导航：安全管理网>> 安全论文>> 建筑安全论文>>正文

基于蚁群优化神经网络的混凝土坝位移安全监控模型

文档作者：牛景太，魏博文2 文档来源： 1．南昌工程学院水利与生态工程学院 2．南昌大学		点击数：	更新时间： 2024年02月22日
下载地址：点击这里	文件大小： 226.53 KB 共3页	文档格式： PDF	下载点数： 1 点（VIP免费）

全屏查看

内容预览 [文件共3页]

本文件共3页，如需编辑使用，请下载。

注：预览效果可能会出现部分文字乱码（如口口口）、内容显示不全等问题，下载是正常的。

	文件大小：226.53 KB 共3页文件格式：PDF 下载点数：1 点（VIP会员免费）

下一篇：混凝土结构设计中人的因素对其安全性能的…

上一篇：建筑结构安全性鉴定评级中的混凝土构件抗…

文本预览

仅提取页面文字内容，供快速阅读使用。

第48卷第7期
2012年7月
甘肃水利水电技术
GANSU WAI珏t R琰 I】】麟ANDⅡ如)I旧pD1愀如瞄ⅡN0U，c．Y
V01．48．No．7
Jd．，2012
· 设计与研究·
基于蚁群优化神经网络的混凝土坝位移安全监控模型
牛景太 ，魏博文2
(1．南昌工程学院水利与生态工程学院，江西南昌330099；
2．南昌大学建筑工程学院，江西南昌 330031)
摘要：反向传播算法(BP)作为一种多层前馈神经网络模型广泛应用于水利工程监测资料分析中，文中考虑到该算法
在求解过程中精度较低、搜索速度慢和易于陷入局部极小值等缺点，将蚁群算法(ACO)引入其中，并提出了一种基
于蚁群优化神经网络的计算方法，通过对该模型中的权值进行寻优求解，构建了混凝土坝位移监控的ACO—BP模
型。最后。通过实例证明了文中所建模型的合适性和快速性。鉴于此模型的有效性，为大坝的安全监控和风险预警提
出了一种新的评价依据。
关键词：蚁群算法；神经网络；位移；监控
中图分类号： Ⅳ698．1 1 文献标志码：A 文章编号：2095-0144(2012)07—0039—03
1 前言
神经网络具有复杂的非线性映射能力、函数逼
近和大规模并行分布处理能力。神经网络中应用最
普遍的是多层前馈网络模型，其中BP算法因其依
据坚实、推导过程严谨、通用性强而得到了广泛的应
用。由于BP学习算法[1]采用的是沿梯度下降算法．
所以，训练通常需要很长时间才能收敛，而且不可避
免地会遇到局部极小的问题。
蚁群算法(ant colony system)是2O世纪9O年代
提出的一种新型的模拟进化算法，它是由意大利学
者M．Dorigo等人首先提出来的，[2 称之为蚁群系统，
并成功应用于一些实际问题，如TSP问题、分配问
题、job—shop调度问题，并取得了一系列较好的实验
结果。[ ·
本文将蚁群算法和神经网络结合起来，可兼有
神经网络的广泛映射能力和蚁群算法的快速、全局
收敛以及启发式学习等特点， 】在某种程度上避免
了神经网络收敛速度慢，易于陷入局部极小点的问
题。利用蚁群算法学习神经网络的权值，将二者结
合起来可解决非线性模型的辨识问题。
2 蚁群优化神经网络训练
2．1 基于蚁群算法的神经网络训练
大多数神经网络都使用梯度下降法进行训练．
例如反向传播算法(BP)。这种算法具有收敛时间
长、易于陷人局部极值等缺陷。[9,10】蚁群算法是一种
全局优化的启发式算法，因此用它来训练神经网络
的权值。可避免BP算法的缺陷。算法基本思想是：
假设网络中有n个参数，它包括所有权值或阈值。
首先，将神经网络参数P (1耋i耋n)设置为jv个随
机非零值，形成集合 。蚁群从蚁巢出发去寻找食
物，即每只蚂蚁在集合 中选择一个权值。蚂蚁的
数目为h， ( )表示集合 (1 i耋m)的第．『个元
素p ( )的信息素。蚂蚁搜索时，不同的蚂蚁选择元
素是相互独立的，每只蚂蚁从集合 出发，根据集
合中每个元素的信息素和公式(1)从每个集合 中
选择1个元素。当蚂蚁在所有集合中完成选择元素
后，它就到达食物源，然后调节集合中元素的信息
素。这一过程反复进行，当全部蚂蚁收敛到同一路
径。或达到给定的迭代次时搜索结束。
2-2 蚁群算法的主要步骤
(1)令时间t和循环次数NC为零，设置最大循
环次数ⅣIn唧，令每个集合中的每个元素的信息素
~i(1pi)(t)=C，且 ( )=O，将全部蚂蚁置于蚁巢。
(2)启动所有蚂蚁，对蚂蚁k(．j}=l，⋯ ， )，根据
下述路径选择规则计算的概率用轮盘转法选择集
合厶的元素。路径选择规则：对集合厶，蚂蚁k根
据式(1)计算的概率Prob随机地选择它的第f个元
素。
收稿日期：2012-07—06
基金项目：①江西省科技支撑项目(2010BSA16800)
②水利部公益性行业专项项目：农村小河流综合治理关键技术研究与示范(201201016)
作者简介：牛景太(1977一)，男，山东东明人，讲师，博士研究生，研究方向：水工结构及水工建筑物安全监控。
· 39 ·
2012年第7期 甘肃水利水电技术 第48卷
Prob( (厶i))=( ( ))， ( ) (1)
(3)重复步骤(2)，直到蚁群全部到达食物源。
(4)令t一抖m，Ⅳc．一一Ⅳc+1；利用各蚂蚁选择的
权值计算神经网络输出和误差，记录当前最优解。
根据下面的信息素调节规则更新每个元素的信息
素。信息素调节规则：随着时间的推移，先前留下的
信息素逐渐消逝，用参数p(O~p≤1)来表示信息素
的持久性，则1_p表示信息素的消逝程度。经过m
个时间单位，蚂蚁从蚁巢到达食物源，各路径上的信
息素要根据下式作调整。
( )(￡+ )= ( )(t)+△ ( ) (2)
ArAb,)= ( ) (3)
△ (，Pi)表示第后只蚂蚁在本次循环中，在集合
的第 个元素 ( )上留下的信息素，可用下式来
计算。
篙 ㈤
式中：Q是常数，用于调节信息素的调整速度；e 是
将第k个蚂蚁选择的一组权值作为神经网络的权值
时的输出误差，定义为ek=[O一0 l；式中：0和0 是神
经网络的实际输出和期望输出。误差越小，相应信
息素的增加就越多。
(5)如果蚂蚁群全部收敛到一条路径或循环次
数 ≥Ⅳ ，则循环结束，输出最佳路径。否则转
步骤(2)。
3 大坝变形的AC0一BP监测模型
由大坝监测资料分析可得，大坝结构各个部位
的位移(即变形)变化与水压日、温度 等环境量有
关，因此，变形安全监控网络模型的输入层节点数
目取决于影响变形观测量的因子数，可将用于位移
预报的网络输入变量拟定为f实测值y、水位日、温
度 、时效01。对于本文训练实例中，其预报统计模
型[】 ]可以拟定为：
g=ao+喜aiM + f=1 i=l L sin JVJ cos u—J l+c1。
(4)
研究表明，若输入层的节点数为 ，则当隐含层
具有2T+1个节点时。3层BP网络可以任意精度逼
近任何一个可微函数。输出结果为大坝某测点变形
监测量，因此网络输出层的节点数为1。
对于神经元激活函数采用Sigmoid函数。即
)=(1+exp( 一 ))
· 40 ·
(5)
当数据在远离0的区域学习时，因为在饱和区
段，学习收敛速度比较慢，甚至于出现麻痹现象。为
此将训练样本数据开始之间先进行标准化，设 为
标准化前的因子变量； 为标准化后的因子变量；
为因子变量的最大值； 血为因子变量的最小
值。则相应标准化后的变量为：
X =( — Ⅱin)／( ) (6)
这样本样本数据均在(0，1)之间，在未减少数据
间联系的情况下，可以大大加快了网络的学习速度，
而数据间的联系并不减少。
4 工程应用
4．1 工程资料
某混凝土重力坝，坝顶高程280 m，最大坝高
78 m，坝顶全长253 m，共分13个坝段，从左往右编
号为2 14 。其中河床中部6 11 坝段设有6孔溢
洪道，河床4个溢流坝段为宽缝重力坝，其余档水坝
段为实体重力坝。选取了典型 坝段2002—2005年
坝顶水平位移前900个观测数来训练。剩下64个数
据用来检验。应用上述理论建立位移预报模型。模型
为多输入单输出模式，即输出量是实测值，水位、温
度、时效，输出量为监控预报值。当训练达到3 600
次时。误差函数趋于稳定。模型训练结果与实测值对
比曲线图如图l所示。
l
蠢
日期
图1 模型拟合曲线(实线为实测值。虚线为拟合值)
- 31
4．2 两种模型3种评价指标的比较
为了对文中ACO—BP模型的精度更清晰的了
解，文中将ACO—BP模型和传统的统计模型进行对
比分析，利用以下3种统计评价指标。
平均绝对百分比误差：
： 订 Y (7)
t
均方误差：
■■———一
脚 一 (8)
平均决定误差：
MAE= 一 I (9)
第7期 牛景太，等：基于蚁群优化神经网络的混凝土坝位移安全监控模型 第48卷
对于ACO—BP模型与统计模型的历史样本的
拟合效果作定量比较。表1给出了ACO—BP模型与
统计模型的3种统计评价指标计算结果。由表1可
见．ACO—BP模型的拟合效果明显优于统计模型。即
便统计预报方法往往拟合效果较好，但实际预报能
力有时不一定与拟合效果一致。
表1 两种模型三种评价指标的比较
5 结语
本文考虑到反向传播算法在求解过程中精度较
低、搜索速度慢和易于陷入局部极小值等缺点．将蚁
群算法(ACO)引入其中，取得以下结果：
(1)ACO—BP模型应用于大坝变形监控预报分
析中是可行的，其预报精度优于常规的统计模型；
(2)利用蚁群算法特有的快速全局收敛特性，
可以有效地解决神经网络结构设计和学习中的精度
低、收敛慢等缺陷；
(3)蚁群算法在大坝安全监测神经网络预报模
型建立中的应用尚属起步阶段，仅限于前馈网络的
设计，对于复杂问题中的应用还需进一步的研究，从
而提高网络结构优化计算能力。
参考文献：
[1]Garson G D．Interpreting neural network connection weights
lJ]．AI Expert，1991，6(7)：47-51．
[2]DORIGOM，MANIEZZOV，COLORNIA．Ant system：oF--
fimization by a colony ofcoperating agent【J J．IEEE Trans
on System，Man，and Cybernetics，1996，26(1)：29-41．
[3 J DORIGO M，GMBARDEUA L M．A cooperative learning
approach to the traveliing salesman pmblem一[J]．IEEE
Trans on Evolutionary Computation，1997，t(I)：53—66．
[4]COLORNI A．Heuristics from nature for hard eombinatorial
optimization problems[J]．Int Trans in Opnl Res，1996，3
(1)：l一21．
[5]洪炳熔，金飞虎，高庆吉．基于蚁群算法的多层前馈神经
网络[J]．哈尔滨工业大学学报，2003，35(7)：823—825．
[6]梅红，王勇，赵荣齐．基于蚁群优化的前向神经网络[J]．
武汉理工大学学报：交通科学与工程版，2009，33(3)：
53l—533．
[7]赵胜颖，高广春．基于蚁群算法的选择性神经网络集成方
法[J]．浙江大学学报：工学版，2009，43(9)：1568—1573．
[8]师彪，李郁侠：于新花周旺．动态调整蚁群一BP神经网络模
型在短期负荷预测中的应用[J]．水力发电学报，2011，30
(3)：5—9．
[9]Maniezzo V，Carbonaro A．An ants heuristic for t helm—
quency assignment pro blem 【J J．Future Gener ationComputer
System~，2000，16：927—935．
[1O]苏怀智，吴中如，温志萍，沈振中．遗传算法在大坝安全
监控神经网络预报模型建立中的应用[J]．水利学报，
2001(8)：44—48．
[11]吴中如．水工建筑物安全监控理论及其应用[M]．北京：
高等教育出版社，2003．
(上接第29页)库容约5 000万m3，提高了防洪标
准，对上下游都极为有利。如2010年水库遭遇到2O
年一遇的洪水标准，由于提前将加大负荷发电。预腾
库容，增大防洪库容8 000万m，．此次洪水过程削峰
率61．12％，确保了下游的防洪安全，1999年同量级
的洪水对下游造成损失约2 000万元。
6 结语
汛限水位分期、动态控制的关键的时期是实时
调度，其经济效益与社会效益是巨大的。汛限水位
分期、动态控制的相结合的试运行．为充分利用洪水
资源及水能资源，科学合理的利用水库防洪与兴利
的“重叠”库容，达到保证兴利蓄水及提高防洪能力
提供有力保障。某水库正是试行运用了汛限水位分
期、动态控制的理念，在2010年安全防洪度汛．取得
了一定的经济效益、社会效益。既保障了下游防洪安
全，又完成了兴利蓄水目标。
参考文献：
[1]王本德，周惠成．水库汛限水位动态控制理论与方法及其
应用[M]．北京：中国水利水电出版社，2006．
[2]辽宁省水利厅．防洪调度新方法及应用[M] 匕京：中国水
利水电出版社，2007．
[3]谭培伦．综合利用水库调度[M]．北京：水利电力出版社，
1990
· 41 ·

网友评论 more

建筑安全论文最新内容

03-05