论文部分内容阅读
【摘要】首先介绍神经网络基本概念，通过建立的改进的 BP 神经网络模型，整体考虑影响大坝变形的影响因子，对大坝位移挠度预测系统的观测数据进行分析，结果能够实现对大坝变形预测数据的预报，显示出较好的拟合和预报结果。
【关键词】BP神经网络；大坝变形监测；预测
1 引言
人类社会的进步和国民经济的发展，加快了工程建设的进程，并且对现代工程建筑物的规模、造型、难度提出了更高的要求。与此同时，变形监测的意义更加重要。变形分析及变形趋势预测问题，不仅在工程建设及保障人民生命财产安全方面具有重要意义，就单纯从技术理论的角度而言，也是一个复杂的系统工程。随着变形监测技术的更新及工程实际的需要，如何引用先进的数学理论和分析方法来深入地了解变形的非线性、复杂性，是目前变形监测分析研究的重点。
近年来，在变形观测数据处理和分析方面，人工神经网络的应用研究也逐步展开。在安全监测数据处理、信息分析、评价等方面，由于各种因素之间的非线性、复杂性和不确定性，数据处理有一定的困难，传统数据处理方法存在许多弊端。人工神经网络具有高速性、大规模并行处理的高效性、高度的容错性和稳健性、高维的非线性动态特性，适用于复杂的非线性问题的研究。
2大坝变形监测的BP神经网络模型
2.1 BP人工神经网络原理
在多种多样的前馈神经网络结构中，误差反向传播（Error Back Propagation）神经网络，简称BP神经网络，是实现映射变换的前馈型网络中最常使用的一类网络，也是人们研究最多，认识最清楚的一类网络。BP算法属于占算法，是一种监督式的学习算法。其基本思想是通过调节网络的权值和阈值使网络输出层的误差平方和达到最小，也就是使输出值尽可能的接近期望值。从结构上讲，三层BP网络是一个典型的前馈层次网络，它被分为输入层IL（Input Layer）、隐含层HL（Hiden Layer）和输出层OL（Output Layer）。同层节点间无关联，异层神经元前向连接，其中，IL层含r个节点，对应于BP网络可感知的r个输入；OL层含有n个节点，与BP网络的n种输出响应相对应；HL层节点数目m可根据需要设置。
2.1模型输入节点的选取
基于人工神经网络的大坝位移预测，就是应用大量的测量值作为输入输出样本，对网络进行训练，通过调整权值，使系统输出逼近实际输出样本，神经网络达到模拟一个真实力学系统的程度。
大坝变形分析BP网络模型的输入输出节点的选择：
大坝在水压、温度等荷载作用下产生位移 。因此，按其成因，大坝位移可分为水压分量 、温度分量 以及由于混凝土的徐变和基岩流变引起的时效分量 。即：
（1）
（1） 水压分量
水压分量描述的是水压荷载作用下效应量的弹性或可恢复变化部分。在线弹性范围内，在水压荷载作用下坝体任一点的位移由坝体本身位移、坝基位移和库盘变形引起的位移等三部分组成。
根据工程力学的推导可知：重力坝水压分量与水头 、 、 呈比例关系；对拱坝，水压分量与从 、 、 、 、 呈比例关系。因而，其表达式可写为：
（2）
式中， 为系数， 为观测日水深， 为初始日水深。
（2） 温度分量
由于气温一般呈年周期变化，使得坝体上下游混凝土温度的变化不一致。在夏季，坝下游混凝土由于太阳暴晒，其温度高于气温，但在坝的上游面，大部分混凝土浸在水面之下，其温度将低于气温，这样就使得坝体向上倾斜，而在冬季，情况恰好相反。通常，如只有气温资料，大坝的温度场取决于上下游面的水温和气温变化，并与之呈线性关系，同时，应考虑到坝体温度相对于水温和气温的滞后性，可采用前期气温模拟坝体混凝体温度对坝体位移的影响，即用气温观测值作为因子，则温度分量的一般表达式为：
（3）
式中： 为系数， 为观测日前 天的平均气温或水温，通常可以取观测日当天、前5天、前15天、前30天、前60天、前90天、前120天的平均气温或水温。
（3） 时效分量
时效分量描述的是水位、温度荷载以外的诸因素所引起的因变量随时间演进的变化部分。其影响因素在三个分量中是最为复杂的，它综合反映了坝体混凝土和基岩的徐变、塑性变形以及基岩地质构造的压缩变形，同时还包括坝体裂缝引起的不可逆变形以及自身体积变形。
一般正常运行的大坝，时效位移的变化规律为初期变化急剧，后期渐趋稳定。传统时效分量的因子都可归结为单个自变量（时间）的函数。其时效位移的数学模式为：
（4）
式中： 、 为系数， 为观测日至始观测日的累计天数除以100。
根据以上分析，若示大坝为一个输入输出系统，则在一定条件下存在下述关系： （5）
而大坝变形的BP网络模型的输出节点就是大坝的变形量。
3 大坝变形监测实例分析
以某大坝坝段1996 年和1997 年的挠度观测资料作为分析对象，输入向量由大坝上下游水位差因子 ， 时效因子 （ 为观测日至基准日的累计天数除以100） ，温度因子 、 、 、 、 （分别为当天、前5 天、前10 天、前30 天、前60 天当地平均气温） 共7 个因子组成。
该网络模型的输入层节点共有7 个. 的数据分成2部分，以 1997 年6 月11 日至12 月10 日的数据作为检验样本，其余作为拟合样本。
4 结论
利用BP网络模型方法可以对多个变量的系统进行有效的分析，它不需要建立确定的数学模型，而是通过学习训练将函数关系隐藏在网络结构中，以形成函数映射结构。
用BP网络对诸如大坝变形监测数据进行分析，其拟合精度与预报精度都满足实际应用的要求。在替代传统的数据处理方法建立起的变形模型领域，BP 神经网络还是有比较重要的意义的。
对BP网络的输入因子，本文仅简单的从水位、温度和时效三个方面考虑，对大坝形变的物理因素并未考虑.在实际应用中，还有其它方面资料，例如坝体、坝基的材料特性参数等，因此可以将这些参数也做为输入因子。综合考虑各种主要形变因子建立的BP网络模型将具有更好的拟合和预报精度。
参考文献
[1] 胡伍生.神经网络理论及其工程应用[M]，北京：测绘出版社，2005
[2] 岳建平，田林亚. 变形监测技术与应用[M].北京：国防工业出版社，2007
[3] 高玮，郑颖人. 岩土工程位移预测神经网络建模的几个问题[J].. 地下空间，2001 ，21 （5） ：30-31.
作者简介：孔岩（1977，08），男，学士，工程师，研究方向：精密工程测量；苏州市城市建筑设计院有限责任公司。
【关键词】BP神经网络；大坝变形监测；预测
1 引言
人类社会的进步和国民经济的发展，加快了工程建设的进程，并且对现代工程建筑物的规模、造型、难度提出了更高的要求。与此同时，变形监测的意义更加重要。变形分析及变形趋势预测问题，不仅在工程建设及保障人民生命财产安全方面具有重要意义，就单纯从技术理论的角度而言，也是一个复杂的系统工程。随着变形监测技术的更新及工程实际的需要，如何引用先进的数学理论和分析方法来深入地了解变形的非线性、复杂性，是目前变形监测分析研究的重点。
近年来，在变形观测数据处理和分析方面，人工神经网络的应用研究也逐步展开。在安全监测数据处理、信息分析、评价等方面，由于各种因素之间的非线性、复杂性和不确定性，数据处理有一定的困难，传统数据处理方法存在许多弊端。人工神经网络具有高速性、大规模并行处理的高效性、高度的容错性和稳健性、高维的非线性动态特性，适用于复杂的非线性问题的研究。
2大坝变形监测的BP神经网络模型
2.1 BP人工神经网络原理
在多种多样的前馈神经网络结构中，误差反向传播（Error Back Propagation）神经网络，简称BP神经网络，是实现映射变换的前馈型网络中最常使用的一类网络，也是人们研究最多，认识最清楚的一类网络。BP算法属于占算法，是一种监督式的学习算法。其基本思想是通过调节网络的权值和阈值使网络输出层的误差平方和达到最小，也就是使输出值尽可能的接近期望值。从结构上讲，三层BP网络是一个典型的前馈层次网络，它被分为输入层IL（Input Layer）、隐含层HL（Hiden Layer）和输出层OL（Output Layer）。同层节点间无关联，异层神经元前向连接，其中，IL层含r个节点，对应于BP网络可感知的r个输入；OL层含有n个节点，与BP网络的n种输出响应相对应；HL层节点数目m可根据需要设置。
2.1模型输入节点的选取
基于人工神经网络的大坝位移预测，就是应用大量的测量值作为输入输出样本，对网络进行训练，通过调整权值，使系统输出逼近实际输出样本，神经网络达到模拟一个真实力学系统的程度。
大坝变形分析BP网络模型的输入输出节点的选择：
大坝在水压、温度等荷载作用下产生位移 。因此，按其成因，大坝位移可分为水压分量 、温度分量 以及由于混凝土的徐变和基岩流变引起的时效分量 。即：
（1）
（1） 水压分量
水压分量描述的是水压荷载作用下效应量的弹性或可恢复变化部分。在线弹性范围内，在水压荷载作用下坝体任一点的位移由坝体本身位移、坝基位移和库盘变形引起的位移等三部分组成。
根据工程力学的推导可知：重力坝水压分量与水头 、 、 呈比例关系；对拱坝，水压分量与从 、 、 、 、 呈比例关系。因而，其表达式可写为：
（2）
式中， 为系数， 为观测日水深， 为初始日水深。
（2） 温度分量
由于气温一般呈年周期变化，使得坝体上下游混凝土温度的变化不一致。在夏季，坝下游混凝土由于太阳暴晒，其温度高于气温，但在坝的上游面，大部分混凝土浸在水面之下，其温度将低于气温，这样就使得坝体向上倾斜，而在冬季，情况恰好相反。通常，如只有气温资料，大坝的温度场取决于上下游面的水温和气温变化，并与之呈线性关系，同时，应考虑到坝体温度相对于水温和气温的滞后性，可采用前期气温模拟坝体混凝体温度对坝体位移的影响，即用气温观测值作为因子，则温度分量的一般表达式为：
（3）
式中： 为系数， 为观测日前 天的平均气温或水温，通常可以取观测日当天、前5天、前15天、前30天、前60天、前90天、前120天的平均气温或水温。
（3） 时效分量
时效分量描述的是水位、温度荷载以外的诸因素所引起的因变量随时间演进的变化部分。其影响因素在三个分量中是最为复杂的，它综合反映了坝体混凝土和基岩的徐变、塑性变形以及基岩地质构造的压缩变形，同时还包括坝体裂缝引起的不可逆变形以及自身体积变形。
一般正常运行的大坝，时效位移的变化规律为初期变化急剧，后期渐趋稳定。传统时效分量的因子都可归结为单个自变量（时间）的函数。其时效位移的数学模式为：
（4）
式中： 、 为系数， 为观测日至始观测日的累计天数除以100。
根据以上分析，若示大坝为一个输入输出系统，则在一定条件下存在下述关系： （5）
而大坝变形的BP网络模型的输出节点就是大坝的变形量。
3 大坝变形监测实例分析
以某大坝坝段1996 年和1997 年的挠度观测资料作为分析对象，输入向量由大坝上下游水位差因子 ， 时效因子 （ 为观测日至基准日的累计天数除以100） ，温度因子 、 、 、 、 （分别为当天、前5 天、前10 天、前30 天、前60 天当地平均气温） 共7 个因子组成。
该网络模型的输入层节点共有7 个. 的数据分成2部分，以 1997 年6 月11 日至12 月10 日的数据作为检验样本，其余作为拟合样本。
4 结论
利用BP网络模型方法可以对多个变量的系统进行有效的分析，它不需要建立确定的数学模型，而是通过学习训练将函数关系隐藏在网络结构中，以形成函数映射结构。
用BP网络对诸如大坝变形监测数据进行分析，其拟合精度与预报精度都满足实际应用的要求。在替代传统的数据处理方法建立起的变形模型领域，BP 神经网络还是有比较重要的意义的。
对BP网络的输入因子，本文仅简单的从水位、温度和时效三个方面考虑，对大坝形变的物理因素并未考虑.在实际应用中，还有其它方面资料，例如坝体、坝基的材料特性参数等，因此可以将这些参数也做为输入因子。综合考虑各种主要形变因子建立的BP网络模型将具有更好的拟合和预报精度。
参考文献
[1] 胡伍生.神经网络理论及其工程应用[M]，北京：测绘出版社，2005
[2] 岳建平，田林亚. 变形监测技术与应用[M].北京：国防工业出版社，2007
[3] 高玮，郑颖人. 岩土工程位移预测神经网络建模的几个问题[J].. 地下空间，2001 ，21 （5） ：30-31.
作者简介：孔岩（1977，08），男，学士，工程师，研究方向：精密工程测量；苏州市城市建筑设计院有限责任公司。