英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料
采用模块化神经网络预测无粘性土公路边坡位移
陈燕燕、王淑薇、陈宁、雪芹龙、唐英年
北京工业大学交通研究中心，北京100124
公路边坡的破坏是由降雨引起的，即造成灾害。然而，由于非线性时间依赖性和季节效应的影响，预测高速公路坡度的失效是很困难的，影响了边坡的位移。从人工神经网络开始。
自20世纪90年代中期以来，提出了一种有效的方法来判断边坡的稳定性。基于监测数据预测未来的边坡位移。摘要为解决公路边坡位移预测问题，首先给出了一种无粘性土公路边坡位移时间序列预测模型，并利用模块化神经网络对其进行了训练。利用降雨信息的随机性，构造了基于距离测量的隶属函数;在此基础上，采用模糊判别法对数据进行在线子网选择，以提高人工神经网络的自适应能力。北京市高速公路边坡采样数据的实验表明，该模型在精度和适应性上优于其他模型。
1介绍
准确预测边坡位移是判断边坡稳定性的重要步骤。预测未来公路边坡位移是一项艰巨的任务，需要对大量相互关联的变量和因素进行评价，很难对模型进行解释。影响边坡稳定性的因素可分为内部因素和外部诱因两大类。内部因素包括岩石类型、关节、性质和结构。外部诱因包括降雨、地震和人为因素。一般来说，边坡的破坏是由外部诱因直接引起的，内部因素是其基本因素。此外，这些因素大多具有明显的随机性、模糊性和可变性。所有因素交织在一起，使得自然界和社会中的2个离散动力学影响了边坡的稳定性，因此，判断边坡稳定性的评价标准应该是很容易测量的，并能清楚地表明了变化对边坡稳定性的影响。
位移是变形过程对土体和岩石质量运动的外在表现。在过去，位移被用来计算大型岩体滑移的预警、警报和紧急阶段;通过对文献资料的收集和分析，验证了该方法的有效性。边坡位移预测模型包括人工神经网络、灰度理论8-10、混沌时间序列对边坡变形预测的预测方法。slop的工程性质表现出多种多样且不确定的行为，因为与土壤和岩石的形成有关的复杂和不精确的物理过程。因此，位移作为边坡破坏的外在表现形式表现出明显的非线性和不确定性。为了应对行为的复杂性和位移的空间变异性，传统的预测模型是合理简化的。人工神经网络指的是一种人工智能，它试图模仿人类大脑和神经系统的行为，仅仅依靠数据来确定模型的结构和参数。它非常适合复杂的模型问题，模型变量之间的关系是未知的。因此，基于ANNs的模型已成功地应用于边坡稳定性的几乎所有问题。然而，降雨对slop位移13-15有重要影响，基于ANNs的公路slop预测位移模型主要集中在位移的时间序列变化上，但忽略了它。
模块化的神经网络可以通过将问题划分为更小更简单的子问题来解决大规模的现实问题，分配一个网络模块来学习每个子问题，并将单个模块重新组合成原始问题的解决方案。本文利用降雨信息，构造了基于距离测量的隶属函数，首先采用模糊判别法对在线子网进行选择，以提高人工神经网络的自适应能力。实验结果表明，该模型在精度和适应性方面优于其他城市。
2研究位移与降雨的关系。
为了获得基于MNN的精确预测模型，对位移与降雨之间的关系进行了理论分析。无粘性土公路边坡最常见的破坏模式为滑坡，其地质条件为高渗透风化层或坡积层，其覆盖层为低渗透岩层，其界面往往是潜在滑移面。利用iverson16的解析解来描述由于降雨引起的瞬态渗流。然后用弹塑性分析方法分析了基于莫尔-库仑屈服准则和相关流规律的不稳定边坡。
图1为基于莫尔-库仑屈服准则的平面应变条件下无粘性土公路边坡的力图。假设如下:
1 d、dw表示不透水面深度和初始地下水位，两者平行于坡面;
2 均匀的各向同性滑移体是弹塑性材料，严格观察莫尔-库仑屈服及其流动规律;
3 地下水补给源仅为降雨;在此过程中，不考虑蒸发等损失，地下水水位以上的土壤是完全饱和的土壤。换句话说,所有滑动土壤质量有相同的重量密度用gamma;sat;
4 在下雨之前，先不考虑滑动土体的初始塑性应变。初始有效应力平行于坡面用sigma;x0
正比于初始有效应力垂直于坡面用sigma;y0计算使用
其中k0为侧土压力系数。弹性材料,k0可以计算泊松比用mu;
另外，假设强度降雨在整个过程中具有恒定的值。基于Iverson的解析解，孔隙水压力与深度Ya。时间t用phi;Y t可以计算
K是完全饱和土壤渗透系数,Heta;亥维赛阶跃函数,alpha;
坡度角，D0为饱和水力传导率，d1可以使用。
给出了函数误差补函数eta;
在误差补函数eta;是互补的误差函数
图1无粘性土公路边坡的受力示意图
否则,phi;（Y t）应满足的要求
因此，可以计算出具有深度的Fs定义的边坡安全系数使用
ϕ和c有效内摩擦角和有效的土壤,凝聚力和rw是地下水的重量密度。
张挂1所示,总用sigma;Y正应力和剪切应力用tau;Y深度Y并行计算边坡表面使用
利用该方法可以计算出水压力随时间的变化
有效的正常压力是平行于坡面用sigma;x Y,罐内垂直于斜坡surfaceare用sigma;y
Y,给出的皮重
图2应力状态
在此基础上，研究了莫尔在现场的应力与抗剪强度之间的关系。
图2。
变量定义tanϕm
如图所示2张挂,2.12是满意
图2a表明，降雨后的孔隙水压力增大，将摩尔的应力循环移向左侧，直至与剪切强度曲线相切，在该位点变为屈服，然后不等式2.12将成为方程。然而，由于屈服点的屈服面不平行于这一时刻的斜率的底平面;主应力轴方向随着孔隙水压力的增大而变化，直到与斜坡底平面平行。在此期间，可采用塑性区应力计算。
theta;是最大主应力的角度从y-ax并给出
在平面应变条件下，莫尔-库仑屈服准则可以表示为F，计算使用
利用它给出的流动规律，沿临界滑移面应变增量为a。平移运动,它的价值是零,即dεx 0;之间的关系应力和应变增量为。
在此
G是剪切模量和lambda;是瘸腿的常数,计算通过使用
通过使用，可以计算出slop的位移。
坡度角、不透水深度、深度初始地下水位、重量密度。
地下水的滑动土体质量密度、侧向土压力系数，
有效的内摩擦角、饱和水力传导率和剪切模量。
设置toalpha;25,d4m、dw4mgamma;w9.8kN / m3gamma;sat 21.0 kn / m3k0 0.7,ϕ30◦D0asymp;0.001平方米/ s,andG2 MPa。同时,渗透系数表示摧毁minus;4 m / s和小雨的上限,中雨、大雨、暴雨倾盆,严重暴雨分别为1/K0.012、0.025、0.05、0.1、0.3。
图3为不同降雨量下边坡位移和边坡安全系数的影响。在不同的降雨等级下，位移值与Fs之间存在近似的一一对应关系;Fs被发现随着位移的增加而显著减小，而降雨对Fs与位移之间关系的影响则成为slightFigure 3a。需要124小时、53小时、26小时、14小时、5小时的小雨、中度雨、大雨、暴雨和暴雨，使坡度为3b的10毫米位移;所以降雨对位移值有很大的影响。
Fs的计算期间,一些参数的模型,如物理和力学参数有效内摩擦角ϕ和有效衔接的土壤c是不确定的,他们是密切相关的测试方法,土壤标本,换算系数,等等。因此，对公路边坡的位移进行预测是十分困难的。由于位移具有近似的一一对应关系，位移可用于预测公路坡度的破坏。降雨对坡面位移有重要影响;基于人工神经网络的监测数据预测未来无粘性土公路边坡的位移，应考虑降雨。
3采用模块化神经网络的研究方法
ANNs的最大特点是它们是基于一种类似于哺乳动物大脑的生物神经系统的自组织结构，ANNs提供了一种有效的方法来解决那些由于理论上的局限性而无法通过统计方法精确解决的问题。因此，基于ANNs的位移预测模型忽略了ainfall的影响，其值可能是不客观且不可信的。
MNN采用分治技术，根据训练数据之间的固有类关系，将问题划分为一组子问题，然后给出一个网络模块来学习每个子问题，最后将各个模块重新组合成一个解决方案。在学习位移监测数据之前。
图3 降雨对位移和fs的影响
坡度位移监测数据的样本集应根据降雨等级进行正确分类，在此基础上建立子网络，使子样本数据经过精确的训练，最终将子网络输出重新组合成一个。给出了MNN的总输出量。
在网络输出中，yi是NETi所表示的第i个子网的输出，wi是子网络的归一化输出向量元素，R是本地网络的数量。
图4显示了预测系统的网络架构，该系统由三层输入层、隐藏层和输出层组成，它们全部被完全连接，形成一个分层网络。子网{ NET1,NET2,hellip;，NETR}构成网络，开关{E1,E2，hellip;，ER}是由降水确定的，R是本地网络和交换机的数量。坡度位移监测数据的样本集定义为asS{s1,s2，hellip;Z,sn },{ x1,x2,hellip;xn}是降雨的样本集，n是数据的个数。桑兹有近似的一一对应。
建立了位移-时间预测模型，该模型可以预测未来边坡的位移
其中q为延迟时间步
首先，构造了雨滴xLR、MR、HR、TR、SR的特征向量。
T，所以LR是小雨，MR是中雨，HR是大雨，TR是可怕的暴雨，SR是严重的
图4模块化神经网络模型
下起倾盆大雨。考虑降雨等级的模糊分类;根据特征向量的计算，对样本的位移监测数据进行了分类
其中R为样本集的分类号，S{S1,S2，hellip;第六,SR },是聚类中心
在Si中，vvijis的隶属度矩阵为模糊子集。在3.3中,a1和
b217。一些数据可能同时属于样本子集Si和Sj。在那之后,
采用反向传播算法对浇口和局部网络NETi进行采样。
subsetSi,下界的错误ε10minus;8和最大迭代号码是20005。MNN的最终结果可以计算为3.1
科幻/isin;S新的测试数据,测量的距离xf VV1,V2,hellip;虚拟现实是
选择作为判断其所属的本地网络的标准，计算了3.4和3.5
在此
di为xf的相对距离度量，NETi di为第i个样本子集的平均距离度量，ni为第i个样本子集的数据个数。位移监测数据sf仅由局部网络进行训练，其中di是最小的。
传统的MNN算法使边界样本的计算精度较低。为了解决这一问题，选择了多个局域网来进行模糊训练。决策，以显著提高MNN模型的准确性。首先,相对在所有的局部网络归一化中，可以使用xf的距离测量。
定义相对距离度量的模糊集{非常小，由vs，小。用s表示，中间用m表示，大l}， ui的值反映了距离。测量xf和NETi之间的距离。如果uiisin;{和},然后本地网络洗鼻应该用于火车sf与NETi的距离较短。如果uiisin;{ l },然后本地网络洗鼻不能用于列车f xf和洗鼻的距离。
本地网络选择的计算涉及以下步骤
步骤1。计算每个新测试数据之间的ui sf/isin;S及其对应的本地网络用3.4,3.5,和3.6
步骤2。利用隶属度曲线的隶属度曲线计算隶属度曲线，如图5所示
步骤3。选择哪个模糊子集ui属于最高隶属度。
将属于同一集合的模糊命令和本地网络从vs集成到1。如果本地网络uiisin;{vs}真的存在,那么它应该被用来训练数据sf,否则,选择本地网络的uiisin;{s },直到选择本地网络的uiisin;{ m }。
由于高斯分布的对称性，采用高斯函数的模糊隶属度函数，使得隶属度的中心值每次降低50%。隶属度{vs、s、m、l}的模糊子集的中心为0.25/P、0.5/P、1/P、2/Pand，当ui lt;0.25/P或ui gt;2/P时，隶属度的值为1。对于ui 1，所有ui不能同时使用gt;1/Pat;同时,相对应的本地网络uiisin;{ vs,s,m }不会空集。相对应的本地网络uiisin;{ l }不应选择从vs选择本地网络的序列是在步骤3中1
选择的本地网络的权重为
其中wfi是选择的本地网络的权重，dfi是ith本地网络的距离度量，而Lis是被选中的本地网络的数量
4 仿真结果
因此，为了说明模型有效性的有效性，选择北京市某公路边坡进行试验。在自然和社会的离散动力学中，塌陷区域的地质调查。
图5 Ui的隶属度曲线
图6斜坡的位置和简要的地质描述
研究基于现场调查和对遥感影像的评价;坡度的位置和简要的地质描述如图6所示
利用时间序列分析建立了MNN模型和ANN 模型 【18】的位移时间预测模型。然后根据相同的样本数据，预测未来的无粘性土公路边坡位移。
设置模型参数K =5为样本集的分类数，用于训练局部网络的多层前馈神经网络中隐藏节点数为4，用自相关方法计算的延迟时间步长为6【19】。
图7为同一降雨等级下的位移监测数据组的相对误差，即通过在一个降雨等级中选择位移监测数据，忽略降雨的影响。它们各自的误差幅度几乎相同，因为这两种方法都使用反向传播算法进行训练。
从5月22日到2011年10月31日，位移数据记录了这种无粘
全文共6186字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[16364]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
