论文翻译：BP神经网络模型在大坝变形监测中的研究

英文文献,有关BP神经网络在大坝安全监控中的研究

BP神经网络模型 在大坝变形监测中的研究

摘 要

在本文对大坝变形监测数据的分析中，改进过的BP神经网络模型主要用来针对限制传统的统计模型的方法。本文主要介绍了BP神经网络模型的结构和算法以及样本数据的归化。泰和水库大坝模型的应用表明，BP神经网络模型的精度优于统计模型。

关键词：大坝变形监测 BP神经网络模型 归化

一 引 言

为了准确地模拟和预报大坝安全监测，大坝原型观测上有效而实用的模型的建立是很重要的，尤其在大坝联合控制的安全运行和辅助决策的制定方面。目前在国内外有许多方法来模拟分析并预报大坝安全监测，例如统计模型、确定性模型和混合模型。由于复杂的影响因素，传统的数学原型观测不能完全描述大坝安全监测的非线性映射关系，并取得令人满意的结果。神经网络是由大量的简单计算处理单元（称为神经元）构成的，它们之间又通过复杂的大型非线性自适应系统进行连接。它是通过连续或间歇性输入状态反应来处理信息。有着高速和大规模并行处理，以及高维非线性动力学特征和高度容错性等特点，神经网络很适合处理非线性问题。这就是为什么它被越来越多广泛应用在许多专业领域。神经网络应用于大坝原型观测，克服了传统模式的局限性——基本观测线性和非线性方法，探索了新的建模和预报方法。

二 BP神经网络模型

BP神经网络（反向传播神经网络），也叫逆向传播神经网络，是最广泛使用的一种神经网络。BP神经网络是一种典型的多层次网络，包括输入层，隐层和输出能，它通常通过全联通的方法进行连接，每层的单元间没有相互连接。图1是一个典型的三层BP神经网络结构图。神经网络的基本处理单元（除输入层单元）是非线性输入输出的关系，因此可以采用S型函数f(x)

11 e

x

输入层

隐层

输出层

，它的输出值在一个连续的

图1：三层BP网络模型结构图

范围内。

英文文献,有关BP神经网络在大坝安全监控中的研究

BP模型实现了学习多层网络的理念。当给网络一个输入信号，它通过单位处理从输入层传输到隐层，然后传输到输出层。在输出层单元被处理后，它产生一个输出信号，这是一个循序渐进的更新过程，叫做预传播。如果输出响应和期望输出信号之间有一个偏差，则不能满足要求。为了传输层与层之间连接路径的偏差以及修改层之间的连接权，然后传输反向传播的偏差。我们不断用一组给定的训练模式来逐一训练网络，然后重复预传播的过程，直到所有的训练模式满足整个网络的需要。然后我们才认为BP神经网络已经学习完成并且满足需求。BP神经网络算法的流程在图2可以看到。

英文文献,有关BP神经网络在大坝安全监控中的研究

图2 ：BP算法流程图

英文文献,有关BP神经网络在大坝安全监控中的研究

三 案例研究

A．问题的说明

需要泰和水库大坝施工建设时期的渗流、应力、位移等参数，因此监测仪器必须设立在大坝、副坝、导流洞等其他主要建筑物上。基于导流洞钢筋计视准线观测，导流洞应力的变化和两个因素——温度和时间有着密切的联系。传统统计模型选择温度和时间作为可预报因子，并通过回归进行分析、计算。每个钢筋计的多元回归模型是： b0 b1T0 b2T3 b3T7 b4T10 b5T30 b6et/365 b7e t/365 。

在这个公式中， 是钢筋计的应力大小（兆帕），t是导流洞混凝土的浇筑时间，T0是日平均气温，T3是3天前的日平均气温，T7是7天前的日平均气温，T10是10天前的日平均气温，T30是30天前的日平均气温，b0、b1、b2、b3、b4、b5、b6、b7是回归系数。

多元线性回归只能是模拟的线性系统，这就是为什么混凝土龄期的数据必须进行预处理再回归分析。神经网络具有很强的不经过数据预处理就能进行非线性模拟的能力，因此观测数据可以直接用来训练网络。神经网络可以根据网络的权重进行预报。考虑到大坝原型观测数据很强的非线性特点，在本文BP神经网络被用来模拟和预报泰和水库大坝原型的观测中，结果和多元回归进行了比较。

B．常规BP网络训练

在泰和水库导流洞内选择一组观测点，并随机分为两个部分：162个训练样本用来网络学习和培训，40个预测样本通过输入预测样本到已经训练过的网络来计算预测偏差。每个样本包含7个数据，其中6个观测数据作为网络的输入，分别为：T0、T3、T7、T10、T30、t；钢筋计的应力 作为网络的输出。因此网络结构包括6个输入层单元，8个隐层单元和1个输出层单元。设置神经网络学习控制参数如下：学习因子η为0.00001，动量因子α为0.1，偏差控制为0.00001，迭代次数为500000。使用上述的样本来训练BP神经网络一般会得到以下结果：神经网络输出的平均误差是5.34，最大误差是9.53。反复调整网络的控制参数，结果并不令人满意。通过分析我们认识到网络单元使用的数据很不一致，通过隐层单元叠加后将有更大的偏差，这就是为什么样本数据必须要标准化。

C．训练样本的标准化

训练样本的标准化是把样本的值标准化在0.1到0.9的范围内，这是为了避免S型函数两个饱和区输出最大和最小，并减少培训时间。S型函数是

f(x)

11 e

x

。自变量和因变量都必须标准化。标准化公式如下：

inin

'

m m

a

mx

*0.8 0.1。

训练时，每个变量的最大值和最小值都会被保留。预报完成后，预报结果y'

一定要还原，还原公式是：y (y' 0.1)*(ymax ymin)/0.8 ymin。

英文文献,有关BP神经网络在大坝安全监控中的研究

神经网络参数设置如下：6个输入层单位，8个隐层单元和1个输出层单元，学习因子η为0.01，动量因子α为0.1，迭代次数为500000，网络输出的平均误差为0.035，最大误差为0.085。数据还原后最大误差为3.6。标准化后网络训练的结果有了显著的改善。

D．结果分析与比较

如上所述，具有相同结构和参数的BP神经网络，我们使用两套观测数据进行模拟和预报，然后使用多元回归模型对结果进行比较分析。表1显示了两种模型的相应的应力特征。

表1：BP神经网络和回归模型的结果比较

预报误差的比较由图5所示。

图4：预报结果比较

图3：模拟结果的比较

英文文献,有关BP神经网络在大坝安全监控中的研究

图5：预报误差的比较

两种模型的平均误差和最大误差非常接近，BP神经网络模型的预报能力略高于多元回归模型，从图标变化来看也都基本符合测量数据，两者的预报误差也有着相同的趋势。综上所述，BP神经网络和多元回归模型一样，能反映钢筋计的应力影响因子的变化趋势。和多元回归模型相比，BP神经网络能更好地模拟大坝原型观测。

四 结 论

1、从上述结果可以看出，BP神经网络模型和多元回归模型的模拟精度是基本相当的，而其预报精度略高于统计模型。BP神经网络模型已经适应了大坝系统复杂性和巨大性的特点，他是一个具有良好应用前景的数学模型。

2、实际上，多元线性回归模型是BP神经网络模型的一种简化形式。当隐层被去掉并且输出层的单元个数被设置成1时，一个三层BP网络可以转化为一个多元线性回归模型。

3、和多元线性回归模型相比，BP神经网络模型的预报因子不需要做线性预处理（如指数、对数等）以及样本观测数据的直接非线性映射。 …… 此处隐藏：1833字，全部文档内容请下载后查看。喜欢就下载吧 ……