基于神經(jīng)網(wǎng)絡(luò)的崩岸預(yù)測(cè)模型

基于神經(jīng)網(wǎng)絡(luò)的崩岸預(yù)測(cè)模型

坍塌是河岸坍塌過程的一個(gè)非常復(fù)雜的過程，與許多因素有關(guān)，如河岸結(jié)構(gòu)、土壤材料性質(zhì)、河岸形狀、降水、河岸坍塌、水流磨損、水位變化、涂料層設(shè)計(jì)等。在不同的情況下，坍塌的風(fēng)險(xiǎn)因素是不同的。目前的研究大多基于簡(jiǎn)單因素，推測(cè)河岸的發(fā)生。如何充分考慮不同因素的影響是一個(gè)迫切需要解決的問題。人工神經(jīng)網(wǎng)絡(luò)可以考慮不同的因素，并具有高度的非線性映射能力。人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnetwork,ANN)是在生物神經(jīng)系統(tǒng)的啟發(fā)下發(fā)展起來的一種信息處理方法.人工神經(jīng)網(wǎng)絡(luò)與人腦相似,是由大量簡(jiǎn)單的神經(jīng)元彼此相互連接而成的大規(guī)模非線性系統(tǒng),具有高度非線性和并行處理能力.人工神經(jīng)網(wǎng)絡(luò)能夠向不精確并帶有噪音的數(shù)據(jù)學(xué)習(xí),具有良好的容錯(cuò)能力和聯(lián)想記憶能力,廣泛應(yīng)用于信息處理、智能控制、模式識(shí)別等許多工程技術(shù)和社會(huì)經(jīng)濟(jì)領(lǐng)域.BP人工神經(jīng)網(wǎng)絡(luò)在土木、水利領(lǐng)域用得較多,如用于水力發(fā)電過程的辨識(shí)和控制、河川徑流預(yù)測(cè)、河流水質(zhì)分類、混凝土性能評(píng)估、拱壩優(yōu)化設(shè)計(jì)、砂土液化預(yù)測(cè)、巖爆預(yù)測(cè)等.本文即采用BP人工神經(jīng)網(wǎng)絡(luò)進(jìn)行崩岸的預(yù)測(cè).1人工神經(jīng)網(wǎng)絡(luò)bp和改進(jìn)模型1.1bp人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則BP人工神經(jīng)網(wǎng)絡(luò)是一種前向人工神經(jīng)網(wǎng)絡(luò),其全稱是誤差逆向傳播神經(jīng)網(wǎng)絡(luò)(errorbackpropagationneuralnetwork).BP人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)包括3層,即輸入層、隱含層和輸出層,各層之間實(shí)現(xiàn)全連接.按隱含層的個(gè)數(shù)可分為3層(包含1個(gè)隱含層)和多層(包含2個(gè)或2個(gè)以上隱含層)BP人工神經(jīng)網(wǎng)絡(luò).盡管數(shù)學(xué)家已經(jīng)證明3層前向網(wǎng)絡(luò)可以精確地逼近任何復(fù)雜的函數(shù),但其隱含的節(jié)點(diǎn)數(shù)不能任選,且對(duì)樣本數(shù)據(jù)攜帶的噪音的魯棒性極差,所以有時(shí)采用深層前向網(wǎng)絡(luò)可能會(huì)更好.BP人工神經(jīng)網(wǎng)絡(luò)的工作原理是通過BP人工神經(jīng)網(wǎng)絡(luò)的非線性逼近能力,盡可能地使網(wǎng)絡(luò)的輸出與期望輸出一致.這主要是通過不斷調(diào)整各神經(jīng)元的連接權(quán)和閾值來實(shí)現(xiàn)的.調(diào)整各神經(jīng)元的連接權(quán)和閾值的方法也叫學(xué)習(xí)規(guī)則.通常采用的學(xué)習(xí)規(guī)則是最小二乘學(xué)習(xí)規(guī)則(LMS,LeastMeanSquare),也稱線性修正規(guī)則,其算法過程如下.定義一個(gè)能量函數(shù)EE=1n∑1nEpEp=12∑j=1m(Oj(xp)?Dj(xp))2(1)E=1n∑1nEpEp=12∑j=1m(Οj(xp)-Dj(xp))2(1)式中:Oj(xp)——學(xué)習(xí)樣本p在網(wǎng)絡(luò)輸出節(jié)點(diǎn)j上的計(jì)算輸出;Dj(xp)——學(xué)習(xí)樣本p在網(wǎng)絡(luò)輸出節(jié)點(diǎn)j上的期望輸出;m——網(wǎng)絡(luò)輸出節(jié)點(diǎn)的個(gè)數(shù);n——學(xué)習(xí)樣本的個(gè)數(shù).網(wǎng)絡(luò)學(xué)習(xí)的過程就是使能量函數(shù)E最小的過程.其計(jì)算過程可以表述如下:(a)初始化網(wǎng)絡(luò)權(quán)值W及閾值B.(b)激活輸入層的所有節(jié)點(diǎn),計(jì)算各層的節(jié)點(diǎn)輸出.(c)計(jì)算各層節(jié)點(diǎn)的一般化誤差和參考誤差.(d)調(diào)整連接權(quán)值和閾值.(e)計(jì)算能量Ep和E,若其小于某一精度值ε,則保留權(quán)值和閾值,學(xué)習(xí)過程結(jié)束;否則,轉(zhuǎn)到第(b)步繼續(xù)學(xué)習(xí),直到達(dá)到計(jì)算精度要求為止.1.2對(duì)bp人工神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)BP人工神經(jīng)網(wǎng)絡(luò)是一個(gè)不完善的人工神經(jīng)網(wǎng)絡(luò)模型,它在實(shí)際應(yīng)用中存在如下問題:(a)學(xué)習(xí)收斂速度很慢,一個(gè)比較簡(jiǎn)單的問題也需要幾千次甚至上萬次的訓(xùn)練才能收斂,不能滿足人們對(duì)時(shí)間和速度的要求;(b)有陷入局部最小的可能,不能保證收斂到全局最小點(diǎn);(c)如果網(wǎng)絡(luò)的學(xué)習(xí)誤差設(shè)得過小,則網(wǎng)絡(luò)可能出現(xiàn)學(xué)習(xí)過頭的現(xiàn)象,即用已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)對(duì)未參與學(xué)習(xí)的樣本進(jìn)行預(yù)測(cè)時(shí)會(huì)出現(xiàn)很大誤差.因此有必要從以下兩方面對(duì)BP人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn):(a)采用啟發(fā)式學(xué)習(xí)算法;(b)采用更有效的優(yōu)化算法.由于BP算法的實(shí)質(zhì)是一種無約束的優(yōu)化計(jì)算方法,因此許多優(yōu)化算法都可以用于BP人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程.如全局優(yōu)化算法(Gauss-Newton)是利用樣本的全部信息,求出連接權(quán)的修正值,再對(duì)連接權(quán)進(jìn)行修正;遺傳算法(geneticalgorithm)是根據(jù)模擬達(dá)爾文的遺傳選擇和進(jìn)化來確定網(wǎng)絡(luò)的連接權(quán);還有模擬退火算法、交替迭代算法等.本文應(yīng)用Levenberg-Marquardt算法來調(diào)整連接權(quán)和閾值.Levenberg-Marquardt算法比梯度下降法的收斂速度快得多,缺點(diǎn)是占用的內(nèi)存比較大.其算法如下:JJ=JW×JW(2)JE=JW×E(3)ΔW=?(JJ+μI)?1JE(4)JJ=JW×JW(2)JE=JW×E(3)ΔW=-(JJ+μΙ)-1JE(4)式中:JW——由誤差對(duì)各神經(jīng)元的連接權(quán)和閾值微分組成的雅可比矩陣;E——網(wǎng)絡(luò)誤差向量;I——單位矩陣;ΔW——網(wǎng)絡(luò)權(quán)值W的修正量;μ——一標(biāo)量,稱為自適應(yīng)調(diào)整量.1.3學(xué)習(xí)過程中的動(dòng)態(tài)調(diào)整變量μ的選取決定了學(xué)習(xí)算法是牛頓法還是梯度下降法.只要迭代過程中誤差有增加,μ也會(huì)增加,并且μ增加到誤差不再增加為止.隨著μ的增加,式(4)中的JJ可以忽略不計(jì).所以在學(xué)習(xí)過程中主要采用梯度下降法,即JEμ-1項(xiàng)起作用.但是μ太大會(huì)使網(wǎng)絡(luò)的學(xué)習(xí)停止(因JEμ-1趨向于0),因此給μ取一個(gè)很大的上限值(如108),若μ大于該上限值,則網(wǎng)絡(luò)停止學(xué)習(xí).本文μ初始值取為0.001,上限值取為108.在網(wǎng)絡(luò)的學(xué)習(xí)過程中,μ采用如下的動(dòng)態(tài)調(diào)整方法:?????10μ(t)μ(t+1)=0.1μ(t)μ(t)MSE(t+1)＜MSE(t)MSE(t+1)＞MSE(t)MSE(t+1)=MSE(t)(5){10μ(t)ΜSE(t+1)＜ΜSE(t)μ(t+1)=0.1μ(t)ΜSE(t+1)＞ΜSE(t)μ(t)ΜSE(t+1)=ΜSE(t)(5)式中:t——第t次訓(xùn)練;MSE(t)——均方差(MeanSquareError).2崩塌預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型2.1岸坡土體影響因素影響崩岸的因素眾多,本文將崩岸的影響因素分為受水流沖刷控制和受非水流沖刷控制兩類因素.a.受水流沖刷控制因素:(a)岸坡土體的抗沖性,采用起動(dòng)流速v起動(dòng)表示;(b)水流的流速v、流量Q.b.受非水流沖刷控制的因素有:(a)岸坡外形.斜坡的存在是崩岸產(chǎn)生的先決條件,而岸坡的外形直接影響岸坡的穩(wěn)定程度(用坡高H,坡角θ表示).(b)岸坡土體性質(zhì).岸坡土體的性質(zhì)是影響岸坡穩(wěn)定性的內(nèi)在因素,選用黏聚力c、內(nèi)摩擦角φ和土體的滲透系數(shù)k.(c)水的作用.崩岸不同于一般的滑坡,受水的作用非常明顯.這里所考慮的水的作用主要是水位的升降類型(快速漲水、緩慢漲水、快速退水、緩慢退水).(d)地震作用.地震能夠使可液化地層發(fā)生液化,岸坡土體抗剪強(qiáng)度降低,同時(shí)地震會(huì)增加岸坡土體的下滑力,促使岸坡向破壞的方向發(fā)展.(e)降雨作用.強(qiáng)度大的暴雨和持續(xù)時(shí)間長(zhǎng)的連陰雨,常會(huì)導(dǎo)致岸坡不同程度的坍塌,對(duì)岸坡的穩(wěn)定影響很大,且降雨強(qiáng)度越大,持續(xù)時(shí)間越長(zhǎng),岸坡崩塌得越厲害.通常選用降雨量q作為輸入指標(biāo).(f)人為因素.如開挖坡腳、坡頂加載、不恰當(dāng)?shù)淖o(hù)岸工程、人為破壞岸坡表層植被等都對(duì)岸坡的穩(wěn)定構(gòu)成影響.綜上所述,崩岸的影響因素眾多,不僅具有隨機(jī)性,而且具有模糊性,崩岸是眾多因素綜合作用的結(jié)果.應(yīng)從各種影響因素中選取主要因素,忽略次要因素.本文選取岸坡土體抗沖性v起動(dòng)、水流流速v、流量Q、坡高H、坡角θ、土體滲透系數(shù)k、土體密度ρ、黏聚力c、內(nèi)摩擦角φ、降雨量q、水位的漲退類型共11種具有代表性的指標(biāo)作為ANN網(wǎng)絡(luò)的輸入神經(jīng)元.網(wǎng)絡(luò)輸出為崩岸發(fā)生與否.2.2水位作用網(wǎng)絡(luò)的構(gòu)建雖然3層前向網(wǎng)絡(luò)可以精確地逼近任何復(fù)雜的函數(shù),但往往存在迭代次數(shù)多、收斂慢等缺點(diǎn),所以本文采用多層前向網(wǎng)絡(luò),隱含層取2層.選取上述11種崩岸影響因素作為輸入層神經(jīng)元;輸出層取2個(gè)神經(jīng)元,取值分別是(1,0),(0,1),表示崩、不崩,本文采用一組正交向量表示,使之盡量分開以便識(shí)別.需要說明的是,對(duì)于水位的作用,在模型輸入時(shí)取值為(1,0,0,0),(0,1,0,0),(0,0,1,0),(0,0,0,1)分別表示快速漲水、緩慢漲水、快速退水、緩慢退水,同樣采用一組正交向量來表示.模型中隱含層的神經(jīng)元為23個(gè),激活函數(shù)為正切Sigmoid函數(shù),隱含層到輸出層也采用正切Sigmoid函數(shù).其網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)見圖1,其中w1,w2,w3表示權(quán)值,b1,b2,b3表示閾值.2.3計(jì)算2.3.1確定影響因素由于崩岸資料的匱乏,要同時(shí)獲得上述11種崩岸影響因素的實(shí)測(cè)資料非常困難,所以本文采用以下方法構(gòu)造樣本:(a)鑒于收集水流方面實(shí)測(cè)資料困難,為使問題簡(jiǎn)化,本文選取坡高、坡角、土體密度、黏聚力、內(nèi)摩擦角、水位變化類型共6種影響因素;(b)確定上述影響因素的可能取值范圍,并隨機(jī)產(chǎn)生岸坡模型樣本,如土體的黏聚力c通常取值在2~35kPa之間,則在2~35kPa之間產(chǎn)生若干個(gè)隨機(jī)數(shù)作為岸坡土體的黏聚力,如此可以產(chǎn)生任意多個(gè)岸坡模型;(c)采用極限平衡法計(jì)算上述隨機(jī)產(chǎn)生的岸坡模型的穩(wěn)定性,于是可以產(chǎn)生一系列的可用于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的樣本.2.3.2建立神經(jīng)網(wǎng)絡(luò)模型基于本文樣本構(gòu)造方法,共構(gòu)造25個(gè)樣本,見表1,其中前20個(gè)樣本用于網(wǎng)絡(luò)的學(xué)習(xí),后5個(gè)樣本用于網(wǎng)絡(luò)的檢驗(yàn).網(wǎng)絡(luò)的輸入神經(jīng)元取6個(gè),分別是坡高H、坡角θ、土體密度ρ、黏聚力c、內(nèi)摩擦角φ、水位變化類型;輸出層取2個(gè)神經(jīng)元;隱含層取13個(gè)神經(jīng)元,建立神經(jīng)網(wǎng)絡(luò)模型.對(duì)所建立的網(wǎng)絡(luò)進(jìn)行學(xué)習(xí),通過289次的學(xué)習(xí),誤差小于0.001,可以認(rèn)為網(wǎng)絡(luò)已滿足實(shí)際應(yīng)用的要求.若需達(dá)到同樣的精度,采用附加動(dòng)量法的梯度下降法,則需要學(xué)習(xí)8956次.樣本的參數(shù)與預(yù)測(cè)的結(jié)果見表1.表中水位變化類型(1,0,0,0),(0,1,0,0),(0,0,1,0),(0,0,0,1)分別表示快速漲水、緩慢漲水、快速退水、緩慢退水.表中的(1,0)和(0,1)分別表示岸坡穩(wěn)定和不穩(wěn)定(崩、不崩).由表1可以看出,用于預(yù)測(cè)的5個(gè)樣本,只有樣本23判斷錯(cuò)誤,其余4個(gè)均判斷正確,正確率達(dá)80%.由此可見,采用神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)崩岸是可行的.筆者曾采用較少的樣本進(jìn)行訓(xùn)練,預(yù)測(cè)余下的樣本,其判斷正確率較低;當(dāng)訓(xùn)練樣本較多時(shí),預(yù)測(cè)精度提高.由此可見,用于訓(xùn)練的樣本越多,BP人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度越能得到提高.3bp人工神經(jīng)網(wǎng)絡(luò)崩岸預(yù)測(cè)模型本文基于BP人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)崩岸的基本思路,從影響崩岸的諸多因素中,挑選11種主要影響因素作為BP人工神經(jīng)網(wǎng)