[發明專利]基于bp神經網絡的鋼支撐軸力智能調整方法

有效

• 申請號: 202011279808.X
• 申請日: 2020-11-16
• 公開（公告）號: CN112459080B
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 劉泉;王正佳;許勇;俞嬡妍;朱煒;金晶;付軍國;李冀清;周蓉峰;程吉;蔣玲玲;陳曉明
• 申請（專利權）人: 上海市機械施工集團有限公司
• 主分類號: E02D17/04
• 分類號: E02D17/04;E02D33/00;G06F30/27;G06N3/04;G06N3/08;G06F119/14
• 代理公司: 上海思微知識產權代理事務所(普通合伙) 31237
• 代理人: 曹廷廷

1.一種基于bp神經網絡的鋼支撐軸力智能調整方法，其特征在于，包括：

在鋼支撐完成安裝后，按設計值設定鋼支撐軸力伺服系統的初始軸力；

采集鋼支撐軸力伺服系統軸力的加載天數，并按所述加載天數采集每天鋼支撐的軸力均值及每天的基坑累積變形量的數據，將上述三組數據作為樣本通過bp神經網絡模型進行訓練，當訓練結果滿足要求后保存所述bp神經網絡模型的參數；

將樣本數據中當天的軸力均值和后一天的加載天數輸入到所述bp神經網絡模型中進行計算，得到后一天的基坑預測變形量；

若所述基坑預測變形量小于閾值，使所述鋼支撐軸力伺服系統的軸力保持初始軸力；若所述基坑預測變形量大于閾值，則調整軸力并繼續輸入所述bp神經網絡模型中進行計算，經過若干次軸力調整，直到所述基坑預測變形量符合要求后，將最終調整得到的軸力作為后一天的鋼支撐軸力伺服系統的設定軸力；

其中，所述bp神經網絡的拓撲結構采用三層神經網絡，其中，輸入層有兩個輸入神經單元，分別表示鋼支撐軸力的加載天數和每天鋼支撐的軸力均值，隱含層有若干個隱含神經單元，輸出層有一個輸出神經單元，所述輸出神經單元表示基坑累積變形量，所述bp神經網絡模型進行訓練的步驟具體包括：

正向傳播：將采集的樣本數據中加載天數和對應的軸力均值進行輸入，加載天數和軸力均值分別與各個隱含神經單元的連接權值加權求和并通過激活函數得到各個隱含神經單元的數值；將各個隱含神經單元的數值與對應的輸出神經單元的連接權值分別加權求和并通過激活函數得到輸出值；

誤差反向傳播：將所述輸出值與樣本數據中的基坑累積變形量進行比較得到誤差，并將所述誤差通過所述bp神經網絡模型反向傳播，從而更新各個隱含神經單元的連接權值及輸出神經單元的連接權值；

將所述更新后各個隱含神經單元的連接權值及輸出神經單元的連接權值再次進行正向傳播及誤差反向傳播，并通過循環迭代計算不斷減小誤差，直到所述誤差小于接受范圍則保存各個隱含神經單元的連接權值與輸出神經單元的連接權值，完成神經網絡訓練。

2.如權利要求1所述的基于bp神經網絡的鋼支撐軸力智能調整方法，其特征在于，采集鋼支撐軸力的加載天數，并按天數采集每天鋼支撐的軸力均值及每天基坑累積變形量之后，將上述三組數據作為樣本通過bp神經網絡模型進行訓練之前，所述基于bp神經網絡的鋼支撐軸力智能調整方法還包括：

將上述三組數據進行歸一化處理。

3.如權利要求2所述的基于bp神經網絡的鋼支撐軸力智能調整方法，其特征在于，將樣本數據中當天的軸力均值和后一天的加載天數輸入到所述bp神經網絡模型中進行計算時，將所述bp神經網絡模型計算得到的輸出值進行反歸一化處理，進而得到后一天的基坑預測變形量。

4.如權利要求1所述的基于bp神經網絡的鋼支撐軸力智能調整方法，其特征在于，所述隱含層與所述輸出層的激活函數均選用sigmod函數。

5.如權利要求1所述的基于bp神經網絡的鋼支撐軸力智能調整方法，其特征在于，各個隱含神經單元的連接權值的初始值與輸出神經單元的連接權值的初始值由隨機數生成，所述初始值的取值范圍為(0，1)。

6.如權利要求1所述的基于bp神經網絡的鋼支撐軸力智能調整方法，其特征在于，所述誤差的反向傳播選用梯度下降法。

7.如權利要求6所述的基于bp神經網絡的鋼支撐軸力智能調整方法，其特征在于，將所述誤差通過所述bp神經網絡模型反向傳播，從而更新各個隱含神經單元的連接權值及輸出神經單元的連接權值的步驟具體包括：

所述誤差經所述梯度下降法得到的數值乘以學習步長，即可分別得各個隱含神經單元的連接權值的調整量與輸出神經單元的連接權值的調整量，將各個隱含神經單元的連接權值與各個隱含神經單元的當前權值相加即得到更新后的各個隱含神經單元的連接權值，將輸出神經單元的連接權值的調整量與當前輸出神經單元的連接權值相加即得到更新后的輸出神經單元的連接權值。

8.如權利要求7所述的基于bp神經網絡的鋼支撐軸力智能調整方法，其特征在于，所述學習步長選用自適應變步長方法。

9.如權利要求8所述的基于bp神經網絡的鋼支撐軸力智能調整方法，其特征在于，所述自適應變步長方法包括：設定所述學習步長的初始值為1，若當前誤差大于上一次誤差，將所述學習步長進行衰減，衰減取值范圍為(0，1)；若當前誤差小于上一次誤差或所述學習步長小于設定最小步長，則將所述學習步長進行增益，增益取值大于1。