【基于BP神经网络单筋锚固承载力预测分析6600字】

基于BP神经网络单筋锚固承载力预测分析目录TOC\o"1-3"\h\u4730基于BP神经网络单筋锚固承载力预测分析 表2.2。表STYLEREF1\s2.SEQ表\*ARABIC\s12计算结果对比计算模型最大值Max最小值Max均值Mean标准差Stdev变异系数Cov赵新刚[61]1.7960.5130.9250.2430.263刘向华[62]1.4310.3370.7750.2580.333赵军[63]1.7020.5630.9310.2070.223BP网络1.3770.4750.9880.1630.165根据计算值与实验值比值绘制出散点图，把ANN神经网络输出结果与现有承载力模型的比较，点数越接近与直线y=x，说明预测值和实验值越接近，拟合效果越好。计算结果图如下：所有的经验公式中，周模型和赵军模型的预测数据点比较接近直线y=x，而刘向华计算出来的结果大多落在直线y=x下方，说明刘模型计算结果偏于保守。相比经验公式，BP神经网络计算结果预测精度最高，预测也最为稳定。图STYLEREF1\s2.SEQ图\*ARABIC\s17模型计算值与试验值比较为了更加清晰直观的发现各个公式之间的关系，把误差范围内各数据点统计如，从表中我们不难看出：在各经验公式中，计算精度最高是赵军，其次是赵新刚，最后是刘向华。但是对比赵新刚和赵军可以发现，计算式基本一致，但赵军文章中认为在计算复合破坏时破坏锥面与水平方向夹角θ不是45°夹角，而是30.6°夹角，总体来说，计算精度差别不是很明显。而刘向华模型是基于可靠度分析而来，相对来说，取值较为保守，预测值大多小于实际值，位于直线y=x下方，因此计算精度不如前俩者。从图2.7和表2.2、表2.3可以发现，各模型误差范围基本都在40%以内，神经网络模型中超过90%的数据点误差范围在30%以内，但回归模型误差在30%内的数据点个数不到80%，神经网络模型相比经验公式预测精度更高、变异系数更小，这说明神经网络模型相比于传统数据回归方法，能够更好的挖掘输入参数的数据信息。表STYLEREF1\s2.SEQ表\*ARABIC\s13计算结果统计表误差范围（%）误差范围内各模型数据个数误差范围内数据占比（%）BP赵新刚[61]刘向华[62]赵军[63]BP赵新刚[61]刘向华[62]赵军[63]±5261652426.8116.495.1524.74±105236144153.6137.1114.4342.27±156447225565.9847.4522.6856.70±207663326478.3564.9532.9965.98±258469366986.6071.1337.1171.13±309071447592.8473.2045.3677.32±359375558795.8877.3256.7089.69±409690669398.9792.7868.0495.88神经网络结果输出神经网络通过不断调整权值和阈值，使网络误差最小或者达到期望要求，因此具有较高的预测精度。根据神经网络传播理论，可通过权值和阈值输出计算结果。为便于实际应用，本节将探讨用excel输出网络结果。隐含层第i个节点的输入neti为：（2-23）式中：iwij表示隐含层第i个节点到输入层第j个节点之间的权值；b1i表示隐含层第i个节点的阈值。隐含层第i个节点输出ui为：（2-24）输出层第k个节点输入netk为：（2-25）式中：lwki表示输出层第k个节点到隐含层第i个节点的权值；b2k表示输出层第k个节点的阈值；为隐含层激励函数，即传递函数sigmiod。输出层第k个节点输出为：（2-26）式中为输出层的激励函数，一般为purelin函数：（2-27）采用sigmoid做传递函的最优网络结构的权重值和阈值见附录B，因此神经网络隐含层第i个节点输入neti为：⋯⋯⋯（2-28）式中：x1、x2···x5分别对应fco、ft、ld、d、传递函数为sigmiod，因此隐含层节点输出ui为：⋯⋯（2-29）输出层的激励函数为purelin函数，因此输出层输出为：（2-30）式中：y是P归一化后的结果，可通过反归一化得到P，具体参考公式（2-1）和表2。基于以上公式推导，利用excel计算表格得到的结果和神经网络预测结果完全一致，证明了该公式推导的正确性和神经网络结果输出的可行性。结论由于植筋锚固的承载力受多种因素影响，各经验公式算出来的预测结果值相差也比较大，且有一定比例的数据的预测值远大于实验值。而BP神经网络算法不需要提前假定和预先知道函数关系式就能进行网络训练与学习，且具有较强的非线性映射能力。本文在大量的实验数据基础上，采用BP神经网络进行结果预测，结果发现：（1）BP神经网络模型能够很好的预测植筋锚固的承载力。神经网络模型中超过90%的数据点误差范围在15%以内，而回归模型误差在15%内的数据点个数不到70%。预测结果表明，神经网络比经验公式预测精度更高、变异系数更小。。（2）基于神经网络理论，将Log-Sigmoid函数做传递函数的模型输出为数学表达式，并生成excel工具表便于实际应用。虽然神经网络预测性能可以，但不可否认它也存在一些不足：（1）BP神经网络训练过程中需要设定一些参数，但这些参数的选择还没有效的方法。如隐含层神经元个数和学习效率，每个隐含层的神经元个数选择需要对比R值和MSE值选择最优结果，目前为止，还没有简单有效的参数确定方法。（2）采用梯度下降法时容易陷入局部最小值，本文有尝试不断该变初始值来获得全局最优解，但是没有尝试用动量法