山区高速公路填石路堤沉降计算方法探究

山区高速公路填石路堤沉降计算方法探究　　摘要：本文以某山区高速公路填石路堤监测数据为依据，采用人工神经网络方法，对填石路堤进行沉降预测与对比分析。结果表明，神经网络模型可以很好的预测填石路堤沉降规律，具有自组织性与自适应性，具有广阔的工程应用前景。关键词：山区高速公路；填石路堤；人工神经网络；沉降中图分类号：U412.36+6文献标识码：A1引言在山区高速公路修筑中，存在大量的石质挖方路段和隧道路段，怎样利用大量的石质填料填筑路堤，使其不出现工程质量事故，同时避免一方面大量借石填筑路堤，另一方面又造成大量的石质弃方占用农田耕地的不合理现象，成为山区高速公路建设中迫切需要解决的问题。在高等级公路逐渐进入山区的今天，在云南省乃至全国范围内还将遇到更多的填石路堤修筑技术问题。填石路堤的压实工艺和检测手段及检测标准，粗粒料的压实特性，填石路堤的沉降、稳定性评价是填石路堤面临的主要难题[1]。2沉降分析方法7 本文采用神经网络方法对某山区高速公路填石路堤沉降进行分析计算，以便科学合理的评价公路填石路堤稳定性与沉降规律。2.1神经网络模型BP神经网络通常是指基于误差反向传播算法（BP算法）的多层前向神经网络，它是目前应用最广泛也是发展最成熟的一种神经网络模型，它是按层次结构构造的，包括一个输入层、一个输出层和一个或多个隐藏层（图中只画出一层），一层内的节点（神经元）只和与该层紧邻的下一层各节点相连。这个网络学习过程由正向传播和反向传播两个过程组成。在正向传播过程中，输入信息从输入层经隐藏层逐层处理，然后传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到希望的输出，则转向反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小[2]。7 网络学习的过程首先从给出一组随机的权值开始，然后选取学习样本集中的一个模式（输入和期望输出对）作为输入，接着按前馈方式计算输出值。这时的输出值和期望值之间的误差一般比较大，这就迫使权值必须改变。利用反向传播过程，计算所有的权值的改变量。对所有的模式和所有的权值重复计算，修正权值后又以前馈方式重新计算输出值。实际输出和目标输出之间的偏差和权值改变量又一次在计算中产生。在学习样本中的所有模式进行计算后得到一组新的权值，在接下来的前馈过程中便得到一组新的输出值，如此循环下去。在一次成功的学习中，系统误差或单个输入模式的误差将随着迭代次数的增加而减小，而过程将收敛到一组稳定的权值。实际上，BP模型把一组样本的输入输出问题变为一个非线性优化问题。我们可以把这种模型看成一个从输入到输出的映射，这个映射是高度非线性的。如果输入节点数为n，输出节点数为m，则神经网络表示的是从n维欧式空间到m维欧式空间的映射。2.2神经网络模型的改进BP算法的主要缺点是：收敛速度慢、局部极值、难以确定隐层和隐层节点的个数。在实际应用中，BP算法很难胜任，因此出现了许多改进算法。BP算法的改进主要有两种途径：一种是采用启发式学习算法，另一种则是采用更有效的优化算法。启发式学习算法，就是对于表现函数梯度加以分析，从而改进算法，其中包括：有动量的梯度下降法（traingdm）、有自适应lr的梯度下降法（traingda）、有动量和自适应lr的梯度下降法（traingdx）和能复位的BP训练法（trainrp）等。另一种是基于数值最优化理论的训练算法，其中包括共轭梯度法、高斯－牛顿法和Levenberg-Marquardt方法等。7 本文采用共轭梯度法进行改进。共轭梯度法是梯度法的一种改进方法，可以改进梯度法振荡和收敛性差的缺陷。其基本思路是寻找与负梯度方向和上一次搜索方向共轭的方向作为新的搜索方向，从而加快训练速度，并提高训练精度。所有的共轭梯度法，都采用负梯度方向作为初始搜索方向：然后沿着该方向作一维搜索：接下来，就利用共轭方向作为新一轮的搜索方向，通常在当前负梯度上附加上一次搜索方向：共轭梯度法通常比自适应lr的梯度下降法速度快，有时候也优于弹性梯度下降法。同时由于共轭梯度法占有较少的存储空间，因此在训练复杂网络的时候，通常选用共轭梯度法[3]。2.3程序的实现本文采用Matlab，进行程序的编制，算法如下：%%神经网络预测_BP神经网络模型%n：原始数据个数x：填石路堤沉降实测值y：填石路堤沉降预测值clc;clearall;clf;%%读数据；loadx1.txt;loadx2.txt;P=x2;x=x1;7 %%NEWFF——生成新的线性神经网络%%TRIAN——对线性神经网络进行训练%%SIM——对线性神经网络进行仿真%P——为输入矢量；%x——为目标矢量；%创建网络net=newff(minmax(P),[1,1],{‘tansig’,’purelin’},’traingdm’);%当前网络层的权值与阈值layerWights=net.LW{2,1};layerbias=net.b{2};%设置训练参数net.trainParam.show=50;net.trainParam.lr=0.05;net.trainParam.mc=0.9;net.trainParam.epochs=100;net.trainParam.goal=0.1;%%对BP神经网络进行训练[net,tr]=train(net,P,x);%对线性网络进行仿真y=sim(net,P);7 yx3填石路堤沉降计算分析结果以现场监测数据与网络预测值进行比较如表1所示。应用该模型进行预测精度很高，这进一步证明了该BP神经网络拟合效果好，泛化能力强，收敛快。所以，该法在填石路堤最终沉降预测中十分有效和可行。表1网络预测与实际值比较4结轮本文将人工神经网络引入到填石路堤的沉降计算，利用实测资料，直接建模，更好的反映了填石路堤的沉降规律，工程实例研究表明，网络预测值与实测值吻合较好，可信度较高，并且随着学习样本的不断补充，网络的预测精度将进一步提高。（1）一个良好的神经网络模型，可以不断学习，使求解的范围不断扩大，同时人工神经网络的抗干扰能力较强，个别测点的误差将不会对结果产生大的影响。（2）工程实例研究表明，实测值与神经网络预测值吻合较好，但也有个别点偏差较大，主要原因是训练的数据太少，随着训练数据的增加，网络的预测精度还会进一步提高。7 （3）人工神经网络方法避免了传统方法的许多弊病，具有自组织、自适应、容错性等特点，计算精度高，操作简便，适应性强，因而具有广阔的工程应用前景。参考文献：[1]杨涛，李国维，樊琨.基于人工神经网络的公路软基沉降预测模型[J].上海理工大学学报，2003,2,120-126.[2]王星华，吴汉波，祝志恒.神经网络在填石路基沉降预测中的应用[J].路基工程，2008,3（138）：12-15.7