人工神经网络研究管理论文

导语：人工神经网络研究管理论文一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

人工神经网络理论（ArtificalNeuralNetworkstheory,ANN）是80年代中后期在世界范围内迅速发展起来的一个前沿研究领域。人工神经网络是一种有自组织、自学习能力的网络系统，它的应用对各门学科都产生了重要的影响。目前，ANN理论的研究取得了令人瞩目的进展。由于其具有非线性、高维性、大规模并行处理、信息的分布或储存、联想、记忆和容错等特征，在预测具有高复杂程度的非线性时间序列问题方面明显优于传统预测方法。

水工隧洞一般都有过水要求，加上其复杂的地质条件，因此正确的进行围岩分类后采取相应的支护措施将对保证隧洞稳定性起决定性的作用。围岩分类是一类非线性的综合判定问题，用人工神经网络方法来判别水工隧洞围岩类别是一种新的尝试和新的方法。

1．围岩分类的判定依据

水工隧洞围岩工程地质分类应以控制围岩稳定的岩石强度、岩体完整程度、张开度、地下水力状态和主要结构面产状等五项因素综合评分为依据，围岩强度应力比为限定依据，见表1。

表1围岩工程地质分类依据

指标名称评价因素

岩石强度（A1）采用岩块的单轴抗压强度（MPa）

岩体完整程度（A2）采用完整性系数Kv

张开度（A3）考虑结构面的连续性、粗糙度和充填物

地下水状态（A4）考虑地下水的发育程度，用单位洞长单位时间的涌水量

主要结构面产状（A5）采用结构面走向与洞轴线的夹角

以上五个因素是控制围岩稳定性的主要因素，围岩的分类标准见表2。

表2围岩工程地质分类标准

评价因素围岩类别

Ⅰ（稳定）Ⅱ（基本稳定）Ⅲ（局部稳定性差）Ⅳ（不稳定）Ⅴ（极不稳定）

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.水工隧洞围岩分类的人工神经网络模型

神经网络系统是由大量的、简单的处理单元广泛的互相连接而形成的复杂的网络系统。人工神经网络模型最基本的有两大类：一类是以Hopfield网络模型为代表的反馈型模型，它具有非线性和动态性；另一类是以多层感知器为基础的前馈模型。其中BP(BackPropagation)网络是目前应用最广泛的多层前馈神经网络模型。本文采用BP网络模型。

2．1BP神经网络模型及其算法

BP神经网络由输入层、隐含层和输出层三层感知器组成，每层由若干个神经元组成。输入层接受信息，传入到隐含层，经过作用函数后，再把隐结点的输出信号传到输出层输出结果。节点的作用函数选用Sigmoid函数，即：

（1）

BP神经网络采用误差逆传播反学习算法。学习过程由正向传播和反向传播组成。在正向传播过程中，输入信号由输入层经隐含层处理后传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到一个期望的输出，则转向反传播，将输出信号的误差按原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小，得到合适的网络连接权后，便可对新的样本进行识别。BP网络学习过程具体步骤如下：

（1）初始化，设置网络结构，赋初始权值；

（2）为网络提供一组学习样本，包括M个样本对（），输入向量，输出向量，n、m分别为输入层和输出层神经元个数，；

（3）对每个学习样本P进行（4）~（8）；

（4）逐层正向计算网络各节点的实际输出：

(2)

其中，为神经元i、j之间的权值；为前层第i个神经元的实际输出，为式（1）给出的函数；

（5）计算网络输出误差：

第P个样本的输出误差为(3)

其中，，分别为输出层第j个神经元的期望输出和实际输出。

网络总误差为；(4)

（6）当E小于允许误差或达到指定迭代次数时，学习过程结束，否则进行误差逆向传播，转向（7）；

（7）逆向逐层计算网络各节点误差：

对于输出层，(5)

对于隐含层，(6)

其中代表后层第个神经元。

（8）修正网络连接权：，其中为学习次数，为学习因子，值越大，产生的振荡越大。通常在权值修正公式中加入一个势态项，变成：

(7)

其中，a称为势态因子，它决定上次学习的权值变化对本次权值更新的影响程度。

2．2围岩分类的BP模型

在以表2中数据为基础进行网络训练前，须对表中指标作如下处理：Ⅰ、Ⅴ类对应的指标取其界限值或平均值；Ⅱ、Ⅲ、Ⅳ类对应的指标取其平均值。作上述处理后，可以得到网络训练模型的5个学习样本，如表3。

表3围岩类别识别模型的学习样本

类别样本类别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个类别样本作为神经网络的学习样本，在输入层和隐含层各设置一个特殊单元作为阈值单元，其值设为1。模型结构如下图1所示。

图1围岩类别分类的BP网络模型

设围岩类别为P1、P2、P3、P4、P5这5个类别样本的预期输出矢量，各分量定义为

网络训练时，当所有样本在网络输出节点的实际输出与网络期望输出之间的最大误差小于预先给定的常数，即时学习结束。

网络经过15000次训练，每个样本的网络输出与期望输出最大误差为0.2，绝大部分在0.1之内。应用训练后的BP模型划分新的围岩类别样本，等判定围岩类别样本W经网络变换后输出O与各期望输出比较，设，。

如果，则，，即隧洞围岩类别样本属于级。

3．沙湾隧洞的围岩分类应用实例

东深供水改造工程沙湾隧洞位于深圳市北东面内15公理处，区域地势东高西低。工程区域周围沉积岩、岩浆岩和变质岩三大岩类均有出露。隧洞线路地带分布的地层，除洞口沟谷部位为第四系松散堆积层外，其余均为侏罗系中统塘夏群碎屑岩，基本为单斜构造，但末端因受深圳断裂带影响，岩层产状较为紊乱，地质条件复杂多变。

隧洞开挖后，测得三种围岩地段的力学性质和环境条件，取三个样本为a、b、c。用BP人工神经网络判定该工程隧洞围岩类别。

根据水利水电工程地质勘察规范，隧洞围岩类别分为5级：Ⅰ（稳定）、Ⅱ（基本稳定）、Ⅲ（局部稳定性差）、Ⅳ（不稳定）、Ⅴ（极不稳定）。对照学习样本各特征变量，用训练好的BP模型对a、b、c三个样本进行判定，其结果见表4。

表4沙湾隧洞三组样本实测指标与围岩类别判定结果

指标名称实测指标值

abc

岩石强度（A1）2845100

岩体完整程度（A2）0.220.50.55

张开度（A3）341

地下水状态（A4）1208025

主要结构面产状（A5）305060

围岩类别判定结果ⅤⅣⅢ

4．结论

水工隧洞围岩类别判定，不仅影响因素多，而且具有很大的模糊性和不确定性。人工神经网络是一门新兴的交叉学科，它具有联想、记忆功能和判别识别的模糊性等优点，用它来进行围岩类别分类，不需对输入输出指标的关系作任何假设，这种关系是神经网络从实例中自适应学习而获得的，大大减少了人为因素的影响，省去了事后的经验判断。实践证明，它在理论和应用上都是可行的和有实际意义的。

参考文献

[1]胡宗仁.神经网络导论.长沙：国防科技出版社，1992.

[2]王如云.人工神经网络原理.南京：河海大学出版社.