基于神經(jīng)網(wǎng)絡(luò)的崩岸預測模型

基于神經(jīng)網(wǎng)絡(luò)的崩岸預測模型

坍塌是河岸坍塌過程的一個非常復雜的過程，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)計等。在不同的情況下，坍塌的風險因素是不同的。目前的研究大多基于簡單因素，推測河岸的發(fā)生。如何充分考慮不同因素的影響是一個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)學習,具有良好的容錯能力和聯(lián)想記憶能力,廣泛應用于信息處理、智能控制、模式識別等許多工程技術(shù)和社會經(jīng)濟領(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)電過程的辨識和控制、河川徑流預測、河流水質(zhì)分類、混凝土性能評估、拱壩優(yōu)化設(shè)計、砂土液化預測、巖爆預測等.本文即采用BP人工神經(jīng)網(wǎng)絡(luò)進行崩岸的預測.1人工神經(jīng)網(wǎng)絡(luò)bp和改進模型1.1bp人工神經(jīng)網(wǎng)絡(luò)的學習規(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,各層之間實現(xiàn)全連接.按隱含層的個數(shù)可分為3層(包含1個隱含層)和多層(包含2個或2個以上隱含層)BP人工神經(jīng)網(wǎng)絡(luò).盡管數(shù)學家已經(jīng)證明3層前向網(wǎng)絡(luò)可以精確地逼近任何復雜的函數(shù),但其隱含的節(jié)點數(shù)不能任選,且對樣本數(shù)據(jù)攜帶的噪音的魯棒性極差,所以有時采用深層前向網(wǎng)絡(luò)可能會更好.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習規(guī)則.通常采用的學習規(guī)則是最小二乘學習規(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)——學習樣本p在網(wǎng)絡(luò)輸出節(jié)點j上的計算輸出;Dj(xp)——學習樣本p在網(wǎng)絡(luò)輸出節(jié)點j上的期望輸出;m——網(wǎng)絡(luò)輸出節(jié)點的個數(shù);n——學習樣本的個數(shù).網(wǎng)絡(luò)學習的過程就是使能量函數(shù)E最小的過程.其計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,計算各層的節(jié)點輸出.(c)計算各層節(jié)點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,學習過程結(jié)束;否則,轉(zhuǎn)到第(b)步繼續(xù)學習,直到達到計算精度要求為止.1.2對bp人工神經(jīng)網(wǎng)絡(luò)模型的改進BP人工神經(jīng)網(wǎng)絡(luò)是一個不完善的人工神經(jīng)網(wǎng)絡(luò)模型,它在實際應用中存在如下問題:(a)學習收斂速度很慢,一個比較簡單的問題也需要幾千次甚至上萬次的訓練才能收斂,不能滿足人們對時間和速度的要求;(b)有陷入局部最小的可能,不能保證收斂到全局最小點;(c)如果網(wǎng)絡(luò)的學習誤差設(shè)得過小,則網(wǎng)絡(luò)可能出現(xiàn)學習過頭的現(xiàn)象,即用已經(jīng)訓練好的網(wǎng)絡(luò)對未參與學習的樣本進行預測時會出現(xiàn)很大誤差.因此有必要從以下兩方面對BP人工神經(jīng)網(wǎng)絡(luò)模型進行改進:(a)采用啟發(fā)式學習算法;(b)采用更有效的優(yōu)化算法.由于BP算法的實質(zhì)是一種無約束的優(yōu)化計算方法,因此許多優(yōu)化算法都可以用于BP人工神經(jīng)網(wǎng)絡(luò)的學習過程.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,再對連接權(quán)進行修正;遺傳算法(geneticalgorithm)是根據(jù)模擬達爾文的遺傳選擇和進化來確定網(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——一標量,稱為自適應調(diào)整量.1.3學習過程中的動態(tài)調(diào)整變量μ的選取決定了學習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.所以在學習過程中主要采用梯度下降法,即JEμ-1項起作用.但是μ太大會使網(wǎng)絡(luò)的學習停止(因JEμ-1趨向于0),因此給μ取一個很大的上限值(如108),若μ大于該上限值,則網(wǎng)絡(luò)停止學習.本文μ初始值取為0.001,上限值取為108.在網(wǎng)絡(luò)的學習過程中,μ采用如下的動態(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次訓練;MSE(t)——均方差(MeanSquareError).2崩塌預測的神經(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,采用起動流速v起動表示;(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,岸坡土體抗剪強度降低,同時地震會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.強度大的暴雨和持續(xù)時間長的連陰雨,常會導致岸坡不同程度的坍塌,對岸坡的穩(wěn)定影響很大,且降雨強度越大,持續(xù)時間越長,岸坡崩塌得越厲害.通常選用降雨量q作為輸入指標.(f)人為因素.如開挖坡腳、坡頂加載、不恰當?shù)淖o岸工程、人為破壞岸坡表層植被等都對岸坡的穩(wěn)定構(gòu)成影響.綜上所述,崩岸的影響因素眾多,不僅具有隨機性,而且具有模糊性,崩岸是眾多因素綜合作用的結(jié)果.應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、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雜的函數(shù),但往往存在迭代次數(shù)多、收斂慢等缺點,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別.需要說明的是,對于水位的作用,在模型輸入時取值為(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,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)的拓撲結(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計算2.3.1確定影響因素由于崩岸資料的匱乏,要同時獲得上述11種崩岸影響因素的實測資料非常困難,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測資料困難,為使問題簡化,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)生若干個隨機數(shù)作為岸坡土體的黏聚力,如此可以產(chǎn)生任意多個岸坡模型;(c)采用極限平衡法計算上述隨機產(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)學習的樣本.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個樣本,見表1,其中前20個樣本用于網(wǎng)絡(luò)的學習,后5個樣本用于網(wǎng)絡(luò)的檢驗.網(wǎng)絡(luò)的輸入神經(jīng)元取6個,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個神經(jīng)元;隱含層取13個神經(jīng)元,建立神經(jīng)網(wǎng)絡(luò)模型.對所建立的網(wǎng)絡(luò)進行學習,通過289次的學習,誤差小于0.001,可以認為網(wǎng)絡(luò)已滿足實際應用的要求.若需達到同樣的精度,采用附加動量法的梯度下降法,則需要學習8956次.樣本的參數(shù)與預測的結(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,用于預測的5個樣本,只有樣本23判斷錯誤,其余4個均判斷正確,正確率達80%.由此可見,采用神經(jīng)網(wǎng)絡(luò)方法預測崩岸是可行的.筆者曾采用較少的樣本進行訓練,預測余下的樣本,其判斷正確率較低;當訓練樣本較多時,預測精度提高.由此可見,用于訓練的樣本越多,BP人工神經(jīng)網(wǎng)絡(luò)的預測精度越能得到提高.3bp人工神經(jīng)網(wǎng)絡(luò)崩岸預測模型本文基于BP人工神經(jīng)網(wǎng)絡(luò)方法預測崩岸的基本思路,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)