桥墩局部冲刷深度预测模型基于贝叶斯正则化BP神经网络

柯帅　张凯

【摘要】本文基于贝叶斯正则化BP神经网络，建立了桥墩局部冲刷深度模型。然后利用前人的数据在MATLAB软件里对桥墩局部冲刷深度进行了训练，结果表明：该模型的预测精度高，可以用于工程设计当中。【关键词】桥墩；局部冲刷；贝叶正则化；神经网络1、 前言桥梁的局部冲刷深度是保障桥梁安全的重要因素。但是因为影响冲刷的因素很多，且这些因素具有一定的随机性和可变性，导致目前还不能对桥墩的局部冲刷深度进行精确的预测。神经网络具有自学习、联想存储、高速寻求最优解等特点，并且还有极强的非线性映射能力，它的这些特点和能力使它在桥墩局部冲刷深度预测领域得到了迅速的发展。目前使用的最广的便是利用BP神经网络来进行预测，但是它却有着训练时间长、局部收敛等缺点。为了更好的预测桥墩的局部冲刷深度，本文基于贝叶斯正则化BP神经网络，建立了桥墩局部冲刷深度模型，通过训练，该网络有着较高的预测精度。2 、贝叶斯正则化神经网络2.1 BP神经网络的结构BP神经网络由输入层、隐含层、输出层三层结构，每层由若干神经元连接，不同层次的神经元也可以相互连接。隐含层采用Sigrnoid函数，输出层采用Pureline函数，具体结构如图1。2.2 贝叶斯正则化算法贝叶斯正则化神经网络的性能指数：3、 模型的建立本文选取水流的平均流速、水深、泥沙的中值粒径、泥沙的起动流速以及桥墩的直径为输入层因子，桥墩局部冲刷坑深度为输出层因子。选用Jeng D S学者的研究报告中的45组数据，其中30组数据用于构建模型，15组数据用于测试模型的预测能力，数据各个参数的取值范围如表1。4、 计算结果及分析利用MATLAB软件，对桥墩局部冲刷深度进行预测，实测冲刷深度与预测值的比较如图2所示。然后计算实测值与预测值相关系数以及平均相对误差。從图2可以知道，预测值与实测值相差不大，模型预测结果的平均相对误差，相关系数为，说明该模型比较精确。5、 结语将贝叶斯正则化BP神经网络运用到桥墩的局部冲刷深度预测中，是解决该类问题的一个新方法，且它的收敛速度和精度相对于一般的BP神经网络要好，值得推广和运用。参考文献：[1].孟庆峰. 桥墩局部冲刷深度预测方法研究[D]. 长沙理工大学， 2008.[2].马锐. 人工神经网络原理[M]. 机械工业出版社， 2014.[3].宋雷， 黄腾， 方剑，等. 基于贝叶斯正则化 BP 神经网络的 GPS 高程转换[J]. 西南交通大学学报， 2008， 43（6）：724-728.[4].Ettema R， Melville B W， Barkdoll B. Scale Effect in Pier-Scour Experiments[J]. Journal of Hydraulic Engineering， 1998， 125（8）：639-642.