人工神经网络技术及其在岩土工程领域的应用

来源：赴品旅游

应用技术AppliedTechnology文章编号院1674-9146渊圆园21冤03原园62原园3

人工神经网络技术及其在岩土工程领域的应用张杨杨1袁隋天雨1袁裴

俊1袁崔敏睿1袁李奕臻2渊1.中国矿业大学袁江苏徐州221116曰2.中国石油大学渊北京冤克拉玛依校区袁克拉玛依834000冤摘要院针对人工神经网络渊ANN冤这个人工智能渊AI冤中的重要分支进行研究袁本文介绍了应用最广泛的反向传播渊述B了P冤A神NN经网络在岩土尧工径程向领基域函的数应渊用RBF袁冤包括神经网络以基坑变形沉及降与的深预度测学尧习隧密切道裂相缝关的的识卷别积神检测经网络等袁指渊出人工CNN冤的基神经网络技本理论袁术具在体岩阐土工程领域的应用对中国AI的发展具有重要意义遥关键词院神经网络曰反向传播曰径向基函数曰卷积神经网络曰岩土工程曰基坑曰隧道中图分类号院TP183曰TU4曰P2曰TU196曰U45文献标志码院ADOI院10.3969/j.issn.1674-9146.2021.03.062实现人工智能渊ArtificialIntelligence袁AI冤是经网络模型的拓扑结构示意图遥

人类长期以来共同追求的目标[1]输入层隐含层输出层来袁人工智能领域持续升温[2]遥特别是21世纪以xi

分支袁人工神经网络渊Art遥ifici作al为NAeurI的al一Net个w重or要k袁ANN冤是基于模仿生物大脑的结构和功能而构成的左左左一种信息处理系统袁可以代替人脑有效地处理一些复杂问题袁从而推动AI的发展遥ANN是由大量处图1

BP神经网络模型的拓扑结构示意图

理单元即神经元互连而成的网络袁也常简称为神经该神经网络的原理是先通过激活函数袁结合阈网络或类神经网络[3]值修正的线性加权和将各层连接起来曰再根据所给本文首先介绍了反遥

向传播渊BackPropagation袁的训练样本输入向量和输出向量袁不断学习并调整BP冤与径向基函数渊RadialBasisFunction袁RBF冤神经元之间的连接权值与阈值袁使网络不断逼近样两种发展较成熟尧应用较广的ANN模型理论曰其本输入向量和输出向量之间的映射关系遥其训练过次介绍了与机器学习尧深度学习有关的卷积神经网程实质上是信息正向传播与根据误差逆向修正权值络渊ConvolutionalNeuralNetworks袁CNN冤相关的和阈值的过程遥

ANN模型理论曰再次介绍了ANN在岩土工程领域网络的设计过程无非是数据的输入与输出及反的应用袁包括预测与监控等曰最后给出对ANN的馈修正参数遥输入的数据常为对系统模型关键影响总结与展望遥

的自变量袁在输入前通常要进行标准化处理和归一1BP与RBF神经网络模型化处理遥

1.1BP神经网络原理与设计过程

各层之间数据输入与输出的过程以第i个神经BP神经网络是最传统的神经网络袁也是目前元为例袁说明数据输入与输出的具体步骤遥设x1应用最广泛的神经网络遥其模型的拓扑结构包括输x为神经元的输入袁棕应袁2入层尧隐含层和输出层遥相邻层之间各神经元全连连袁接噎袁权值xi1袁兹袁棕2袁噎袁棕i为对i为阈值袁y=f渊x冤为激活函数渊常采接袁而同一层各神经元之间无连接[4]遥图1为BP神

用sigmod()函数冤遥则该神经元的输出表达式为

收稿日期院圆园20原09原08曰修回日期院圆园20原09原20

作者简介院张杨杨渊2000要冤袁男袁山东菏泽人袁在读本科袁主要从事岩土工程尧人工智能应用等研究袁E-mail院02170479@cumt.edu.cn遥

根据BP神经网络原理袁数据从输入层传递到

隐含层再传递到输出层袁这时就可以得到神经网络的训练输出为y'=渊y1'袁y2'袁噎袁yi'冤袁y'是权值的函数遥假设真实的输出是y=渊y1可得到训练误差着袁通常用最小袁二乘法y2袁噎袁进行yi冤袁表示则袁其表达式为

着=1i2

着也是权值的函移渊yj-yj'

冤2j=1渊2冤

可知数遥接着采用梯度下降

法袁常借助编程袁多次迭代使误差着最小遥在实际操作中袁可设置误差小于一定值时终止递归袁也可以设定迭代次数遥这样袁BP神经网络的设计就完成了遥但是面对一些复杂的问题袁BP神经网络收敛速度慢袁需要的训练时间可能非常长袁还有可能会陷入局部极小值袁这时通常要对原模型进行修正袁RBF神经网络就是解决方法之一遥1.2RBF神经网络原理

严格来说袁RBF神经网络是BP神经网络的一种特例袁同样包括输入层尧隐含层尧输出层遥但从输入层到隐含层的变换采用了RBF袁是非线性的曰从隐含层到输出层则采用线性加权和袁是线性的遥RBF是一种局部非线性逼近的神经网络[5]RBF是一个取值仅仅依赖于离原点距遥

离的实值函数袁标准距离一般使用欧氏距离渊也叫做欧式RBF冤袁通常采用高斯核函数袁其表达式为

k渊椰x-x蓸-椰x-xcc椰冤=exp

2滓2椰2蔀渊3冤式中院xc为核函数中心曰滓为函数的宽度参数袁控制了函数的径向作用范围遥RBF神经网络最大的特点是用RBF作为隐单元的野基冶构成隐含层空间袁这样就可以将输入向量直接映射到隐含层空间袁而不需要通过权值的连接遥RBF的作用就是采用核函数的思想袁将低维数据转化为线性可分的高维数据遥通过这种变换袁神经网络仅有隐含层尧输出层间的权值袁且可通过线性方程组直接求解袁这样可大大加快学习速度袁进一步避免局部极小值问题遥1.3BP与RBF神经网络的区别

1冤结构上袁BP神经网络可以有多个隐含层袁而RBF网络只有一个隐含层遥

2冤理论上袁已经证明RBF神经网络是连续函数的最佳逼近袁而BP神经网络不是[6]3冤实际运算上袁RBF神经网络的遥

训练速度比BP神经网络快袁原因如下院一是因为隐含层只有一层曰二是因为局部逼近可以简化计算量遥当输入

AppliedTechnology应用技术数据时袁只有该输入局部的神经元会有响应袁故其他权值通常可近似为0袁大大简化计算遥2卷积神经网络渊CNN冤模型2.1CNN的概念

CNN是一类包含卷积计算且具有深度结构的神经网络袁是最重要的流行深度学习算法之一[7]同普通ANN一样袁要经过数据正向输入尧遥判CN断N尧输出以及逆向参数调节进行训练遥但是CNN特有的结构袁包括隐含层的卷积层尧池化层以及全连接层袁使其具备了局部感知尧权值共享的特性袁从而极大地减少了参数数量袁进一步可以高效率地进行高维数据运算袁广泛应用与各行业的图像识别领域遥图2为卷积神经网络模型的拓扑结构示意图遥

卷积层1全连接层1

池化层1全连接层2s

oftmax卷积层2池化层2图2卷积神经网络模型的拓扑结构示意图

其中袁隐含层的卷积层尧池化层是保证卷积神

经网络特征功能实现的核心结构遥CNN隐含层的前半部分的由卷积层与池化层交替组成曰后半部分则采用全连接层遥输出层的前半部分通常也采用全连接层袁对于图像分类问题袁输出层使用逻辑函数或归一化指数函数即softmax()遥卷积及池化作用理论较为复杂袁下节具体展开曰全连接层主要作用则是将上一层提取到的特征结合在一起袁再进行分类遥2.2CNN卷积计算与池化层理论

卷积层的作用是提取输入数据的特征袁通过不同卷积层的不同卷积核袁可以提取原数据不同方面的特征遥要理解卷积运算并非易事袁可以先将卷积运算视为图像处理中的滤波器运算遥卷积运算作用是提取或捕捉原输入数据的特征遥

假设输入数据为一个m伊n的矩阵X袁卷积核为一个i伊j的W渊i臆m袁j臆n冤遥则运算的过程为院卷积核W中的每一个权值棕分别和输入矩阵X中所对应的x相乘后再求和袁计算公式为

jy=棕11x11+棕11x11+噎+棕ijxij=过程由很多上移ik=1棕kxk渊4冤

卷积运算的全部面的运算组成院卷积核以一定的间隔滑动袁并对所覆盖的区域进行运算袁得到输出y袁直到遍历矩阵X遥

某一卷积运算为例袁输入矩阵X=杉山山1230山0123煽201山删3012衫2301衫衫

衫闪

1516

615

蓡遥其卷积核W的9个元素与输入

矩阵X的16个元素中的9个元素进行卷积运算袁滑动4次则运算完成袁输出一个二维矩阵遥

池化层的作用是在卷积层的基础上袁进一步提取特征遥运算方法较为简单袁分为两类最大池化层和平均池化层袁前者以矩阵的最大值为特征值袁后者以平均值为特征值遥

3岩土工程领域ANN的应用

岩土工程领域作为基建支柱型行业袁在如今AI飞速发展的时代迫切需要进行产业升级遥神经网络技术应用到岩土工程领域是中国AI前进的重要一环遥目前神经网络应用已在岩土工程领域逐步开展袁主要应用于岩性识别尧地质预警尧基坑工程沉降变形预测渊采用BP袁RBF冤尧隧道识别检测渊采用CNN冤等遥本文重点介绍基坑和隧道的应用遥3.1基坑变形神经网络预测模型

基坑的研究在岩土工程领域极为重要遥通常要保证施工周期内基坑的围护结构变形与周围地表沉降在安全范围内遥施工时袁一般要对围护结构进行位移监测袁对周围地表进行沉降监测遥但只依靠监测工作是远远不够的袁这只属于事中控制袁如果等

到监测值达到控制值时再寻求解决变形值过大的办

法就已经太晚了[8]影响基坑变形袁这的就因素要求事非常先复进杂行袁预难测以遥

使用传统的力学方法对施工周期内的变形进行准确预测袁神经网络的发展一定程度上解决了这个问题遥早在1993年袁AbediH等[9]在将BP网络应用于软土基坑支护结构位移的预测上并起到了很好的作用遥1999年袁同济大学的冯紫良等[10]也成功地利用BP神经网络完成了基坑施工中的预测工作袁开启了神经网络在基坑预测应用的先例袁并解决了大量难题遥2009年袁王宁等采用RBF神经网络进行预测袁也取得了不错的结果遥

目前袁基坑预测神经网络结构的输入常取基坑开挖深度尧土体的内摩擦角尧土体粘聚力尧土体重度尧地下水位等袁根据实际情况选取隐含层神经元数目曰输出通常采用围护结构位移和地表沉降量遥同时袁有些学者为了验证神经网络的训练精度袁常采用有限元模拟检验遥3.2隧道神经网络模型

目前我国已成为修建隧道最多的国家袁随之而来的也包括一系列的超欠挖尧塌方等难题遥传统的检测方法费时费力袁故在深度学习兴起之后袁CNN模型迅速应用于隧道掘进机渊TunnelBoringMa-chine袁TBM冤与钻爆法等隧道施工中袁常用于地层

SCI-TECHINNOVATION&PRODUCTIVITY0晕燥援3Mar.圆园21袁栽燥贼葬造晕燥援326识别和隧道检测遥

在TBM隧道施工中袁地层识别的方法有观察掌子面尧岩渣识别等遥一方面袁采用CNN对掌子面进行观察评价具有耗时短尧反馈及时的优点曰另一方面袁可建立对岩渣自动识别的CNN模型袁借助其强大的图像识别功能来获取前方的地层地质特性袁进一步判断前方地质有无塌方尧断层等风险遥

在钻爆法隧道施工中袁岩体本身的裂隙及爆破的参数对隧道安全性有很大影响遥刘春等[11]研究表明袁通过建立CNN模型可更加科学尧高效地提取岩土裂隙形态参数袁为隧道岩体裂隙的定量分析和评价提供了可靠依据遥张万志[12]通过炮孔图像采集尧改进CNN尧现场监测等方法袁实现了爆破参数的智能优化袁并进行了工程应用袁取得了较好的效果遥4结束语

本文介绍了BP袁RBF袁CNN一系列ANN技术袁并着重阐述了相关网络的基本理论及其在基坑尧隧道中的应用遥在未来发展中袁可以根据实际工程问题袁采用各种优化算法继续改进ANN模型袁或者通过ABAQUS等有限元软件建模检验ANN模型的精确性遥希望ANN技术能够进一步发展袁在岩土工程领域得到更广泛的应用袁推动中国AI的前进遥

参考文献院

[1]夏瑜潞.人工神经网络的发展综述[J].电脑知识与技术,

2019,15(20):227-229.

[2]苏红果.机器学习在土木工程施工安全管理中的应用

研究[D].大连:大连理工大学,2018.

[3]邹蕾,张先锋.人工智能及其发展应用[J].信息网络安全,

2012(2):11-13.

[4]张轶,林建忠,尚建辉.基于BP神经网络和RBF神经网络

的期权定价[J].统计学与应用,2013,2(4):119-126.[5]王晓伟.基于RBF神经网络地下水位预测研究[D].大庆:

黑龙江八一农垦大学,2018.

[6]肖清湄.基于LM改进的RBF神经网络算法研究[D].

重庆:西南大学,2016.[7]GOODFELLOW

I,BENGIO

Y,COURVILLEA.

Deeplearning(vol.1)[M].Cambridge:MITPress,2016:

326-366.

[8]黄传胜.地铁深基坑开挖变形预测方法及工程应用

研究[D].长沙:中南大学,2011.

[9]ABEDIH,PORTERTG,LIENBH,etal.Perfor-manceofaflexibleearthretainingstructureinsoftclays-comparisonsbetweenfiniteelementmethodandfieldmeasurements[C].InstitutionofCivilEngineers,ThomasTelfordLimited.ProceedingsoftheRetainingStructuresConference.Cambridge:RobinsonCollege,1993.

渊下转第69页冤

[2018-03-19].https://yq.aliyun.com/articles/552445?utm_科技大学,2004.

content=m_44097.

[3]牟雪娇.奇异值分解和主成分分析在车型识别中的

[7]蓝鲸.使用Python训练SVM模型识别手写体数字[EB/

应用[D].上海:上海交通大学,2008.

OL].[2016-09-06].http://bluewhale.cc/2016-09-06/[4]杨永琪,徐欣蕾,陈曦.基于SVM技术实现手写数字分类

python-svm-recognizing-hand-written-digits.html.识别的研究[J].电脑知识与技术,2020,16(6):195-196.[8]司守奎,孙兆亮.数学建模算法与应用[M].2版.北京:国防

[5]黄志超,乔振华.基于机器学习模型的手写数字识别[J].

工业出版社,2019.

电脑知识与技术,2019,15(33):215-217.

[6]技术小能手.一文解析支持向量机渊附公式冤[EB/OL].

渊责任编辑

石志荣冤

ComparativeStudyonHandwrittenNumeralRecognition

BasedonPCRandSVM

LIXiang

(ShanghaiUniversityofInternationalBusinessandEconomics,Shanghai201620China)

Abstract院Inthispaper,twoclassificationmodelsareestablishedbasedonprincipalcomponentanalysis(PCR)andsupportvectormachine(SVM)forhandwrittendigitsalgorithmsimulationexperiments,andthesimulationresultsarecomparedandanalyzedtopickoutamoreaccurateandefficientclassificationmethod.Theresultsshowthatthepredictionand

classificationeffectbasedonSVMisbetterthanPCR.

Keywords院handwrittennumeralrecognition;principalcomponentregression;supportvectormachine;machinelearning

渊上接第页冤

[10]冯紫良,孙海涛,王书娟.用人工神经网络预测单桩竖向

形态参数分析力法[J].岩土工程学报,2008(9):1383-1388.极限承载力[J].同济大学学报(自然科学版),1999(4):397-[12]张万志.岩质隧道炮孔图像识别算法及光面爆破参数

401.

优化研究[D].济南:山东大学,2019.

[11]刘春,王宝军,施斌,等.基于数字图像识别的岩土体裂隙

渊责任编辑

邸开宇冤

ArtificialNeuralNetworkTechnology

andItsApplicationinGeotechnicalEngineering

ZHANGYang-yang1,SUITi

an-yu1,PEIJun1,CUIMin-rui1,LIYi-zhen2(1.ChinaUniversityofMiningandTechnology,Xuzhou221116China;

2.KaramayCampus,ChinaUniversityofPetroleum(Beijing),Karamay834000China)

Abstract院Inviewofartificialneuralnetwork(ANN)technologywhichisanimportantbranchofartificialintelligence(AI),backpropagation

(BP)neuralnetworkwhichisthemostwidelyused,radialbasisfunction

(RBF)neuralnetwork,and

convolutionalneuralnetwork(CNN)whichiscloselyrelatedtodeeplearning,areintroducedinthispaper.TheapplicationofANNinthefieldofgeotechnicalengineeringiselaborated,includingthepredictionoffoundationpitdeformationandsettlement,theidentificationanddetectionoftunnelcracks,etc.,itpointsoutthattheapplicationofartificialneuralnetworktechnologyingeotechnicalengineeringisofgreatsignificancetothedevelopmentofAIinChina.

Keywords院neuralnetwork;backpropagation;radialbasisfunction;convolutionalneuralnetwork;geotechnicalengineering;foundationpit;tunnel

因篇幅问题不能全部显示，请点此查看更多更全内容

查看全文