基于PSO优化BP神经网络的地表沉降预测的方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115130772A(43)申请公布日2022.09.30(21)申请号202210808657.5(22)申请日2022.07.11(71)申请人沈阳工业大学地址110870辽宁省沈阳市铁西区经济技术开发区沈辽西路111号(72)发明人孙海霞王广胤王绍良蔡乐王妍王楚文王耀(74)专利代理机构沈阳智龙专利事务所(普通合伙)21115专利代理师宋铁军(51)Int.Cl.G06Q10/04(2012.01)G06N3/08(2006.01)G06N3/00(2006.01)权利要求书2页说明书9页附图6页(54)发明名称基于PSO优化BP神经网络的地表沉降预测的方法(57)摘要本发明提供了基于PSO优化BP神经网络的地表沉降预测的方法，其包括以下步骤：收集目标区域的历史沉降数据，生成数据集，划分训练集和测试集并进行数据归一化处理，将止水帷幕埋置深度、集水井井径、水位降深、与集水井间距、土的渗透系数、含水层厚度作为输入变量，将输入变量所对应的沉降值作为输出变量构建BP神经网络预测模型，利用该模型，将待施工区域的水文地质参数输入地表沉降模型中，计算待施工区域以不同的施工方法、施工强度引起周围地表沉降量的预测数据，有助于准确的判断基坑降水的有效影响半径，选择最佳集水井位置和止水结构的埋置深度，降低工程造价，加快施工效率，保证建设工程的安全进行。CN115130772ACN115130772A权利要求书1/2页1.基于PSO优化BP神经网络的地表沉降预测的方法，其特征在于，包括如下步骤：S1：采集各组沉降数据，沉降数据包括止水帷幕埋置深度H、水位降深Sw、集水井井径rw、与集水井间距ro、渗透系数K和含水层厚度H0；S2：将采集的沉降数据进行归一化处理，得到沉降预测模型的输入变量和输出变量，形成归一化数据集X，Y，其中，X表示影响因素，Y表示最终沉降量，并对处理后的数据集按照7：3比列划分为训练样本集和测试样本集；S3：根据归一化处理后的沉降数据，建立BP神经网络模型，确定输入层、隐含层、输出层神经元数量、激活函数和损失函数；S4：基于建立的BP神经网络模型，初始化PSO以下参数：粒子群的空间维度D、种群个数N、迭代次数g、惯性权重ω、自我学习因子C1、群体学习因子C2参数、随机变量r1、r2；S5：基于S4中初始化POS的参数，对粒子群中各个粒子的当前粒子适应度Pi进行计算，通过对比粒子群中各个粒子的当前粒子适应度Pi，获取粒子群中个体粒子历史最优值Pbest，基于对比粒子群中个体粒子历史最优值Pbest，获取当前的群体粒子最优值Gbest，基于个体粒子历史最优值Pbest和当前的群体粒子最优值Gbest，对粒子群中当前的粒子的速度Vi和位置Xi进行更新，若当前的群体粒子最优值Gbest满足收敛误差精度，则输出当前的群体粒子最优值Gbest，反之若当前的群体粒子最优值Gbest不满足收敛误差精度要求，则依照BP神经网络反馈传播的特点循环迭代，即重新获取粒子群中更新的个体粒子最优值Pbest(new)，基于对比粒子群中个体粒子更新最优值Pbest(new)，直至获取更新的群体粒子最优值Gbest满足收敛误差精度，则输出更新的群体粒子最优值Gbest；S6：基于S5中输出的群体粒子最优值Gbest，作为BP模型的初始权值和阈值，计算得到均方误差，判断均方误差是否满足收敛误差精度范围，如若满足，即输出预测的沉降结果，如若不满足，采用梯度下降法修正BP模型中各层的权值和阈值，计算修正后均方误差，循环迭代，直至均方误差满足收敛误差或者达到预先设定的最大迭代次数为止。2.根据权利要求1所述的基于PSO优化BP神经网络的地表沉降预测的方法，其特征在于，步骤S2中将采集的沉降数据进行归一化处理，如下公式(1)：其中，X为归一化后的数值；x为数据集中的任意数值；xmax、xmin分别为数据集中的最大值和数据集中的最小值。3.根据权利要求1所述的基于PSO优化BP神经网络的地表沉降预测的方法，其特征在于，步骤S3包括：步骤S3.1：通过输入层和输出层神经元个数，从而确定隐含层神经元个数，如下公式(2)：其中，L、m、n分别为输入层、隐含层、输出层神经元个数；α为调节参数α∈(1，2，3，......，10)；步骤S3.2：激活函数为非线性Sigmoid函数δ，而损失函数则为均方误差函数MSE，激活2CN115130772A权利要求书2/2页函数表达式如下公式(3)，均方误差函数表达式如下公式(4)：其中，n为神经元个数；为目标沉降值；yi为预测输出沉降量，e为自然常数，x为输入量，E为均方误差。4.根据权利要求1所述的基于PSO优化BP神经网络的地表沉降预测的方法，其特征在于，步骤S4中初始