基于BP人工神经网络的煤矸石路堤沉降预测分析

摘要

近年来，随着我国公路及铁路建设的飞速发展，需要大量的材料来填充路基，煤矸石作为土工工程充填材料在国外已得到了广泛应用，因此作为路基材料有着广阔的应用前景。而在煤矸石地基上修建高速公路，其核心问题在于控制路基的沉降。因此，准确地预测煤矸石路基沉降，避免在建设中因沉降问题而影响工程进度和施工质量，具有十分重要的现实意义。 本文依托交通运输部科技项目“高速公路煤矸石路基填料路用性能研究”（项目编号2010-353-343-290）和湖南省交通科技项目（项目编号200908）以及安邵高速公路煤矸石路基工程。针对煤矸石路基沉降预测问题，基于BP神经网络非线性映射能力和学习能力，提出学习率可变的动量BP神经网络预测安邵高速公路煤矸石路基沉降，利用实测沉降资料建立路基沉降模型。该模型有较高的预测精度，可用于煤矸石路基沉降预测。 为了完成上述研究，本文主要做了下列工作: (1)对国内外煤矸石研究现状，煤矸石路基沉降研究现状，BP神经网络在路基沉降应用研究现状进行了系统的综述。 (2)通过对九个省市的煤矸石矿区、使用煤矸石填筑路基的高速公路进行调查并查阅相关文献，结合高速公路路基填料要求，最终发现将南方部分地区的煤矸石用于高速公路路基的填筑是可行的。 (3)对人工神经网络的工作过程、学习方法、结构网络做了简要概述。对BP人工神经网络的原理和实现过程做了较为详细的阐述。从理论上对BP神经网络的优缺点进行了较为全面的分析和总结，并在理论层面上对动量BP网络和学习率可变的动量BP网络两种优化方法进行了简要的对比。 (4)详细介绍了煤矸石路基的施工工艺。使用双曲线拟合法、指数曲线拟合法、星野法分别对安邵高速公路实测路基沉降数据K127+700断面进行预测，经过计算以及借助趋势线最终得出沉降曲线。 (5)利用安邵高速公路实测路基沉降数据，通过BP神经网络进行建模，尝试将构造法和经验试算法相结合，找到了适用于煤矸石路基沉降预测的网络拓扑结构。借助MATLAB中人工神经网络工具箱，采用动量BP算法（对应工具箱中traingdm函数）和学习率可变的动量BP算法（对应工具箱中traingdx函数）对路基沉降进行预测，并进行比较分析，最终确定后者更适合煤矸石路基沉降预测。对比分析BP神经网络法与曲线拟合法的预测结果，得出BP神经网络算法比曲线拟合法更适合煤矸石路基沉降预测的结论。 以上研究工作为煤矸石路基沉降预测提供了一种较为精确的方法，为煤矸石路基沉降变形提供依据，揭示了煤矸石路基沉降变化规律。并在此基础上，证明了学习率可变的动量BP算法比动量BP算法更精确。

目录

声明

摘要

1 绪论

1．1 研究的目的及意义

1．2 煤矸石研究现状

1．2．1 煤矸石作路基填料的工程应用现状

1．2．2 煤矸石路堤沉降研究现状

1．3 BP人工神经网络的研究现状

1．4 本论文的主要工作

1．5 研究技术路线

2 高速公路路基填料要求以及煤矸石工程特性

2．1 高速公路路基填料要求

2．1．1 高速公路路基填料分类

2．1．2 路堤填料压实度以及加州承载比(CBR)的要求

2．1．3 高速公路路基其他要求

2．2 煤矸石的成因以及分类组成

2．2．1 煤矸石的成因

2．2．2 煤矸石组成成分

2．2．3 煤矸石的化学组成

2．3 煤矸石路用性能以及物理特性研究

2．4 煤矸石在土工工程分类中的位置

2．5 本章小结

3 BP人工神经网络理论研究

3．1 人工神经网络

3．1．1 人工神经网络的概述

3．1．2 人工神经网络的工作过程

3．1．3 生物神经元

3．1．4 人工神经元

3．1．5 神经网络的学习

3．1．6 神经网络结构

3．2 BP神经网络

3．2．1 BP神经元及BP网络模型

3．2．2 BP网络的学习

3．2．3 BP网络信息的正向传递

3．2．4 BP网络误差的反向传递

3．2．5 BP网络存在的问题以及改进与优化

3．2．6 BP网络的MATLAB工具箱函数

3．3 本章小结

4 安邵高速公路煤矸石路基沉降预测

4．1 工程概况

4．2 煤矸石路基施工工艺

4．2．1 工法特点

4．2．2 工艺原理

4．2．3 工艺流程

4．2．4 施工要点

4．3 曲线拟合法预测路基沉降

4．3．1 双曲线拟合法

4．3．2 双曲线拟合法预测K127+700断面沉降

4．3．3 指数曲线拟合法

4．3．4 指数曲线拟合法预测K127+700断面沉降

4．3．5 星野法

4．3．6 星野法预测K127+700断面沉降

4．4 本章小结

5 BP神经网络预测煤矸石路基沉降

5．1 BP神经网络建模

5．1．1 数据归一化处理及函数选择

5．1．2 输入、输出层的设计

5．1．3 误差参数的确定

5．1．4 隐层的确定

5．1．5 训练参数确定

5．2 网络训练

5．2．1 动量BP神经网络

5．2．2 学习率可变的动量BP神经网络

5．3 BP网络的预测检验

5．4 曲线拟合法和BP神经网络预测法的对比

5．5 本章小结

6 结论与展望

6．1 结论

6．2 展望

6．3 创新点

参考文献

攻读学位期间的主要学术成果

致谢