据来判断轴力调整是否合适，这种轴力调整方法具有不确定性并且调整时间滞后于已发生的变形。
发明内容
本发明的目的在于提供一种基于bp神经网络的钢支撑轴力智能调整方法，通过建立钢支撑的加载天数与轴力均值对于基坑累积变形量的映射关系模型，实现了在基坑变形发生之前，提前主动调整轴力以控制基坑变形的目的。
为了达到上述目的，本发明提供了一种基于bp神经网络的钢支撑轴力智能调整方法，包括：
在钢支撑完成安装后，按设计值设定钢支撑轴力伺服系统的初始轴力；
采集钢支撑轴力伺服系统轴力的加载天数，并按所述加载天数采集每天钢支撑的轴力均值及每天的基坑累积变形量的数据，将上述三组数据作为样本通过bp神经网络模型进行训练，当训练结果满足要求后保存所述bp神经网络模型的参数；
将样本数据中当天的轴力均值和后一天的加载天数输入到所述bp神经网络模型中进行计算，得到后一天的基坑预测变形量；
若所述基坑预测变形量小于阈值，使所述钢支撑轴力伺服系统的轴力保持初始轴力；若所述基坑预测变形量大于阈值，则调整轴力并继续输入所述bp神经网络模型中进行计算，经过若干次轴力调整，直到所述基坑预测变形量符合要求后，将最终调整得到的轴力作为后一天的钢支撑轴力伺服系统的设定轴力。
可选的，采集钢支撑轴力的加载天数，并按天数采集每天钢支撑的轴力均值及每天基坑累积变形量之后，将上述三组数据作为样本通过bp神经网络模型进行训练之前，所述基于bp神经网络的钢支撑轴力智能调整方法还包括：
将上述三组数据进行归一化处理。
可选的，将样本数据中当天的轴力均值和后一天的加载天数输入到所述bp神经网络模型中进行计算时，将所述bp神经网络模型计算得到的输出值进行反归一化处理，进而得到后一天的基坑预测变形量。
可选的，所述bp神经网络的拓扑结构采用三层神经网络，其中，输入层有两个输入神经单元，分别表示钢支撑轴力的加载天数和每天钢支撑的轴力均值，隐含层有若干个隐含神经单元，输出层有一个输出神经单元，所述输出神经单元表示基坑累积变形量，所述bp神经网络模型进行训练的步骤具体包括：
正向传播：将采集的样本数据中加载天数和对应的轴力均值进行输入，加载天数和轴力均值分别与各个隐含神经单元的连接权值加权求和并通过激活函数得到各个隐含神经单元的数值；将各个隐含神经单元的数值与对应的输出神经单元的连接权值分别加权求和并通过激活函数得到输出值；
误差反向传播：将所述输出值与样本数据中的基坑累积变形量进行比较得到误差，并将所述误差通过所述bp神经网络模型反向传播，从而更新各个隐含神经单元的连接权值及输出神经单元的连接权值；
将所述更新后各个隐含神经单元的连接权值及输出神经单元的连接权值再次进行正向传播及误差反向传播，并通过循环迭代计算不断减小误差，直到所述误差小于接受范围则保存各个隐含神经单元的连接权值与输出神经单元的连接权值，完成神经网络训练。
可选的，所述隐含层与所述输出层的激活函数均选用sigmod函数。
可选的，各个隐含神经单元的连接权值的初始值与输出神经单元的连接权值的初始值由随机数生成，所述初始值的取值范围为(0，1)。
可选的，所述误差的反向传播选用梯度下降法。
可选的，将所述误差通过所述bp神经网络模型反向传播，从而更新各个隐含神经单元的连接权值及输出神经单元的连接权值的步骤具体包括：
所述误差经所述梯度下降法得到的数值乘以学习步长，即可分别得各个隐含神经单元的连接权值的调整量与输出神经单元的连接权值的调整量，将各个隐含神经单元的连接权值与各个隐含神经单元的当前权值相加即得到更新后的各个隐含神经单元的连接权值，将输出神经单元的连接权值的调整量与当前输出神经单元的连接权值相加即得到更新后的输出神经单元的连接权值。
可选的，所述学习步长选用自适应变步长方法。
可选的，所述自适应变步长方法包括：设定所述学习步长的初始值为1，若当前误差大于上一次误差，将所述学习步长进行衰减，衰减取值范围为(0，1)；若当前误差小于上一次误差或所述学习步长小于设定最小步长，则将所述学习步长进行增益，增益取值大于1。
本发明提供了一种基于bp神经网络的钢支撑轴力智能调整方法，通过建立钢支撑轴力的加载天数、每天钢支撑的轴力均值和每天的基坑累积变形量的bp神经网络模型，并通过一定的样本数据进行训练，得到了钢支撑的加载天数与轴力均值对于基坑累积变形量的映射关系模型，并且随着数据的每天更新，这种映射关系越来越准确。实现了在基坑变形发生之前，提前主动调整轴力以控制基坑变形的目的。
附图说明
图1为本发明实施例提供的基于bp神经网络的钢支撑轴力智能调整方法的步骤图；
图2为本发明实施例提供的bp神经网络的拓扑结构的示意图；
其中，附图标记为：
X1，X2-输入神经单元；H1，H2，H3…H10-隐含神经单元；Y1-输出神经单元；b1-隐含层偏置；b2-输出层偏置；V11，V12，V13…V110-X1与H1，H2，H3…H10之间的连接权值；V21，V22，V23…V210-X2与H1，H2，H3…H10之间的连接权值；V31，V32，V33…V310-b1与H1，H2，H3…H10之间的连接权值；W1，W2，W3…W10-H1，H2，H3…H10与Y1之间的连接权值；W11-b1与Y1之间的连接权值。
具体实施方式
下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
如图1所示，本实施例提供了一种基于bp神经网络的钢支撑轴力智能调整方法，包括：
步骤S1：在钢支撑完成安装后，按设计值设定钢支撑轴力伺服系统的初始轴力；
步骤S2：采集钢支撑轴力伺服系统轴力的加载天数，并按所述加载天数采集每天钢支撑的轴力均值及每天的基坑累积变形量的数据，将上述三组数据作为样本通过bp神经网络模型进行训练，当训练结果满足要求后保存所述bp神经网络模型的参数；
步骤S3：将样本数据中当天的轴力均值和后一天的加载天数输入到所述bp神经网络模型中进行计算，得到后一天的基坑预测变形量；
步骤S4：若所述基坑预测变形量小于阈值，使所述钢支撑轴力伺服系统的轴力保持初始轴力；若所述基坑预测变形量大于阈值，则调整轴力并继续输入所述bp神经网络模型中进行计算，经过若干次轴力调整，直到所述基坑预测变形量符合要求后，将最终调整得到的轴力作为后一天的钢支撑轴力伺服系统的设定轴力。
具体的，先执行步骤S1，在钢支撑完成安装后，按设计值设定钢支撑轴力伺服系统的初始轴力。本实施例中，所述钢支撑用于基坑支护，钢支撑的轴力伺服系统安装好之后，可根据基坑设计单位给出的设计值作为初始轴力值提供轴力支撑，当然也可以结合实际经验进行调整，本申请对此不作限制。
然后执行步骤S2，采集钢支撑轴力伺服系统轴力的加载天数，例如加载天数为5天，并按所述加载天数采集每天钢支撑的轴力均值及每天的基坑累积变形量的数据，这样将得到五天的数据，然后将采集到的五天的数据作为样本通过bp神经网络模型进行训练，当训练结果满足要求后保存所述bp神经网络模型的参数。步骤S2的目的在于得到训练好的bp神经网络模型的参数，以便于得到了钢支撑的加载天天数与轴力均值对于基坑累积变形量的映射关系模型，进而进行基坑预测变形量的预测。
所述bp神经网络的拓扑结构采用三层神经网络，其中，输入层有两个输入神经单元，分别表示钢支撑轴力的加载天数和每天钢支撑的轴力均值，隐含层有若干个隐含神经单元，输出层有一个输出神经单元，所述输出神经单元表示基坑累积变形量。
本实施例中，请参照图2，所述bp神经网络的拓扑结构采用三层神经网络，其中，输入层有两个输入神经单元X1及X2，输入神经单元X1表示钢支撑轴力的加载天数，输入神经单元X2表示每天钢支撑的轴力均值，隐含层有10个隐含神经单元，分别用H1，H2，H3…H10表示，输出层有一个输出神经单元Y1，所述输出神经单元Y1表示基坑累积变形量。
可选的，所述拓扑结构还包括隐含层偏置b1及输出层偏置b2，所述隐含层偏置b1及输出层偏置b2的取值均为1。
请继续参照图2，V11，V12，V13…V110分别表示X1与H1，H2，H3…H10之间的连接权值，V21，V22，V23…V210分别表示X2与H1，H2，H3…H10之间的连接权值，V31，V32，V33…V310分别表示b1与H1，H2，H3…H10之间的连接权值，W1，W2，W3…W10分别表示H1，H2，H3…H10与Y1之间的连接权值，W11表示b1与Y1之间的连接权值。
所述bp神经网络模型进行训练的步骤具体包括：
正向传播：将采集的样本数据中加载天数和对应的轴力均值进行输入，加载天数和轴力均值分别与各个隐含神经单元的连接权值加权求和并通过激活函数得到各个隐含神经单元的数值；将各个隐含神经单元的数值与对应的输出神经单元的连接权值分别加权求和并通过激活函数得到输出值；
误差反向传播：将所述输出值与样本数据中的基坑累积变形量进行比较得到误差，并将所述误差通过所述bp神经网络模型反向传播，从而更新各个隐含神经单元的连接权值及输出神经单元的连接权值；
将所述更新后各个隐含神经单元的连接权值及输出神经单元的连接权值再次进行正向传播，并通过循环迭代计算不断减小误差，直到所述误差小于接受范围则保存各个隐含神经单元的连接权值与输出神经单元的连接权值，完成神经网络训练。
例如，采集前五天的样本数据来进行训练，通过正向传播和误差反向传播及更新连接权值的循环迭代计算不断减小误差，直到所述误差小于接受范围则保存各个隐含神经单元的连接权值与输出神经单元的连接权值，完成神经网络训练。本实施例中，当训练结果满足要求后保存所述bp神经网络模型的参数，这里的参数指的就是各个隐含神经单元的连接权值与输出神经单元的连接权值。通过所述参数反映了钢支撑的加载天天数与轴力均值对于基坑累积变形量的映射关系模型，后续只要代入当天的轴力均值和后一天的加载天数到所述bp神经网络模型中进行计算，即可得到后一天的基坑预测变形量。
本实施例中，采集钢支撑轴力的加载天数，并按天数采集每天钢支撑的轴力均值及每天基坑累积变形量之后，将上述三组数据作为样本通过bp神经网络模型进行训练之前，所述基于bp神经网络的钢支撑轴力智能调整方法还包括：
将上述三组数据进行归一化处理。通过归一化处理能够提升bp神经网络模型的收敛速度以及计算精度。
本实施例中，所述隐含层与所述输出层的激活函数均选用sigmod函数。本实施例中，轴力加载天数、轴力均值、每天基坑累积变形量均为大于1的实数，经归一化处理后数值在[0，1]的范围内，而sigmod函数具有非线性特性且函数值范围为(0，1)，所以本实施例中激活函数选sigmod可以使神经网络快速收敛。若采用增量控制方法，即采集轴力均值变化增量与基坑每天变形增量的数据作为神经网络训练数据，这些数据有可能为负数，则可以采用正负对称的双曲正切函数；若轴力均值、每天基坑累积变形量的数据相对线性，也可以选用线性函数，如purelin函数，可以使神经网络快速收敛。
本实施例中，各个隐含神经单元的连接权值的初始值与输出神经单元的连接权值的初始值由随机数生成，所述初始值的取值范围为(0，1)。
本实施例中，所述误差的反向传播选用梯度下降法。
本实施例中，将所述误差通过所述bp神经网络模型反向传播，从而更新各个隐含神经单元的连接权值及输出神经单元的连接权值的步骤具体包括：
所述误差经所述梯度下降法得到的数值乘以学习步长，即可分别得各个隐含神经单元的连接权值的调整量与输出神经单元的连接权值的调整量，将各个隐含神经单元的连接权值与各个隐含神经单元的当前权值相加即得到更新后的各个隐含神经单元的连接权值，将输出神经单元的连接权值的调整量与当前输出神经单元的连接权值相加即得到更新后的输出神经单元的连接权值。
本实施例中，所述学习步长选用自适应变步长方法。具体的，设定所述学习步长的初始值为1，若当前误差大于上一次误差，将所述学习步长进行衰减，衰减取值范围为(0，1)；若当前误差小于上一次误差或所述学习步长小于设定最小步长，则将所述学习步长进行增益，增益取值大于1。通过优化学习步长的算法，能够更快速进行循环迭代计算，优化bp神经网络模型的训练。例如，学习步长初始为1，衰减(取0.5)两次后为步长为0.25，增益一次(取10)，步长变为2.5。
保存好bp神经网络模型的参数之后，执行步骤S3，将样本数据中当天的轴力均值和后一天的加载天数输入到所述bp神经网络模型中进行计算，得到后一天的基坑预测变形量。例如，输入加载天数为6，输入轴力均值为初始轴力值，利用所述bp神经网络模型中进行计算，可得到第六天的基坑预测变形量。
本实施例中，将样本数据中当天的轴力均值和后一天的加载天数输入到所述bp神经网络模型中进行计算时，将所述bp神经网络模型计算得到的输出值进行反归一化处理，进而得到后一天的基坑预测变形量。由于之前对采集到的三组数据进行归一化处理，因此需要对所述bp神经网络模型计算得到的输出值进行反归一化处理，才能得到后一天的基坑预测变形量。
然后执行步骤S4，进行基坑预测变形量的判断，若基坑预测变形量小于阈值，说明基坑变形可控，使所述钢支撑轴力伺服系统的轴力保持初始轴力；若预测变形量大于阈值，则调整轴力并继续输入所述bp神经网络模型中进行计算，经过若干次轴力调整，直到基坑预测变形量符合要求后，将最终调整得到的轴力作为后一天的钢支撑轴力伺服系统的设定轴力。应当理解的是，所述阈值可根据施工条件进行人为设定。例如，初始轴力值为100吨，可调整轴力值为105吨代入bp神经网络模型中进行计算，判断基坑预测变形量是否符合要求，若符合，则第六天的设定轴力可调整为105吨，若不符合，则继续调整轴力代入bp神经网络模型中进行计算，直到基坑预测变形量符合要求后，将最终调整得到的轴力作为第六天的钢支撑轴力伺服系统的设定轴力。需要注意的是，代入计算的调整轴力值应不超过轴力伺服系统允许的最大轴力设定，若已经调整到最大，则只能按轴力伺服系统允许的最大轴力进行设定。
应当理解的是，若要计算第七天的基坑预测变形量，可实时的对bp神经网络模型的参数进行更新，即将采集到的第六天的轴力均值及加载天数输入到所述bp神经网络模型中进行训练，当训练结果满足要求后保存所述bp神经网络模型的参数，然后再将第六天的轴力均值和加载天数7天输入到更新后的bp神经网络模型中进行计算，得到第七天的基坑预测变形量。应当理解的是，随着数据的每天更新，钢支撑的加载天数与轴力均值对于基坑累积变形量的映射关系会越来越准确。
综上，本发明实施例提供了一种基于bp神经网络的钢支撑轴力智能调整方法，通过建立钢支撑轴力的加载天数、每天钢支撑的轴力均值和每天的基坑累积变形量的bp神经网络模型，并通过一定的样本数据进行训练，得到了钢支撑的加载天数与轴力均值对于基坑累积变形量的映射关系模型，并且随着数据的每天更新，这种映射关系越来越准确。实现了在基坑变形发生之前，提前主动调整轴力以控制基坑变形的目的。
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。

Claims (10)

1.一种基于bp神经网络的钢支撑轴力智能调整方法，其特征在于，包括：
在钢支撑完成安装后，按设计值设定钢支撑轴力伺服系统的初始轴力；
采集钢支撑轴力伺服系统轴力的加载天数，并按所述加载天数采集每天钢支撑的轴力均值及每天的基坑累积变形量的数据，将上述三组数据作为样本通过bp神经网络模型进行训练，当训练结果满足要求后保存所述bp神经网络模型的参数；
将样本数据中当天的轴力均值和后一天的加载天数输入到所述bp神经网络模型中进行计算，得到后一天的基坑预测变形量；
若所述基坑预测变形量小于阈值，使所述钢支撑轴力伺服系统的轴力保持初始轴力；若所述基坑预测变形量大于阈值，则调整轴力并继续输入所述bp神经网络模型中进行计算，经过若干次轴力调整，直到所述基坑预测变形量符合要求后，将最终调整得到的轴力作为后一天的钢支撑轴力伺服系统的设定轴力。
2.如权利要求1所述的基于bp神经网络的钢支撑轴力智能调整方法，其特征在于，采集钢支撑轴力的加载天数，并按天数采集每天钢支撑的轴力均值及每天基坑累积变形量之后，将上述三组数据作为样本通过bp神经网络模型进行训练之前，所述基于bp神经网络的钢支撑轴力智能调整方法还包括：
将上述三组数据进行归一化处理。
3.如权利要求2所述的基于bp神经网络的钢支撑轴力智能调整方法，其特征在于，将样本数据中当天的轴力均值和后一天的加载天数输入到所述bp神经网络模型中进行计算时，将所述bp神经网络模型计算得到的输出值进行反归一化处理，进而得到后一天的基坑预测变形量。
4.如权利要求1所述的基于bp神经网络的钢支撑轴力智能调整方法，其特征在于，所述bp神经网络的拓扑结构采用三层神经网络，其中，输入层有两个输入神经单元，分别表示钢支撑轴力的加载天数和每天钢支撑的轴力均值，隐含层有若干个隐含神经单元，输出层有一个输出神经单元，所述输出神经单元表示基坑累积变形量，所述bp神经网络模型进行训练的步骤具体包括：
正向传播：将采集的样本数据中加载天数和对应的轴力均值进行输入，加载天数和轴力均值分别与各个隐含神经单元的连接权值加权求和并通过激活函数得到各个隐含神经单元的数值；将各个隐含神经单元的数值与对应的输出神经单元的连接权值分别加权求和并通过激活函数得到输出值；
误差反向传播：将所述输出值与样本数据中的基坑累积变形量进行比较得到误差，并将所述误差通过所述bp神经网络模型反向传播，从而更新各个隐含神经单元的连接权值及输出神经单元的连接权值；
将所述更新后各个隐含神经单元的连接权值及输出神经单元的连接权值再次进行正向传播及误差反向传播，并通过循环迭代计算不断减小误差，直到所述误差小于接受范围则保存各个隐含神经单元的连接权值与输出神经单元的连接权值，完成神经网络训练。
5.如权利要求4所述的基于bp神经网络的钢支撑轴力智能调整方法，其特征在于，所述隐含层与所述输出层的激活函数均选用sigmod函数。
6.如权利要求4所述的基于bp神经网络的钢支撑轴力智能调整方法，其特征在于，各个隐含神经单元的连接权值的初始值与输出神经单元的连接权值的初始值由随机数生成，所述初始值的取值范围为(0，1)。
7.如权利要求4所述的基于bp神经网络的钢支撑轴力智能调整方法，其特征在于，所述误差的反向传播选用梯度下降法。
8.如权利要求7所述的基于bp神经网络的钢支撑轴力智能调整方法，其特征在于，将所述误差通过所述bp神经网络模型反向传播，从而更新各个隐含神经单元的连接权值及输出神经单元的连接权值的步骤具体包括：
所述误差经所述梯度下降法得到的数值乘以学习步长，即可分别得各个隐含神经单元的连接权值的调整量与输出神经单元的连接权值的调整量，将各个隐含神经单元的连接权值与各个隐含神经单元的当前权值相加即得到更新后的各个隐含神经单元的连接权值，将输出神经单元的连接权值的调整量与当前输出神经单元的连接权值相加即得到更新后的输出神经单元的连接权值。
9.如权利要求8所述的基于bp神经网络的钢支撑轴力智能调整方法，其特征在于，所述学习步长选用自适应变步长方法。
10.如权利要求9所述的基于bp神经网络的钢支撑轴力智能调整方法，其特征在于，所述自适应变步长方法包括：设定所述学习步长的初始值为1，若当前误差大于上一次误差，将所述学习步长进行衰减，衰减取值范围为(0，1)；若当前误差小于上一次误差或所述学习步长小于设定最小步长，则将所述学习步长进行增益，增益取值大于1。
CN202011279808.XA 2020-11-16 2020-11-16 基于bp神经网络的钢支撑轴力智能调整方法 Active CN112459080B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011279808.XA CN112459080B (zh) 2020-11-16 2020-11-16 基于bp神经网络的钢支撑轴力智能调整方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011279808.XA CN112459080B (zh) 2020-11-16 2020-11-16 基于bp神经网络的钢支撑轴力智能调整方法

Publications (2)

Publication Number Publication Date
CN112459080A true CN112459080A (zh) 2021-03-09
CN112459080B CN112459080B (zh) 2022-04-15

Family

ID=74836314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011279808.XA Active CN112459080B (zh) 2020-11-16 2020-11-16 基于bp神经网络的钢支撑轴力智能调整方法

Country Status (1)

Country Link
CN (1) CN112459080B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114592525A (zh) * 2022-03-16 2022-06-07 深圳宏业基岩土科技股份有限公司 深大基坑内支撑智能化监测防控系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102535479A (zh) * 2012-03-09 2012-07-04 同济大学建筑设计研究院(集团)有限公司轨道交通与地下工程设计分院 一种采用钢支撑轴力伺服系统控制深基坑变形的设计方法
CN107315862A (zh) * 2017-06-12 2017-11-03 北京城建勘测设计研究院有限责任公司 一种建立明挖基坑工程勘察与模拟参数关系的方法
CN107587493A (zh) * 2017-09-01 2018-01-16 青岛理工大学 一种基于神经网络的基坑开挖监测预警方法
CN109811769A (zh) * 2019-03-19 2019-05-28 腾达建设集团股份有限公司 一种基坑开挖施工方法
CN111461457A (zh) * 2020-04-17 2020-07-28 福州大学 一种基于粒子群优化bp神经网络的基坑位移预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102535479A (zh) * 2012-03-09 2012-07-04 同济大学建筑设计研究院(集团)有限公司轨道交通与地下工程设计分院 一种采用钢支撑轴力伺服系统控制深基坑变形的设计方法
CN107315862A (zh) * 2017-06-12 2017-11-03 北京城建勘测设计研究院有限责任公司 一种建立明挖基坑工程勘察与模拟参数关系的方法
CN107587493A (zh) * 2017-09-01 2018-01-16 青岛理工大学 一种基于神经网络的基坑开挖监测预警方法
CN109811769A (zh) * 2019-03-19 2019-05-28 腾达建设集团股份有限公司 一种基坑开挖施工方法
CN111461457A (zh) * 2020-04-17 2020-07-28 福州大学 一种基于粒子群优化bp神经网络的基坑位移预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114592525A (zh) * 2022-03-16 2022-06-07 深圳宏业基岩土科技股份有限公司 深大基坑内支撑智能化监测防控系统

Also Published As

Publication number Publication date
CN112459080B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN111308896B (zh) 基于可变误差的非线性系统自适应最优控制方法
CN110059867B (zh) 一种swlstm结合gpr的风速预测方法
CN106920014A (zh) 一种短时负荷预测方法及装置
CN113852098B (zh) 一种基于多目标蜻蜓算法的自动发电控制调度方法
CN110427706B (zh) 一种动态提升拟合阶数的搜索堆芯临界棒位计算方法
CN112459080B (zh) 基于bp神经网络的钢支撑轴力智能调整方法
CN104036328A (zh) 自适应风电功率预测系统及预测方法
CN116739383B (zh) 基于大数据的充电桩电力负荷预测评估方法
CN113705929A (zh) 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
CN115344927A (zh) 基于工程历史数据的高拱坝施工仿真参数动态更新方法
CN112819224B (zh) 基于深度学习融合模型的机组出力预测及置信评估方法
CN103578274B (zh) 一种交通流预测方法及装置
CN110048694A (zh) 基于变元步长的随机傅里叶特征核最小均方算法
CN109193779B (zh) 一种分布式风力发电最大容量评估方法
CN116880191A (zh) 一种基于时序预测的过程工业生产系统的智能控制方法
CN116054179A (zh) 一种基于事件触发的电力系统无功趋优控制系统及方法
CN112994016B (zh) 一种用于电力系统潮流的恢复可解性调整方法及系统
CN113032934B (zh) 基于me-td3算法的风电场动态参数智能校核方法
CN115664924A (zh) 面向社会资产参与电网互动的内生安全感知资源管理方法
CN115034634A (zh) 一种基于贪婪算法的相控阵雷达资源调度管理方法
CN112329995A (zh) 分布式储能集群的优化调度方法、装置和计算机设备
CN111461282A (zh) 一种基于改进量子行为粒子群算法的模型辨识方法
CN110648021B (zh) 一种两级电力负荷预测结果协调方法、装置及设备
CN115270515B (zh) 基于边界面模型的土体状态数据预测方法、装置和设备
Yeng et al. Golden exponential smoothing: a self-adjusted method for identifying optimum alpha

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