参数反演—基于BP神经网络.pptx

参数反演—基于BP神经网络.pptx

《参数反演—基于BP神经网络.pptx》由会员分享，可在线阅读，更多相关《参数反演—基于BP神经网络.pptx（22页珍藏版）》请在冰豆网上搜索。

,工程岩体力学参数的智能反分析,姓名：

罗鹏班级：

土木1303班,论文结构,第1章,前沿,第2章,BP神经网络,第3章,正演模型的建立,第4章,物理力学参数的反分析,第5章结论和展望,第1章前沿,1.1研究背景及意义近年来，我国基础设施建设快速发展，同时这些工程的建设不可避免的会遇到各种不同的岩体。

如果无法对岩体的力学参数进行准确的确定，那么工程的设计、施工以及管理都会遇到巨大的挑战。

传统的实验法、经验分析法、数值分析法都存在着一些缺陷。

反分析方法在求解力学参数方面具有很好的适用性。

将反演的力学参数值与实际的力学参数值进行对比，可以看出反分析方法在解决力学参数方面具有很好的适用性。

此方法为实际工程的参数反演提供了基础。

第1章前沿,1.2国内外研究现状（神经网络算法）,第1章前沿,1.2国内外研究现状（反分析方法）,第1章前沿,1.3研究内容及思路正演分析,反演分析,第1章前言,第2章BP神经网络,2.1BP神经网络的原理BP算法的基本思想是，学习过程由信号的正向传播和反向传播两个过程组成。

正向传播,（反向传播的过程中更新权值）,给定样本,隐含层,输入层,输出层,相等停止,比较输出值与期望值不等误差,输出层,反向传播输入层隐含层,第2章BP神经网络,2.2BP神经网络的结构,BP神经网络的特点：

（1）BP神经网络的传递函数必须可微；

（2）采用误差反向传播算法进行学习,第2章BP神经网络,2.3BP网络的学习算法,学习算法分为正向传播和反向传播正向传播计算误差：

反向传播更新权值：

权值调整量=学习率*局部梯度*上一层输出信号标准的BP算法存在着一些缺陷，因此对标准的BP算法进行改进，得到：

动量BP法，学习率可变的BP算法,第2章BP神经网络,2.4BP神经网络的设计网络的层数：

3层输入层和输出层节点数：

输入层节点数为2，输出层节点数为3隐含层节点数：

20,第2章BP神经网络,2.4BP神经网络的设计传递函数的选择：

隐含层采用Log-Sigmoid函数，输出层使用线性函数。

训练算法的选择：

L-M算法初始权值的确定：

在（0，1）之间随机选定学习率的确定：

0.18,第3章正演模型的建立,3.1FLAC3D软件简介FLAC3D可以用于模拟三维土体、岩体以及其他材料的力学特征，广泛应用于地下洞室、施工设计、边坡稳定等诸多领域。

优点：

对模拟塑性破化和塑性流动采用的是“混合离散法”对静态和动态模型都采用动态运动方程采用了一个“显示解”方案。

第3章正演模型的建立,3.2模型试验论文采用L16（34）的正交表进行正交试验,第3章正演模型的建立,3.3正演模型的数值计算本论文开挖模型选用NullModel模型，隧道围岩选用CVSIC模型。

隧道模型,CVSIC模型,第3章正演模型的建立,3.3正演模型的数值计算计算结果利用FLAC3D软件计算了17组试验数据。

以第0组作为目标值，考虑到蠕变的特性，本论文没有将位移作为输入集，而是将不同条件下的蠕变曲线与第0组的蠕变曲线的均方差作为输入集。

均方差计算公式：

（i=116）以第1组为例,拱顶沉降均方差的计算结果为：

25.568水平收敛均方差的计算结果为：

72.564,第4章物理力学参数的反演,本文参数反演借助于MATLAB软件学习样本16组，通过前面的计算得到,第4章物理力学参数的反演,反演结果,通过结果可以看到误差比较大，但这并不影响该方法对于工程参数反演的适用性，误差较大的主要原因在于学习样本不足和正演分析的参数范围过大。

第4章物理力学参数的反演,反演结果对比实际曲线与反演曲线拱顶沉降曲线,水平收敛曲线,从图中可以看出两个曲线得到很好的拟合，说明通过均方差进行反分析是可行的,第5章结论与展望,5.1结论岩土工程十分复杂，相关力学力学参数的确定则更是困难，本论文借助反分析方法确定了相关力学参数。

本文借助于BP神经网络对岩体力学参数进行反演，提出了新的思路，以前的反分析以位移作为输入集，力学参数作为输出集；本文考虑到岩体的蠕变特性，将不同试验条件下的蠕变曲线与目标曲线的均方差作为输入集。

由于学习样本过少和参数范围过大导致反分析的效果不是特别理想，但本文所提出的思路和方法仍是可取的。

第5章结论与展望,5.2展望反分析的内容比较复杂，涉及到不同学科之间的融合，本文的研究的广度和深度都还不够，本人认为还可以从以下方面发展：

分析参数范围和学习样本数对参数反演的精度的影响。

文中3个参数和反分析的差别较大，可进一步分析原因。

本文参数组合采用正交设计，没有考虑这3个参数之间的联系，可以分析不同参数之间的联系。

本文的智能分析只采用了BP神经网络，可采用其他方法进行分析，并探究各种方法的优劣及适用。

可以研究反分析在其他类型岩土工程的应用。

感谢各位评委老师,