1、- 1 - 土木工程测试技术结课论文 2010 年人工神经网络理论在岩土工程中的应用孟飞（岩土工程 10 级，学号：104811068，电话：15111138062）摘要：人工神经网络在近年来发展迅速，在土木工程、能源工程等传统工程领域得到了广泛的应用，并有效地解决了各个领域中原来难以解决或解决得不好的许多问题。在岩土工程中，由于岩土工程问题本身的复杂性，已知量与未知量之间具有很强的非线性关系，而这种非线性关系通过人工神经网络可以得到很好地映射。本文介绍了人工神经网络的发展历史，及其在国内岩土工程中应用的现状。关键词：人工神经网络；岩土工程Artificial Neural Networks
2、in Geotechnical EngineeringMENG Fei(Geotechnical Engineering 10, Student ID: 104811068, Tel: 15111138062)Abstract: After having been developed rapidly in recent years, Artificial Neural Networks was introduced into some traditional engineering field such as Civil Engineering and Energy Engineering.
3、Artificial Neural Networks showed great effectiveness in solve problems which cannot be solved or cannot be solved perfectly using traditional methods. In Geotechnical Engineering, due to the complexity of geotechnical problems, there is a strong nonlinear relationship between known and unknown quan
4、tity. But this non-linear relationship can be mapped well through Artificial Neural Networks. This paper describes the history of the development of Artificial Neural Networks, and its application in the domestic Geotechnical Engineering.Key words: Artificial Neural Networks; Geotechnical Engineerin
5、g人工神经网络（Artificial Neural Networks）是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果。其特色在于信息的分布式存储和并行协同处理，并具有良好的自适应性、容错性等特点。1 人工神经网络理论的发展历史 13人工神经网络的出现已有半个多世纪的历史。1943 年，心理学家 McCulloch 和数学家 Pi
6、ts 合作提出了形式神经元的数学模型，开创了对神经网络的理论研究；1944 年，Hebb 提出了改变神经元连接强度的 Hebb 规则；1957 年，Roscnblatt 首次引入感知器的概念，第一次从理论研究转入工程研究阶段，掀起了研究人工神经网络的高潮；1962 年，Widrow 提出了自适应元件，他们标志着人工智能网络系统研究的开始；但在 1969 年，Minsky 和Papert 对神经网络的发展作出了悲观的结论，同时由于计算机的飞速发展使人工智能取得了显著的成就，神经网络的研究陷入了低潮。1982 年美国加州工学院的物理学家 Hopfield提出了仿人脑的神经网络模型即著名的 Hopf
7、ield 模型，引入了“能量函数”的概念，给出了网络稳定性判据。它的电子电路实现为神经计算机的研究奠定了基础，同时开拓了神经网络用于联想记忆和优化计算的新途径。Hopfield 发表了一系列有关神经网络运用的文章，有力地推动了人工神经网络理论的研究。神经网络虽有一定的局限性，但神经网络能够解决一些用传统方法所难以处理的问题，人工神经网络的非线性映射、学习分类和实时优化等基本特性已成为一种重要的信息处理方式而普遍应用于各- 2 - 人工神经网络理论在岩土工程中的应用 2010 年个工程和学科的研究领域。目前神经网络研究方法已形成多个流派，最富有成果的研究工作包括：多层网络 BP 算法，Hopfi
8、eld 网络模型，自适应共振理论，自组织特征映射理论等。2 人工神经网络在土木工程中的应用自 80 年代末期起，人工神经网络开始在土木工程中得到应用，Flood 率先采用人工神经网络方法解决施工工序问题，随后研究范围逐渐扩大，如施工过程的模拟（Flood 1990） 、施工费用预算（Moselhi 1991） 、地震危害预测（Wong 1992） ，环境岩土工程问题（Basheer and Najjar 1996）等45。 Ghaboussi 等 6提出了一个 NANNs（Nested Adaptive Neural Networks）网络用以模拟砂土的应力应变关系；Ellis 7采用改进的
9、BP 网络模拟砂土的应力应变关系，该模型可以考虑应力历史和砂土粒径的影响，同时可以考虑卸载和加载的影响；Zhu 等 8用递归神经网络 RNN（Recurrent Neural Network）模拟残积土在加载过程中的硬化和软化现象，模拟应力控制和应变控制条件下的力学行为，并认为该模型可以模拟加载卸载再加载的过程；Teh9等采用 BP 网络预测单桩承载力； Kiefa 等 10采用回归神经网络 GTNNs 预测桩的承载力、桩侧摩阻力和桩端摩阻力。在国内土木工程界，较早从事神经网络在本学科应用研究工作的是石成钢和刘西拉，他们采用人工神经网络方法处理震中烈度与震级的关系 11，在网络的学习过程中，用
10、过滤法解决样本的冲突问题，计算结果具有较高的精度。许多学者也都已经意识到神经网络在岩土工程中将会得到广泛的应用，从 90 年代初到现在，神经网络不断地被应用到岩土工程的许多问题中去，并取得了许多成果。3 人工神经网络在边坡工程中的应用滑坡的孕育和发生是一个复杂的过程，受到诸多因素的影响。内在的因素主要有岩土介质的各向异性、岩土结构的高度非均匀性、地形地貌以及地应力的复杂性；外在的因素主要有地下水、降雨量、蒸发量、温度等因素的变化以及人类活动的影响等。这些内在、外在因素的相互耦合、相互作用，使滑坡系统成为一个复杂的非线性动力学系统。从这个意义上讲，研究与探索非线性滑坡预报的理论与方法具有积极的意
11、义的。目前，将人工神经网络应用于边坡工程已经有了许多成果。林鲁生，冯夏庭等 12，将人工神经网络理论应用于边坡滑移预测中。采用了典型的包含输入层、隐含层和输出层的三层前馈阶层 BP 网络（见图 1） ，各层间实行权连接。利用某重要供水工程高边坡多年来的变形观测资料以及该地区的蒸发，气温、降雨量等数据，在该边坡上选取比较有代表性的观测点作为建模预测代表点。根据该具体边坡特点，分别选取该地区时段内 24h、72h 最大降雨量、降雨总量、降雨总量与蒸发量之差及时段内平均温度 5个变量做为输入层参数，输出层有二个神经元，分别为时段内水平位移和垂直位移。经 20 万次的训练学习，模型达到 71%精确度。
12、图 1 三层 BP 网络结构示意图陈昌彦，王思敬等 13，将人工神经网络理论用于边坡岩体稳定性判别中，建立了人工神经网络预测模型。水电、冶金、公路等各类工程岩质边坡岩体稳定性统计表明，岩石强度特性、岩体结构、岩体风化作用和坡高是影响边坡岩体稳定性的基本因素，而水的作用、施工方式等构成了边坡岩体稳定性的诱发因素。根据上述各因素对边坡岩体稳定性的综合影响，将其归纳为 5 个复合指标，即边坡岩体质量系数、结构面方位、结构面力学特性、坡高及施工方式。图 2 边坡岩体稳定性评价的神经网络结构- 3 - 土木工程测试技术结课论文 2010 年模型以前述的 5 个复合指标为输入变量，采用BP 神经网络算法，
13、以边坡岩体稳定性系数和稳定状态为输出变量，对大量工程实例进行学习训练，然后用这个模型对训练网络进行测试。通过对神经网络预测的边坡岩体稳定状态与实际稳定性情况的综合对比分析表明，预测的边坡岩体稳定性系数的最大绝对误差小于 0.25，边坡岩体稳定状态预测的对判率为 90%以上。鉴于传统的利用有限元计算进行岩体力学参数反分析的工作量相当大，邓建辉，葛修润等 14将人工神经网络理论及遗传算法应用于边坡位移反分析中，以提高反分析计算工作的效率和可靠性。采用 BP 网络模拟有限元计算步骤如下：构造输入节点数为 n，输出节点数为 m 的 BP 网络，n 为待反演的参数个数，m 为监测位移数；构造网络训练样本
14、，其输入参数可以使用随机方法或正交设计的方法构造，输出参数取相应输入参数的有限元计算值；构造测试样本并测试建立的模型。经过遗传算法优化，3 个测试算例弹性模量反演结果的相对误差最大时为 4.8%。遗传算法克服了常规优化算法中计算结果与初值有关的问题。这一结论在三峡工程永久船闸边坡的位移反分析工作中得到了进一步证明。4 人工神经网络在基础工程中的应用目前，地基工程及基础工程中已有许多较为完善的计算理论及实用的计算方法，如分层总和法，有限单元法等，在地基沉降、基础变形方面都有相当广泛的应用。因此人工神经网络方法在地基及基础工程中的应用并不十分广泛。在桥梁工程和城市高层建筑中，桩基被广泛使用，桩基础
15、作为我国工程建设中重要的基础形式之一，从桩型到施工方法都朝着更新、更复杂的方向发展。但由于桩土作用关系非常复杂，关于桩基性状的各种理论解答还不能采用简便的表达式反映其复杂多变的机理，尤其是难于反映施工及环境因素对桩基性状的影响。因此，近年来在桩基工程方面，神经网络已在预测桩基极限承载力，单桩荷载位移关系及桩身完整性判断等方面得到初步的研究与应用。Lee 等人较早地进行了桩基竖向极限承载力的神经网络预测研究 15。1996 年，他们利用室内单桩模型试验结果，按桩的入土深度、模型箱内的土体应力和标贯击数等预测了模型桩的轴向承载力，预测误差多数在 15%以内。他们还利用现场 12 根桩建立网络预测模
16、型来对另外 12 根桩的极限承载力进行预测，其误差在 25%以内。这一结果明显高于按 Meyerhof 承载力公式计算结果的精度。王成华，赵志民 16将土层的物理力学指标和桩的几何因素引入到输入层。在输入元中，可处理桩的最大入土深度，将其以 1m 为单位划分为若干段，把每段土的各物理力学指标加权平均值设为输入元；当桩不足最大深度时，对桩长深度到可处理最大深度之间的各指标取 0 值，从而能更客观更全面地反映实际情况。文中还对 BP 网络模型结构进行了改进，即在输入层和隐含层之间增设一个过渡层（见图 3） ，进而可更真实地反映单桩竖向承载力发挥的过程。经检验，该模型预测误差小于 15%，预测精度较
17、高。图 3 有过渡层的 BP 神经网络结构王建华，林琼 17采用信息扩散方法对收集到的单桩试桩资料进行了分析，建立了以桩的长径比估算单桩在工作荷载下的沉降的 BP 型神经网络。利用该模型对上海地区 93 根混凝土预制打入桩的沉降进行了预测，并与桩沉降的实测值、弹性理论解答及三维有限元分析预测结果进行了对比分析，取得了较好的结果。在以沉降标准设计桩基承载力时，荷载沉降关系的预测显得尤为重要。1998 年，在第四届全国桩基工程技术会议上，刘兴远，郑颖人 18较详细地论述了单桩工作特性分析的神经网络模型体系框架，探讨了这些模型的若干 BP 型网络结构形式，指出了在建立单桩工作特性神经网络模型中可能遇
18、到的一系列具体问题。王成华，李武君 19提出了一个预估钻孔灌注桩在竖向荷载下位移的 BP 神经网络模型。该网络模型为两级网络，第 1 级网络采用文献 16所述的网络，而第 2 级网络以第 1 级网络的输入元和输出- 4 - 人工神经网络理论在岩土工程中的应用 2010 年元为输入元，以极限荷载下桩的沉降和工作荷载下桩的位移为输出元，并进一步推广到各级荷载下的沉降的输出元。该模型还建立了 DPFNN 网络结构（见图 4） ，即在神经网络结构的基础上建立输入层与输出层之间的直接联系。学习和检验结果表明，这种方法可以减少学习所需时间，并提高预测精度。图 4 DPFNN 的网络结构5 人工神经网络在地
19、下工程中的应用地下工程是被包围于地层介质中的一种结构物，它的设计和施工，因地质和施工条件的不同而变化，故不能按一般化的模式解决工程问题，多年来，人们为解决地下工程设计和施工问题采用了各种计算技术和分析手段，但地下工程的设计和施工始终带有一定的经验色彩。人们都希望寻求一种更有效的途径来解决这一问题。由于在地下工程中，要处理的信息量大，而且这些信息的模糊性、随机性也很大，因此神经网络将会成为地下工程的有效分析手段。目前神经网络在地表沉陷预测、围岩分类、地下工程灾害预测、隧道支护体系的稳定性判别等方面已经有了大量的应用成果。王穗辉，潘国荣 20将盾构推进后的地表沉降视为一非线性连续函数的离散时间序列
20、，选取盾构推进面前 20m 和推进面后 30m 范围为变形区，将浦东东方路至东昌路区间 1997 年 4 月 20 日1997年 6 月 10 日的 52 期观测资料组成 47 个实测资料，由此应用神经网络建立盾构推进与变形量的映射关系。与用 AR 模型以及指数平滑法的预测结果进行比较的结果表明：人工神经网络用于隧道内部及地表变形预测，效果优于其它方法。杨朝晖，刘浩吾 21利用 BP 算法建立了一个隧道围岩稳定性分类的人工神经网络模型。模型中将岩石质量指标 RQD、湿抗压强度 Rw、完整性系数Kn、结构面强度系数 Kf 和地下水渗水量 w/L 等 5种指标作为分类因素，对围岩采用了五级分类方法
21、。最后将该模型应用于漫湾水电站 2 号导流隧洞围岩稳定性分类，得出了与模糊数学方法和灰色优化理论模型一致的分类结果。与模糊数学方法和灰色优化理论模型相比，神经网络模型的分辨率有较大提高，更具有工程实用价值。陈海军，郦能惠 22利用附加动量法和自适应学习速率法改进 BP 算法，建立了岩爆预测的神经网络模型，对岩爆的发生及其烈度进行预测。模型中选取抗压强度 、抗拉强度 、弹性能量指数ct和切向应力 作为判别指标，输出层取 2 个etW二值型神经元，以表示岩爆烈度分级，然后对 13个实例进行网格训练。最后利用该模型对国内外五个地下工程进行了岩爆预测，得出了与实际情况完全一致的结果，为岩爆预测提供了一
22、条新的有效的方法。图 5 岩爆预测网络模型结构图周建春，魏琴 23采用 BP 神经网络进行公路隧道围岩力学参数的反演分析。其过程为：先进行正演问题的求解，得到反映隧道工程结构系统输入和输出关系的样本；采用 BP 神经网络对上述样本进行学习训练，在一定收敛条件下得到相应的权值矩阵和阈值向量；最后采用训练后的 BP 神经网络，对实测位移、应力、应变等进行网络仿真，得到隧道围岩力学参数。通过对未参与训练的两个样本进行的反演分析，证实采用 BP 网络反演隧道围岩力学参数，效果令人满意。6 结语人工神经网络在岩土工程中的应用已经越来越广泛，所渗透的领域也越来越多，这在一定程度上说明了应用神经网络方法解决
23、复杂的岩土工程问题- 5 - 土木工程测试技术结课论文 2010 年的有效性；神经网络方法和有限元法、位移反分析法等多种方法的比较显现出了神经网络方法所具有的传统数值计算方法没有的优点。由于岩土工程问题的复杂性，在已知量和所求量之间往往存在着一种很强的非线性关系，而神经网络正是具备高度的非线性映射能力。可以相信，神经网络在岩土工程中的应用是非常有潜力的，必定会有越来越多的岩土工程师采用神经网络方法来解决岩土工程领域的各种问题。参考文献：1 袁曾任. 人工神经元网络及其应用M. 北京: 清华大学出版社, 1999.2 张立明. 人工神经网络的模型及其应用M. 上海: 复旦大学出版社, 1993.
24、3 Rumelhart D E, Hinton G E, Williams R J. Learning representation by back-propagation errors J. Nature, 1986. 323(9): 533536.4 Ian Flood, Nabil Katram. Neural networks in civil engineering J. Civil Engineering, 1994, 8(2): 131148.5 李庆来. 深基开挖变形预测及信息施工D. 杭州: 浙江大学, 1997.6 Ghaboussi J, Sidatra D E. New
25、 method of material modeling using neural networks J. Numerical models in Geomechanics, 1997, 393400.7 Ellis G W, Yao C, Zhao R, Penumadu D. Stress-strain modeling of sands using artificial neural networks J. Geotechnical Engineering, 1995, 121(5): 429435.8 Zhu J H, Zaman M M, Anderson S A. Modeling
26、 of soil behavior with a recurrent neural network J. Canada Geotechnic, 1998, 35: 858872.9 Teh C I, Wong K S, Goh A T C. Prediction of pile capacity using neural networks J. Civil Engineering, 1997, 11 (2): 129138.10 Kiefa M A A. General regression neural networks for drivenpiles in cohesionless soi
27、ls J. Geotechnical Engineering, 1998, 124(12): 11771185.11 石成钢, 刘西拉. 人工神经网络在震害预测中的应用J. 地震工程与工程振动, 1991, 11(2): 3947.12 林鲁生, 冯夏庭, 白世伟, 刘祖德. 人工神经网络在边坡滑移预测中的应用J. 岩土力学, 2002, 23(4): 508510.13 陈昌彦, 王思敬, 沈小克. 边坡岩体稳定性的人工神经网络预测模型J. 岩土工程学报, 2001, 23(2): 157161.14 邓建辉, 李焯芬, 葛修润. BP 网络和遗传算法在岩石边坡位移反分析中的应用J.岩石力学
28、与工程学报, 2001, 20(1): 15.15 Lee I M, Lee J H. Prediction of pile bearing capacity using artificial neural networks J. Computers and Geotechnics, 1996, 18(3): 189199.16 王成华, 赵志民. 用神经网络法预测单桩竖向极限承载力J. 福建建筑, 1999, (1): 4043.17 王建华, 林琼. 单桩沉降预估新方法 神经网络法A. 刘金砺主编. 桩基工程设计与施工技术C. 北京: 中国建材工业出版社, 1994, 6369.18 刘兴
29、远, 郑颖人. 单桩工作特性分析的神经网络模型体系框架A. 刘金砺主编. 高层建筑桩基工程技术C. 北京: 中国建材工业出版社, 1996. 1218.19 李武君. 单桩荷载沉降性状的神经网络与灰色模型预测研究D. 天津: 天津大学, 2000.20 王穗辉, 潘国荣. 人工神经网络在隧道地表变形预测中的应用J. 同济大学学报, 2001, 29(10): 11471151.21 杨朝晖, 刘浩吾. 地下工程围岩稳定性分类的人工神经网络模型J.四川大学学报, 1999, 3(4): 6672.22 陈海军, 郦能惠. 岩爆预测的人工神经网络模型J. 岩土工程学报, 2002, 24(2): 229232.23 周建春, 魏琴. 采用 BP 神经网络反演隧道围岩力学参数J. 岩石力学与工程学报, 2004, 23(6): 941945.
