[發(fā)明專利]一種基于神經(jīng)網(wǎng)絡(luò)的巖石破壞強(qiáng)度確定方法

無(wú)效

• 申請(qǐng)?zhí)枺?/td>: 201310088920.9
• 申請(qǐng)日: 2013-03-20
• 公開(kāi)（公告）號(hào): CN103226080A
• 公開(kāi)（公告）日: 2013-07-31
• 發(fā)明（設(shè)計(jì)）人: 劉文生;吳作啟;崔鐵軍;由麗雯;楊逾;邵軍;張媛;孫琦;杜東寧
• 申請(qǐng)（專利權(quán)）人: 遼寧工程技術(shù)大學(xué)
• 主分類(lèi)號(hào): G01N3/08
• 分類(lèi)號(hào): G01N3/08;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

技術(shù)領(lǐng)域

本發(fā)明涉及巖土工程中的巖石破壞強(qiáng)度研究，特別是涉及基于神經(jīng)網(wǎng)絡(luò)的巖石破壞強(qiáng)度確定方法。?

背景技術(shù)

對(duì)于巖土工程設(shè)計(jì)，巖石的強(qiáng)度是最重要的考慮因素之一。經(jīng)過(guò)多年的研究以形成了一些基于經(jīng)驗(yàn)的巖石強(qiáng)度準(zhǔn)則。在這些準(zhǔn)則中，最大主應(yīng)力值?是單軸抗壓強(qiáng)度和最小主應(yīng)力的函數(shù)，并且其系數(shù)是通過(guò)對(duì)實(shí)驗(yàn)數(shù)據(jù)的反演回歸得到的。但是經(jīng)驗(yàn)強(qiáng)度準(zhǔn)則對(duì)于范圍較大的加載應(yīng)力域和各類(lèi)巖石并不能完全準(zhǔn)確的進(jìn)行預(yù)測(cè)。這是由于在參數(shù)回歸時(shí)使用的數(shù)據(jù)是特定的某類(lèi)巖石和特定的應(yīng)力范圍。如果將反演參數(shù)后的準(zhǔn)則對(duì)非該特定范圍內(nèi)的情況進(jìn)行預(yù)測(cè)時(shí)就會(huì)產(chǎn)生嚴(yán)重偏差。?

對(duì)于多種巖石在實(shí)驗(yàn)過(guò)程中，施加應(yīng)力與應(yīng)變的對(duì)應(yīng)關(guān)系復(fù)雜且非線性，巖體受力內(nèi)部結(jié)構(gòu)可能破壞，產(chǎn)生微小裂縫等原因，巖體應(yīng)變的精確測(cè)量較為困難。但是施加的應(yīng)力、、和的測(cè)量相對(duì)容易，而且其各力之間有一定的內(nèi)在聯(lián)系，如果能找到他們之間的映射關(guān)系，那么就可以避免對(duì)變形量的測(cè)量和通過(guò)反演擬合預(yù)測(cè)其值。?

對(duì)于上述復(fù)雜非線性大數(shù)據(jù)量的映射分析，可以采用神經(jīng)網(wǎng)(ANN)絡(luò)進(jìn)行預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)是一種多元非線性動(dòng)力學(xué)系統(tǒng)，具有高度的非線性映射能力、良好的自適應(yīng)性、自組織性和很強(qiáng)的自學(xué)習(xí)能力。本文使用ANN在較大軸應(yīng)力域內(nèi)對(duì)7種巖石的強(qiáng)度準(zhǔn)則進(jìn)行研究，確定其值。通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)各種巖石的和在不同加載應(yīng)力下的進(jìn)行預(yù)測(cè)。通過(guò)實(shí)驗(yàn)室得到的數(shù)據(jù)進(jìn)行訓(xùn)練。并將結(jié)果與Hoek–Brown(H-B)準(zhǔn)則預(yù)測(cè)結(jié)果進(jìn)行比較。結(jié)果表明ANN更加有適應(yīng)性和準(zhǔn)確性。?

發(fā)明內(nèi)容

針對(duì)巖石破壞強(qiáng)度確定過(guò)程中存在的問(wèn)題，本發(fā)明提出一種基于神經(jīng)網(wǎng)絡(luò)的巖石破壞強(qiáng)度確定方法。?

使用前饋式神經(jīng)網(wǎng)絡(luò)（FFNN）進(jìn)行預(yù)測(cè)。對(duì)FFNN的有效利用首先要確定隱含網(wǎng)絡(luò)層數(shù)和計(jì)算神經(jīng)元的數(shù)量。如果隱含層有足夠的隱含神經(jīng)元，那么使用雙曲線正切Ｓ傳遞函數(shù)和線性傳輸函數(shù)組成的兩層神經(jīng)網(wǎng)絡(luò)是較為合適的結(jié)構(gòu)。神經(jīng)元的數(shù)量是避免超適應(yīng)問(wèn)題的關(guān)鍵，即如果一些ANN適應(yīng)訓(xùn)練數(shù)據(jù)的性能相同，那么最簡(jiǎn)單的ANN最好。根據(jù)目前研究的經(jīng)驗(yàn)，確定隱含層中的神經(jīng)元數(shù)量不能通過(guò)準(zhǔn)確計(jì)算得到。一般情況下只能在訓(xùn)練和預(yù)測(cè)后才能對(duì)其調(diào)整以便增加其適應(yīng)性，但是可以通過(guò)一些相關(guān)的參數(shù)對(duì)其進(jìn)行估計(jì)。在FFNN中的單隱含層內(nèi)的神經(jīng)元估計(jì)數(shù)量如表1所示。?

??

表1?數(shù)據(jù)的單隱含層中神經(jīng)元的估計(jì)數(shù)量

估計(jì)式估計(jì)數(shù)量56463

注：、和分別是輸入神經(jīng)元數(shù)量、輸出神經(jīng)元數(shù)量和訓(xùn)練樣本數(shù)量，本例中、、（50×70%，50是最小的實(shí)驗(yàn)次數(shù)）；是噪聲系數(shù)，；是越界常量，。根據(jù)表2的計(jì)算結(jié)果，單隱含層神經(jīng)元數(shù)量為3。

為了提高訓(xùn)練的效率和泛化性，ANN的輸入值和輸出值應(yīng)進(jìn)行規(guī)格化，即這些值按照相應(yīng)的算法落在[-1,1]內(nèi)。本文使用線性規(guī)格化公式（1）使值落在上述范圍內(nèi)。?

???????????????????(1)?

式中：是規(guī)格化后的值，和分別為被規(guī)格化實(shí)驗(yàn)數(shù)據(jù)數(shù)列中的最大值和最小值。