温资料中有所反映，从而根据测温资料可及时发现存在的问题。在实际测温过程中，一般是预先选定几个混凝土裂缝的地质雷达剖面图Fig.1FissuresshowninGRPsection本文应用神经网络技术计算求取底板内各点的纵向及横向温度数据，从而了解整个底板内混凝土中温度场分布及变化，分析可能存在的质量缺陷。对于同一个基坑中的底板测温来说，首先是布设具有代表性的测温点，这样就可以从这些代表性的温度点中选出比较好的神经网络所需要的学习样本供其学习，从而保证得到合适的神经网络权值与阈值；另外，监测时可以认为外部条件基本相同。判别计算底板其它点混凝土的温度正是人工神经网络技术所擅长的一种具体应用。即己知一些测点的某深度的混凝土温度（样本），通过样本的训练与学习，去预测区域内其它点的温度。
神经网络技术的应用学习过程均以其归一化的坐标值为输入，学习的目标值均为对应的归一化温度。
本文使用*为广泛的反向传播人工神经网络即BP网络（BackPropagationNetork）应用于温度场的计算，并且在实际应用中改进为BP的动量算法，以提高其学习速度与算法的可靠性。从模型试验与实际应用来看，这种方法是十分有效的。
1人工神经网络在底板温度场预测中的模型建立人工神经网络是由很多小的处理单元互联而成，每个单元功能简单，但大量简单的处理单元集体的、并行的活动可得出预期的识别、计算结果，并具有较快的速度。并行结构的特点使得神经网络具有较强的抗干扰能力；同时人工神经网络通过其隐层与神经元数的调整，可以保证保留某些包含有用信息的高频成分，而这些高频成分往往可能与所判别对象的特征（如缺陷等）有关；学习完毕，人工神经网络所记忆的信息是存储在神经元之间的权中，单个权中看不出存储信息的内容，因而是分布式的存储方式。人工神经网络又具有十分强的学习功能，其连接权和连接的结构都可以通过学习而得到，因此利用人工神经网络可实现模式识别、数据聚类、函数逼近、优化计算等功能。
根据基坑底板中温度场的特征，本文使用BP网络应用于温度场的计算。BP网络是一种多层前馈神经网络，其神经元的变换函数是S型函数，因此输出量为0到1的连续量，可以实现从输入到输出的任意非线性映射。为两层BP网络结构。在确定了BP网络的结构后，利用输入输出样本集先对其进行训练，对网络的权值和阈值进行学习与调整，以使网络实现给定的输入与输出映射关系。实样中对于不是样本集中的输入也能通过其映射关系给出合适的输出。己知一些实测的底板内温度点，选定其为样本通过神经网络的训练与学习，输入预测点的坐标值参数和约束条件，就能求出该点与该深度的温度值。同理可以知道整个基坑内温度场值，从而预测出基坑底板温度场的空间与时间分布。
针对底板温度场，采用了BP的动量算法，以提高其学习速度与算法的可靠性。由于传统BP算法收敛速度慢、容易产生局部极值和难以确定隐层与隐节点数的缺点，本文对BP算法进行的改进主要是在学习过程中对权值（包括阈值）的调整来克服上述缺点。权值的改进如下：其中：wa）为权值；Da）是k时刻的总误差对各权值的负梯度；为学习率，a>；为动量因子， 对于初始权值的选择，采用随机数。由于程序设计使用了修正了的BP动量算法，学习的结果表明随机初始权值与阈值也可以较快速地达到收敛，*后达到规定的精度要求。 3实例应用与结果分析整个应用共分三部分。以下结合实例分析人工神经网络在本文中的三方面应用。 首先应用人工神经网络技术求取平面上的温度分布。可以通过一维BP预测，得到底板内混凝土纵向上的温度值。不妨取出其*大值或者平均值作为预测值，这样就可以得到平面上的*大值或者平均值学习样本（参见表1.表1数据为底板内样本的温度平均值，二维坐标值己归一化）。经过样本学习（取隐层单元数从==12，*大学习次数NfchT=10000，*小误差精度=000 1）得到学习的温度归1值然后转化为+.1994014Cnma温度值（见表1）学习完毕，用一个平面网格坐标数据区预测其它地方的平均温度值，用SuferforWindows绘出平均温度等值线图（见）从图中看，大致在平面位置的（0.0.7）与（0.8，0.6）处存在低温带。根据现场检查，与实际的缺陷位置对应很好。（的坐标值均己归一化，故量纲为一。图中等值线上数字的单位为C.）表1二维BP法温度场学习前后温度值坐标点学习前温度/归一值学习后归一值/温度温度等值线图（2）人工神经网络在三维测温中的应用。学习样本输入从实际效果看为某一深度点的三维坐标及其对应的目标输出温度值。模型试验表明此条件下BP学习过程会出现不稳定的情况。采取的措施是在学习过程中以一维垂向的BP学习结果作为三维BP学习的约束条件。学习完毕就可以预测坝体内任一点的温度，也就知道了坝体内的整个温度场分布。 对于三维情况下的BP温度场预测，提出一种一维与三维神经网络相结合的模型。三维BP预测是希望通过输入区域内样本的三维坐标值及其对应的温度值，学习后的BP模型去预测该区域内任一点的温度值。相比较于一维、二维BP计算三维计算量呈指数级加，所以学习时间较长，而且在试验过程中发现此时存在训练学习结果不稳定问题。针对这种情况，采取引进一维垂向的BP学习结果来作为三维学习的约束条件，以减小学习结果的不稳定性。模型试验时，学习时的样本如表2所示。学习时的参数选择为：隐层单元数s=12*大学习次数NepA= 12000，*小误差精度e=0.0001.学习后样本点的预测值见表2与实测温度值比较发现，两者的差值己经很小。同时，还可以看到，中误差曲线收敛的很好，几点的收敛比较一致。 表2三维BP法温度场学习前后温度值坐标点学习前温度/归一值学习后归一值/温度学习次数BP学习误差曲线图选择区域内的四点对其对应的温度进行了预测（见表3）预测结果同样有低温区存在，这与实际情况比较符合，表明用一维BP学习结果作为约束条件的三维BP预测模型是有效的。推而广之，取区域内任意点进行温度预测，就可以得到整个底板体内温度场的值。也就是说，通过神经网络的权值及阈值描述了非线性的温度场，而一个具体数学函数表达式是不可能描述此种场的。这表明该模型的基本思路即“一维约束，三维预测”是可行的。 坐标点学习后归一值/温度（3）人工神经网络在过程点预测中的应用。为了了解混凝土凝结过程的温度变化，通过以其它类似堤坝典型混凝土温度的变化特征作为学习样本。学习完毕后预测在特定时刻本堤坝混凝土温度所处的变化阶段，也可从温度变化过程检测混凝土质量。 下面为一具体实例。对于BP网络的过程预测，首先在其它工地找到相似条件下（主要为混凝土标号和养护条件相同）的具有代表性的温度数据，通过BP的学习可以得到一条随时间变化的正常温度曲线，如所示。然后以预测时间值为预测样本输入计算出正常状态下的温度值T再计算T与实测T'的差dT=T―T'.根据dT的大小确定养护过程中异常情况。如所示，在己知样本的几个过程温度值下，通过学习得到图中的正常曲线，而基坑底板混凝土的曲线也由神经网络学习得到，与正常曲线比较却明显偏低，反映出该处的养护或者混凝土质量有问题。 过程BP法曲线比较4结论通过上述三方面的应用及模型试验，并结合野外实测资料，可以从获得完整的底板温度场空间与时间分布。从应用结果分析，温度监测作为地球物理无损检测方法之一，可以监测底板凝固过程温度场的分布以及检测底板混凝土质量。配合神经网络的应用，结论会更客观合理，也更有效。当然，人工神经网络成功实现的关键应该是学习样本的选取。学习样本应该选取该计算区域的典型的具代表性点的温度场点，另外样本中应该包括区域内*大与*小范围及温度值点，同时样本能够比较均匀地分布在预测区内，以便学习得到的网络权值能够比较全面地包含整个区域的信息，这样就能够达到精确预测的目的。
网友评论
共有0条评论