BP 人工神经网络模型在建筑物沉降预测中应用★
2011-08-20尚纪斌
尚纪斌
0 引言
建筑物在修建过程中,随着自身荷载的不断增加,建筑物整体会发生下沉的情况。当建筑物所在地过去是池塘等松软地基时,虽然在施工工艺上已经进行了处理,但是仍然会对沉降产生影响。对于这样的建筑,除了要不断加强沉降观测外,建立一个有效的数学模型,来预测沉降的大小,保证工程的安全有序是非常重要的。
本文采用BP人工神经网络,利用博学苑小区某栋楼实测的沉降观测数据直接建模,进行了楼房最终沉降趋势的预测,并与后来实测结果进行了比较分析。
1 神经网络模型
人工神经网络(Artificial Neutral Networks,ANN)是由大量简单的基本元件、神经元相互连接,通过模拟人的大脑处理信息的方式,进行信息并行处理和非线性的转换的复杂网络系统。在信息处理过程中具有自组织、自学习、自适应的特点。它的工作方式由2个阶段组成:
1)学习阶段,通过对所选样本的学习过程,不断修正各有向连接途径的权值,使其学习结果十分逼近样本值;
2)推理运行阶段,即以学习过程不断修正后的最终结果,对所需的信息实施处理。
目前应用最多的是BP神经网络模型,该模型通常由三层组成:输入层、隐含层、输出层。每层内神经元之间不发生连接,仅相邻层的神经元之间根据需要发生连接。
BP神经网络的核心思想是,学习过程由信号的正向传播与误差的反向传播2个过程组成。
正向传播时,输入样本从输入层传入,经隐含层处理后,传向输出层。若输出层的实际输出值与期望不符,则转入误差反向传播阶段。
误差反传是将输出误差以某种形式通过隐含层向输入层反传,并将误差分摊给各层所有神经元,从而获得各层神经元的误差信号,此误差信号作为各神经元修正权值的依据,直至网络训练输出的总误差满足一定要求就停止训练,从而转入推理阶段。
2 工程应用
2.1 工程概况
南京博学苑小区某栋房屋,所处地带为丘陵地形。开工前为一处水塘,水下浅层为淤泥。地基处理采用先清除水和淤泥,再灌注水泥砂浆工艺。由于房屋结构为砖混结构,6层半,20 m高。各墙面都承担房屋的重量,所以整个地基底板为浇筑的整体板。
为了确保建筑安全,在建筑物周围共布设了14个沉降观测点,主要布设于房屋四角,伸缩缝两侧,主要承重的构造柱上。并采用二等水准测量的标准进行了12期观测,历时1年半。
2.2 网络输入与输出
由于单隐层BP网络的非线性映射能力比较强,所以我们采用单隐层神经网络。输入层神经元个数为3,隐含层神经元个数为7,输出层神经元个数为1;隐含层的传递函数类型为tansig,输出层的传递函数类型为purelin;训练函数选取traingdx;学习函数选取learngdm,性能函数选取mse。
选取14个观测点中的1号、7号、14号三个点作为样本,以前8期各期累计沉降量为输入数据,即训练样本,对后4期累计沉降量进行预测。
实测值见表1。
表1 该建筑物累计沉降实测值 mm
2.3 结果比较分析
应用上述样本训练后,对第9期~12期进行预测,并与实测值进行比较,见表2~表4。
从误差大小可以看出,预测值与实测值基本相符。由于后期建筑逐渐处于稳定期,所以误差大小相对于每期的沉降值而言,出现波动情况,但是都在建筑安全范围之内。
表2 1号点后4期累计沉降值比较 mm
表3 7号点后4期累计沉降值比较 mm
表4 14号点后4期累计沉降值比较 mm
3 结语
采用BP人工神经网络模型进行建筑物沉降的预测是可行的。从比较结果看,预测结果比较理想。随着工程的不断推进,观测数据的不断增加,BP神经网络可以不断的输入新的数据进行训练和学习,从而进一步提高预测精度。此外,其抗干扰能力强,个别测点的误差不会对结果产生大的影响。
[1]闻 新.MATLAB神经网络应用设计[M].武汉:华中理工大学出版社,1987.
[2]张德刚,翟 娟.基于BP人工神经网络的公路软土地基预测[J].交通科技,2010(3):37-40.
[3]米鸿燕,蒋兴华.基于灰色BP神经网络的沉降观测预测模型应用研究[J].昆明理工大学学报,2007(4):27-30.