成,建立步骤如下:
[0047] 3-1)建立输入层:设立输入层神经元X1-X1。分别将节理岩体试件的10个特征值节 理岩体试件质量m、节理岩体试件直径d、节理岩体试件高度h、节理岩体试件节理倾角Φ、 节理岩体试件节理个数η、节理岩体试件节理贯通度c、节理岩体试件切节理前波速ul、节 理岩体试件切节理后波速u2、节理岩体试件破坏后波速u3和节理岩体试件峰值应变ε (:作 为输入层,根据输入向量的维数确定BP神经网络的输入层神经元数量N为10 ;
[0048] 3-2)建立输出层:设立节理岩体的单轴抗压强度值为输出向量,根据输出向量的 维数确定BP神经网络的输出层神经元数量M为1 ;
[0049] 3-3)建立隐含层:根据输入层和输出层的神经元数量确定BP神经网络的中间层 神经元的数量L为(N+M-l)/2 = 5,如图2所示。
[0050] 步骤4)中,获得较为合理的预测节理岩体单轴抗压强度的BP神经网络模型的步 骤为:
[0051] 4-1)归一化处理:根据步骤2)中收集节理岩体试件单轴抗压强度试验资料和 确定的输入向量、输出向量,对输入向量和输出向量进行归一化处理,即基于公式y = (x-x_V(x_-x_)将样本每列元素归一化到[0, 1]区间内,式中χ_、χ_分别是样本每列 因素的最大值和最小值,X为每列的各个元素,y为元素归一化后的值,如表2所示:
[0052] 表2 :BP神经网络归一化的输入值和输出值
[0054] 4-2)网络初始化:根据步骤3)确定的输入层神经元数N、隐含层神经元数为L、输 出层神经元为M,初始化输入层、隐含层和输出层神经元之间的连接权值 Wl],w]k,初始化隐 含层阈值a,输出层阈值b,给定学习速率和神经元激励函数;
[0055] 4-3)隐含层输出计算:根据输入向量X,输入层和隐含层间连接权值Wl]以及隐含 层阈值a,计算隐含层输出H
[0057] 式中,L为隐含层节点数;f为隐含层激励函数,
[0058] 4-4)输出层输出计算:根据隐含层输出H,连接权值Wlk和阈值b,计算BP神经网 络预测输出〇
[0060] 4-5)平均相对误差计算:根据网络预测输出0和期望输出Y,计算网络预测平均相 对误差e
[0062] 4-6)权值更新:根据网络预测相对误差e,更新网络连接权值&,w_jk。
[0063] 4-7)以节理岩体单轴抗压强度试验值与预测值平均相对误差作为BP神经网络误 差反向传播算法的输入数据对BP神经网络模型进行循环往复训练,直至输出的预测值与 期望值之间的平均相对误差小于设定阈值,得到训练后的BP神经网络模型,否则返回步骤 4-3)重复步骤4-3)至4-7)直至输出的预测值与期望值之间的平均相对误差小于设定阈 值,即获得较为合理的预测节理岩体单轴抗压强度值的BP神经网络模型,如图3所示。
[0064] 具体过程如下:
[0065] 以表1中前21组单轴抗压试验数据作为学习样本进行网络训练,后4组单轴抗压 试验数据作为测试样本进行网络测试,依次进行步骤4-1) 一步骤4-7)。以平均相对误差小 于设定的阈值作为控制条件,不断循环步骤4-3) -步骤4-7),直至最终得到较为合理的BP 神经网络预测模型。学习样本的平均相对误差值为0.1317,小于设定的阈值0.1400。测试 数据的平均相对误差值为〇. 0352,也小于设定阈值0. 1400,即获得较为合理的预测节理岩 体单轴抗压强度值的BP神经网络模型。
[0066] 上述实施例建立的较为合理的预测节理岩体的BP神经网络模型,对表1的学习样 本和测试样本进行仿真,检验建立的网络模型对结果的逼近效果,由预测结果可计算出节 理岩体单轴抗压强度试验值与预测值得相关系数为0. 9504X). 95,满足预测精度要求。建立 的网络模型拟合预测效果如图4所示。
[0067] 从图4可以看出,所建立的较为合理的节理岩体单轴抗压强度的BP神经网络模型 能够很好地预测节理岩体单轴抗压强度值。
【主权项】
1. 一种节理岩体单轴强度预测方法,其特征在于该方法包括以下步骤: 1) 研究节理岩体试件单轴抗压强度试验所记录的数据和结果,确定影响抗压强度值的 各主要因素; 2) 收集节理岩体试件单轴抗压强度试验资料,获得步骤1)确定的各主要因素的信息 构成输入向量,将其对应的节理岩体单轴抗压强度构成输出向量,组建神经网络学习样本 和测试样本; 3) 根据步骤2)的输入向量、输出向量建立出符合节理岩体单轴抗压预测强度的BP神 经网络模型,并根据实际预测精度要求,设定误差阈值; 4) 根据步骤3)所建立的BP神经网络模型,以节理岩体单轴抗压强度试验值与预测值 的平均相对误差作为BP神经网络误差反向传播算法的输入数据对BP神经网络模型进行循 环往复训练,直至输出的预测值与期望值之间的误差小于设定阈值,得到训练后较为合理 的BP神经网络模型; 5) 将节理岩体试件的影响单轴抗压强度值的各主要因素信息的输入向量输入步骤4) 获得的较为合理的预测节理岩体单轴抗压强度的BP神经网络模型中,即可得到该节理岩 体试件的单轴抗压强度值。2. 根据权利要求1所述的一种节理岩体单轴强度预测方法,其特征在于步骤1)中,确 定的影响节理岩体抗压强度值的各主要因素为:质量m、直径d、高度h、节理倾角Φ、节理个 数η、节理贯通度c、试验试件切节理前波速ul、切节理后波速u2、试验试件破坏后波速u3、 峰值应变εc〇3. 根据权利要求2所述的一种节理岩体单轴强度预测方法,其特征在于步骤3)建立的 BP神经网络模型由输入层、隐含层、输出层组成,建立步骤如下: 3-1)建立输入层:设立输入层神经元1-?。分别将节理岩体试件的10个特征值节理岩 体试件质量m、节理岩体试件直径d、节理岩体试件高度h、节理岩体试件节理倾角Φ、节理 岩体试件节理个数η、节理岩体试件节理贯通度c、节理岩体试件切节理前波速ul、节理岩 体试件切节理后波速u2、节理岩体试件破坏后波速u3和节理岩体试件峰值应变εc作为输 入层,根据输入向量的维数确定ΒΡ神经网络的输入层神经元数量Ν为10 ; 3-2)建立输出层:设立节理岩体的单轴抗压强度值为输出向量,根据输出向量的维数 确定ΒΡ神经网络的输出层神经元数量Μ为1 ; 3- 3)建立隐含层:根据输入层和输出层的神经元数量确定ΒΡ神经网络的中间层神经 元的数量L为(N+M-l)/2 = 5。4. 根据权利要求3所述的一种节理岩体单轴强度预测方法,其特征在于步骤4)中,获 得较为合理的预测节理岩体单轴抗压强度的ΒΡ神经网络模型的步骤为: 4- 1)归一化处理:根据步骤2)中收集节理岩体试件单轴抗压强度试验资料和确定的 输入向量、输出向量,对输入向量和输出向量进行归一化处理; 4-2)网络初始化:根据步骤3)确定的输入层神经元数Ν、隐含层神经元数为L、输出层 神经元为Μ,初始化输入层、隐含层和输出层神经元之间的连接权值Wl],w]k,初始化隐含层 阈值a,输出层阈值b,给定学习速率和神经元激励函数; 4-3)隐含层输出计算:根据输入向量X,输入层和隐含层间连接权值Wl]以及隐含层阈 值a,计算隐含层输出Η J 釦.1."式中,L为隐含层节点数;f为隐含层激励函数,./_(.ν) = ·Γ1- ; l + e 4-4)输出层输出计算:根据隐含层输出H,连接权值wlk和阈值b,计算BP神经网络预 测输出〇 产丄4-5)平均相对误差计算:根据网络预测输出0和期望输出Y,计算网络预测平均相对误 差e4-6)仪但更新:很据FJ塔顶测ffl对误左e,更新网络连接权值Wlj,wjk。 4-7)以节理岩体单轴抗压强度试验值与预测值平均相对误差作为BP神经网络误差反 向传播算法的输入数据对BP神经网络模型进行循环往复训练,直至输出的预测值与期望 值之间的平均相对误差小于设定阈值,得到训练后的BP神经网络模型,否则返回步骤4-3) 重复步骤4-3)至4-7)直至输出的预测值与期望值之间的平均相对误差小于设定阈值,即 获得较为合理的预测节理岩体单轴抗压强度值的BP神经网络模型。
【专利摘要】一种节理岩体单轴强度预测方法,该方法包括以下步骤:1)确定各主要因素;2)组建神经网络学习样本和测试样本;3)设定误差阈值;4)对BP神经网络模型进行循环往复训练,直至输出的预测值与期望值之间的误差小于设定阈值,得到训练后较为合理的BP神经网络模型;5)将节理岩体试件的影响单轴抗压强度值的各主要因素信息输入较为合理的预测节理岩体单轴抗压强度的BP神经网络模型中,即可得到该节理岩体试件的单轴抗压强度值。本发明提供的一种基于BP神经网络模型的节理岩体单轴强度预测方法,能够避免节理岩体复杂参数求解,并能够准确、快速地得到节理岩体单轴抗压强度值,同时能够满足节理岩体单轴抗压试验的需要。
【IPC分类】G06N3/08, G01N33/24, G06N3/02
【公开号】CN105259331
【申请号】CN201510749937
【发明人】胡安龙, 王孔伟, 李建林, 肖志勇, 唐芳艳, 李春波, 常德龙
【申请人】三峡大学
【公开日】2016年1月20日
【申请日】2015年11月6日