導(dǎo)語(yǔ)：人工神經(jīng)網(wǎng)絡(luò)研究管理論文一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

人工神經(jīng)網(wǎng)絡(luò)理論（ArtificalNeuralNetworkstheory,ANN）是80年代中后期在世界范圍內(nèi)迅速發(fā)展起來的一個(gè)前沿研究領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)是一種有自組織、自學(xué)習(xí)能力的網(wǎng)絡(luò)系統(tǒng)，它的應(yīng)用對(duì)各門學(xué)科都產(chǎn)生了重要的影響。目前，ANN理論的研究取得了令人矚目的進(jìn)展。由于其具有非線性、高維性、大規(guī)模并行處理、信息的分布或儲(chǔ)存、聯(lián)想、記憶和容錯(cuò)等特征，在預(yù)測(cè)具有高復(fù)雜程度的非線性時(shí)間序列問題方面明顯優(yōu)于傳統(tǒng)預(yù)測(cè)方法。

水工隧洞一般都有過水要求，加上其復(fù)雜的地質(zhì)條件，因此正確的進(jìn)行圍巖分類后采取相應(yīng)的支護(hù)措施將對(duì)保證隧洞穩(wěn)定性起決定性的作用。圍巖分類是一類非線性的綜合判定問題，用人工神經(jīng)網(wǎng)絡(luò)方法來判別水工隧洞圍巖類別是一種新的嘗試和新的方法。

1．圍巖分類的判定依據(jù)

水工隧洞圍巖工程地質(zhì)分類應(yīng)以控制圍巖穩(wěn)定的巖石強(qiáng)度、巖體完整程度、張開度、地下水力狀態(tài)和主要結(jié)構(gòu)面產(chǎn)狀等五項(xiàng)因素綜合評(píng)分為依據(jù)，圍巖強(qiáng)度應(yīng)力比為限定依據(jù)，見表1。

表1圍巖工程地質(zhì)分類依據(jù)

指標(biāo)名稱評(píng)價(jià)因素

巖石強(qiáng)度（A1）采用巖塊的單軸抗壓強(qiáng)度（MPa）

巖體完整程度（A2）采用完整性系數(shù)Kv

張開度（A3）考慮結(jié)構(gòu)面的連續(xù)性、粗糙度和充填物

地下水狀態(tài)（A4）考慮地下水的發(fā)育程度，用單位洞長(zhǎng)單位時(shí)間的涌水量

主要結(jié)構(gòu)面產(chǎn)狀（A5）采用結(jié)構(gòu)面走向與洞軸線的夾角

以上五個(gè)因素是控制圍巖穩(wěn)定性的主要因素，圍巖的分類標(biāo)準(zhǔn)見表2。

表2圍巖工程地質(zhì)分類標(biāo)準(zhǔn)

評(píng)價(jià)因素圍巖類別

Ⅰ（穩(wěn)定）Ⅱ（基本穩(wěn)定）Ⅲ（局部穩(wěn)定性差）Ⅳ（不穩(wěn)定）Ⅴ（極不穩(wěn)定）

A1（MPa）>200100~20050~10025~50<25

A20.9~1.00.75~0.90.5~0.750.25~0.5<0.25

A3（mm）<0.50.5~11~33~5>5

A4(L/min·10m)<2525~5050~100100~125>125

A5(o)90~7575~6060~4545~30<30

2.水工隧洞圍巖分類的人工神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)系統(tǒng)是由大量的、簡(jiǎn)單的處理單元廣泛的互相連接而形成的復(fù)雜的網(wǎng)絡(luò)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)模型最基本的有兩大類：一類是以Hopfield網(wǎng)絡(luò)模型為代表的反饋型模型，它具有非線性和動(dòng)態(tài)性；另一類是以多層感知器為基礎(chǔ)的前饋模型。其中BP(BackPropagation)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的多層前饋神經(jīng)網(wǎng)絡(luò)模型。本文采用BP網(wǎng)絡(luò)模型。

2．1BP神經(jīng)網(wǎng)絡(luò)模型及其算法

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層三層感知器組成，每層由若干個(gè)神經(jīng)元組成。輸入層接受信息，傳入到隱含層，經(jīng)過作用函數(shù)后，再把隱結(jié)點(diǎn)的輸出信號(hào)傳到輸出層輸出結(jié)果。節(jié)點(diǎn)的作用函數(shù)選用Sigmoid函數(shù)，即：

（1）

BP神經(jīng)網(wǎng)絡(luò)采用誤差逆?zhèn)鞑シ磳W(xué)習(xí)算法。學(xué)習(xí)過程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信號(hào)由輸入層經(jīng)隱含層處理后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層得不到一個(gè)期望的輸出，則轉(zhuǎn)向反傳播，將輸出信號(hào)的誤差按原來的連接通路返回，通過修改各層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小，得到合適的網(wǎng)絡(luò)連接權(quán)后，便可對(duì)新的樣本進(jìn)行識(shí)別。BP網(wǎng)絡(luò)學(xué)習(xí)過程具體步驟如下：

（1）初始化，設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)，賦初始權(quán)值；

（2）為網(wǎng)絡(luò)提供一組學(xué)習(xí)樣本，包括M個(gè)樣本對(duì)（），輸入向量，輸出向量，n、m分別為輸入層和輸出層神經(jīng)元個(gè)數(shù)，；

（3）對(duì)每個(gè)學(xué)習(xí)樣本P進(jìn)行（4）~（8）；

（4）逐層正向計(jì)算網(wǎng)絡(luò)各節(jié)點(diǎn)的實(shí)際輸出：

(2)

其中，為神經(jīng)元i、j之間的權(quán)值；為前層第i個(gè)神經(jīng)元的實(shí)際輸出，為式（1）給出的函數(shù)；

（5）計(jì)算網(wǎng)絡(luò)輸出誤差：

第P個(gè)樣本的輸出誤差為(3)

其中，，分別為輸出層第j個(gè)神經(jīng)元的期望輸出和實(shí)際輸出。

網(wǎng)絡(luò)總誤差為；(4)

（6）當(dāng)E小于允許誤差或達(dá)到指定迭代次數(shù)時(shí)，學(xué)習(xí)過程結(jié)束，否則進(jìn)行誤差逆向傳播，轉(zhuǎn)向（7）；

（7）逆向逐層計(jì)算網(wǎng)絡(luò)各節(jié)點(diǎn)誤差：

對(duì)于輸出層，(5)

對(duì)于隱含層，(6)

其中代表后層第個(gè)神經(jīng)元。

（8）修正網(wǎng)絡(luò)連接權(quán)：，其中為學(xué)習(xí)次數(shù)，為學(xué)習(xí)因子，值越大，產(chǎn)生的振蕩越大。通常在權(quán)值修正公式中加入一個(gè)勢(shì)態(tài)項(xiàng)，變成：

(7)

其中，a稱為勢(shì)態(tài)因子，它決定上次學(xué)習(xí)的權(quán)值變化對(duì)本次權(quán)值更新的影響程度。

2．2圍巖分類的BP模型

在以表2中數(shù)據(jù)為基礎(chǔ)進(jìn)行網(wǎng)絡(luò)訓(xùn)練前，須對(duì)表中指標(biāo)作如下處理：Ⅰ、Ⅴ類對(duì)應(yīng)的指標(biāo)取其界限值或平均值；Ⅱ、Ⅲ、Ⅳ類對(duì)應(yīng)的指標(biāo)取其平均值。作上述處理后，可以得到網(wǎng)絡(luò)訓(xùn)練模型的5個(gè)學(xué)習(xí)樣本，如表3。

表3圍巖類別識(shí)別模型的學(xué)習(xí)樣本

類別樣本類別A1A2A3A4A5

P1Ⅰ2000.950.52582.5

P2Ⅱ1500.8250.7537.567.5

P3Ⅲ750.62527552.5

P4Ⅳ37.50.3754112.537.5

P5Ⅴ250.25512530

以上表中5個(gè)類別樣本作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本，在輸入層和隱含層各設(shè)置一個(gè)特殊單元作為閾值單元，其值設(shè)為1。模型結(jié)構(gòu)如下圖1所示。

圖1圍巖類別分類的BP網(wǎng)絡(luò)模型

設(shè)圍巖類別為P1、P2、P3、P4、P5這5個(gè)類別樣本的預(yù)期輸出矢量，各分量定義為

網(wǎng)絡(luò)訓(xùn)練時(shí)，當(dāng)所有樣本在網(wǎng)絡(luò)輸出節(jié)點(diǎn)的實(shí)際輸出與網(wǎng)絡(luò)期望輸出之間的最大誤差小于預(yù)先給定的常數(shù)，即時(shí)學(xué)習(xí)結(jié)束。

網(wǎng)絡(luò)經(jīng)過15000次訓(xùn)練，每個(gè)樣本的網(wǎng)絡(luò)輸出與期望輸出最大誤差為0.2，絕大部分在0.1之內(nèi)。應(yīng)用訓(xùn)練后的BP模型劃分新的圍巖類別樣本，等判定圍巖類別樣本W(wǎng)經(jīng)網(wǎng)絡(luò)變換后輸出O與各期望輸出比較，設(shè)，。

如果，則，，即隧洞圍巖類別樣本屬于級(jí)。

3．沙灣隧洞的圍巖分類應(yīng)用實(shí)例

東深供水改造工程沙灣隧洞位于深圳市北東面內(nèi)15公理處，區(qū)域地勢(shì)東高西低。工程區(qū)域周圍沉積巖、巖漿巖和變質(zhì)巖三大巖類均有出露。隧洞線路地帶分布的地層，除洞口溝谷部位為第四系松散堆積層外，其余均為侏羅系中統(tǒng)塘夏群碎屑巖，基本為單斜構(gòu)造，但末端因受深圳斷裂帶影響，巖層產(chǎn)狀較為紊亂，地質(zhì)條件復(fù)雜多變。

隧洞開挖后，測(cè)得三種圍巖地段的力學(xué)性質(zhì)和環(huán)境條件，取三個(gè)樣本為a、b、c。用BP人工神經(jīng)網(wǎng)絡(luò)判定該工程隧洞圍巖類別。

根據(jù)水利水電工程地質(zhì)勘察規(guī)范，隧洞圍巖類別分為5級(jí)：Ⅰ（穩(wěn)定）、Ⅱ（基本穩(wěn)定）、Ⅲ（局部穩(wěn)定性差）、Ⅳ（不穩(wěn)定）、Ⅴ（極不穩(wěn)定）。對(duì)照學(xué)習(xí)樣本各特征變量，用訓(xùn)練好的BP模型對(duì)a、b、c三個(gè)樣本進(jìn)行判定，其結(jié)果見表4。

表4沙灣隧洞三組樣本實(shí)測(cè)指標(biāo)與圍巖類別判定結(jié)果

指標(biāo)名稱實(shí)測(cè)指標(biāo)值

abc

巖石強(qiáng)度（A1）2845100

巖體完整程度（A2）0.220.50.55

張開度（A3）341

地下水狀態(tài)（A4）1208025

主要結(jié)構(gòu)面產(chǎn)狀（A5）305060

圍巖類別判定結(jié)果ⅤⅣⅢ

4．結(jié)論

水工隧洞圍巖類別判定，不僅影響因素多，而且具有很大的模糊性和不確定性。人工神經(jīng)網(wǎng)絡(luò)是一門新興的交叉學(xué)科，它具有聯(lián)想、記憶功能和判別識(shí)別的模糊性等優(yōu)點(diǎn)，用它來進(jìn)行圍巖類別分類，不需對(duì)輸入輸出指標(biāo)的關(guān)系作任何假設(shè)，這種關(guān)系是神經(jīng)網(wǎng)絡(luò)從實(shí)例中自適應(yīng)學(xué)習(xí)而獲得的，大大減少了人為因素的影響，省去了事后的經(jīng)驗(yàn)判斷。實(shí)踐證明，它在理論和應(yīng)用上都是可行的和有實(shí)際意義的。

參考文獻(xiàn)

[1]胡宗仁.神經(jīng)網(wǎng)絡(luò)導(dǎo)論.長(zhǎng)沙：國(guó)防科技出版社，1992.

[2]王如云.人工神經(jīng)網(wǎng)絡(luò)原理.南京：河海大學(xué)出版社.