反向传递神经网络在水泥土无损检测中的应用

1、反向传递神经网络在水泥土无损检测中的应用                        摘要：通过水泥搅拌土室内试验，研究了水泥搅拌土的各种物理力学特性，根据试验数据建立了水泥搅拌土无侧限抗压强度、灰土比与养护条件、养护时间、纵波波速、横波波速的神经网络模型，然后对水泥土的强度和灰土比进行计算和预测。研究结果表明，神经网络模型不仅可以综合考虑各种因素的影响，

2、而且具有较高的预测精度，是一种很好的无损检测信息处理工具，在岩土工程无损检测中具有广阔的应用前景。 关键词：神经网络 水泥搅拌土 岩土工程无损检测 抗压强度     水泥土深层搅拌的施工质量受多种因素影响，不易控制。以往所采用的钻芯取样等方法因存在许多困难限制了其实际应用，无损检测的关键是确定工程上可以接受的检测标准。在岩土工程中，常常根据无须对测试工程取样破坏就能测到的物理量(例如波速)与直接反映施工质量的物理量(例如抗压强度和灰土比)之间的关系来建立无损检测标准1。以往，大多利用单因素回归分析方法建立检测标准，所得出的回归方程千差万别24，工程应用很

3、不方便。因为影响水泥土强度的因素众多，不易建立解析的数学方程来确定强度与各因素之间的关系，这使数理统计、回归分析等常用的数学工具在处理此类问题时显得力不从心。人工神经网络是在模仿人脑神经功能的基础上于20世纪末新发展起来的一种信息处理工具。作者选用天津地区堤坝工程常见的黏土进行室内水泥搅拌土试验，测试其在不同养护条件、不同养护时间、不同灰土比条件下的纵波波速、横波波速和无侧限抗压强度。依据试验结果进一步建立养护条件、养护时间、纵波波速、横波波速与无侧限抗压强度和灰土比的神经网络模型。1 神经网络理论概述    神经网络就是采用物理可实现的系统或利用平常的

4、计算机编程来模仿人脑神经细胞的结构和功能的系统。它是由很多处理单元有机地联结起来，并行工作；它的处理单元十分简单，其工作则是集体地进行。它的信息传播、存储方式与人脑神经网络相似；它没有运算器、处理器、存储器、控制器等这些现代计算机的基本单元，而是相同的简单处理器的组合；它的信息是存储在处理器单元之间的连接上(称为权)，因而它是与现代计算机完全不同的系统。现已证明，一个3层网络可以任意精度逼近任意给定的连续函数，实现M维空间到N维空间的非线性映射，故它擅长处理复杂的多维非线性问题。它可以从已有的试验数据中通过一定的学习算法，在不同程度和层次上模仿人脑神经系统的信息处理、存储及检索功能，能自动获取

5、信息、智能处理、总结规律，即具有自组织、自学习及推理的自适应能力；此外，它还具有一定的容错性和联想记忆功能等。在人工神经网络中，所有的信息存储在处理单元之间的连接上，其量化指标用单元之间的连接权(Wi,j)来表示，而单元之间连接权的确定是通过教师样本的训练来自动完成的，其中多层前馈网络的反向传递训练算法(Back Propagation)是神经网络中最常用的一类算法，由此算法构成的网络(简称BP网络)是神经网络中最常用的一类网络形式，也是目前研究最多、最成熟的神经网络系统17。2 水泥搅拌土试验    本次试验主要为了解养护条件、养护时间、纵波波速、横波

6、波速与水泥土无侧限抗压强度和灰土比的关系，为建立水泥土无损检测模型提供可靠的试验数据。由于目前水泥土的室内试验尚未形成统一的操作规程，故试验采用现有的土工试验仪器及砂浆混凝土试验仪器，按照土工或砂浆混凝土的试验规程进行试验。    试验选用天津市堤坝工程中常见的黏土，其物理性质指标如下：土粒比重2.70、液限39.5%、塑限19.4%、塑性指数20.1。采用435#硅酸盐水泥作为搅拌剂，试验时先把土样风干粉碎过2mm土样筛，然后和水泥放入搅拌机慢慢加水 进行搅拌，根据工程中常用的控制指标，控制稠度为6cm。为了研究水泥渗入量对水泥土强度的影响，分别按照灰

7、土比8%、12%、16%、20%、24%制样；采用70.7cm3的钢试模，制样时先在试模内装入一半试料放到振动台上振动一分钟，再装入其它的试料后振动一分钟，最后将试件表面刮平盖上塑料布防止水分蒸发过快，24h后取出试样进行养护；养护条件分为标准养护(环境温度(20±3)，环境湿度大于90%)和标准水中养护，标准水中养护是为了模拟水泥土在饱和土中的情况，把试样放在标准养护间的水槽中进行养护(养护用水的温度为(20±2)。图1 神经网络拓扑结构    室内水泥土的测试内容包括水泥土养护3d、7d、14d、28d、60d、90d的纵波波速、

8、横波波速、容重、含水量以及无侧限抗压强度。为了减少测试误差和扩大测试样本数量，每种试样分别测3块，其测试方法如下：(1)用超声波法测试试样的弹性波速，试验仪器为GJY-1C型工程检测仪。(2)借助砂浆试块压缩试验方法测试试样的无侧限抗压强度，试验仪器为WD-4000型电子万能材料实验机。                           

9、;  3 预测水泥土抗压强度及灰土比的神经网络模型    典型的BP网络包括了一个输入层、一个隐含层(也称中间层)和一个输出层，如图1所示。各层之间实行权连接，每一层又由若干个神经元组成。对各层结点输入矢量进行加权求和运算后，再通过该层结点的传递函数确定其输出。结点的传递函数可为线性函数或非线性可微函数。通常，隐含层与输出层之间取线性函数，隐含层与输入层之间取非线性函数。图中X1，X2，Xp代表输入层上p个输入变量，Z1，Z2，Zq代表隐含层上q个单 元；Y1，Y2，Yr代表输出层上r个输出变量。此网络可实现p维空间到r维空间的任意非线性变换。Wi,j代表第i个输入变量到第j个隐含层单元之间的权值，W´i,j代表第i个隐含层单元到第j个输出层单元之间的权值，所有这些权值的最后确定是通过教师样本的训练来自动实现的。i代表第i个隐含层单元的阈值，´i代表第i个输出单元的阈值。f1代表隐含层单元与输入层单元之间的传递函数，f2代表隐含层单元与输出层单元之间的传递函数。    BP网络的学习过程是由信息的正向传递和误差的反