[发明专利]一种基于GA-BP神经网络的边坡变形及软土地基沉降预测方法

说明书

本发明公开了一种基于GA‑BP神经网络的边坡变形及软土地基沉降预测方法，首先用遗传算法对神经网络的结构、初始连接权、初始阈值以及学习率和动量因子进行优化设计，在解空间中定位出较好的搜索空间，然后用BP算法在这些小的解空间中对网络的连接权和阈值再次寻优，搜索出最优解，使优化后的BP神经网络能够更好地预测函数的输出。本申请将BP神经网络法和遗传算法相结合，充分利用两种方法的优点，使改进后的方法既有BP神经网络强大的学习能力和鲁棒性，又有遗传算法的全局寻优能力，使其具有预测精度高、网络收敛速度快等优点，对边坡变形及软土地基沉降预测有较好效果。

技术领域

本发明涉及地质检测技术领域，特别是涉及一种基于GA-BP神经网络的边坡变形及软土地基沉降预测方法。

背景技术

众所周知，边坡及软土地基变形预测一直是土木工程中的难点及热点问题。目前，边坡及软土地基变形预测面临着两个工程问题：工程问题一：边坡位移及失稳是工程边坡常遇到的变形现象，预测边坡变形的发展动态对边坡稳定性控制具有重要意义，然而由于边坡介质参数、构造形态及外部环境等多因素综合影响，准确预测这一复杂非线性系统的变化仍十分困难。工程问题二：随着我国工程软土地基项目的不断增加，软土地基工后沉降的判定成为地基处理及基坑加固技术研究的重要课题，然而由于软土具有强度低、压缩性高、含水率高的特点，如何准确预报这一具有长期过程的复杂动态行为是保证工程建设安全的关键。

早在1921年，奥地利土力学家Terzaghi就提出一种基于固结理论的经典软土地基沉降预测方法，主要思路是根据土体沉降规律，找到与实测沉降结果相近的曲线进行拟合。然而由于软土地基沉降中存在一些不确定因素，无法从理论上建立一个全面反映这些复杂因素的数学模型。目前，在实际应用过程中大部分采用的是基于已有工程资料结合数学模型的预测方法，即利用实际监测资料的若干沉降点，推算工后沉降和地基的最终沉降量。

预测方法又可细分为静态预测法(即曲线拟合法)和动态预测法。曲线拟合法是一种静态的预测方法，是工程上常用的经验推算法，常用的分为以下类：指数曲线拟合法、双曲线拟合法、改进的双曲线法、抛物线拟合法以及logistic预测法，但这些方法的原始观测数据是静态值，数据处理系统无法根据数据的变化趋势做动态调整，不能够及时地将实测数据的变化纳入系统。而动态预测法恰好克服了这一缺陷，使得动态预测法的预测效果普遍优于静态的曲线拟合法，所得的变形预测值更加合理，且随着计算机应用技术的不断发展，使边坡及软土地基整个沉降变形过程的模拟能为可能，该算法具有效率高、准确性好等优势。

常用的动态预测方法有：灰色系统法、人工神经网络法、遗传算法，且预测精度从高到低大致排序为：人工神经网络法、遗传算法、灰色系统法，但是人工神经网络法收敛较慢、易陷入局部最优。

发明内容

为了解决上述技术问题，本申请对边坡变形及软土地基沉降预测方法在预测结果上的差异进行了对比研究。然后，基于BP神经网络系统及遗传算法，提出了一种基于GA-BP神经网络的边坡变形及软土地基沉降预测方法，GA-BP神经网络法具有预测精度高、网络收敛速度快等优点，对边坡变形及软土地基沉降预测有较好效果。

为实现上述目的，本发明提供一种基于GA-BP神经网络的边坡变形及软土地基沉降预测方法，包括如下步骤：

步骤一：首先在工程边坡场地采集边坡变形数据或在承载力不能满足施工条件的软土地基获取沉降基准数据，并采用GA遗传算法对初始值数据进行初始化，并对BP神经网络的初始值进行编码；

步骤二：确定编码后各个初始值数据的字符串表示的值和实际值之间的关系，并定位搜索空间；

步骤三：利用GA遗传算法对BP神经网络进行训练，获取最优个体；

步骤四：基于GA遗传算法得到的最优个体，对网络初试权值和阈值赋值，用BP算法在搜索空间中对网络的连接权和阈值再次寻优，搜索出最优解；