力学与实践, 2022, 44(2): 322-327 DOI: 10.6052/1000-0879-21-359

应用研究

基于SSA-BP方法土冻胀率影响因素敏感性分析

姚兆明,1), 齐健

安徽理工大学土木建筑学院,安徽淮南 232001

SENSITIVITY ANALYSIS OF FACTORS AFFECTING SOIL FROST HEAVE RATE BASED ON SSA-BP METHOD

YAO Zhaoming,1), QI Jian

College of Civil Engineering, Anhui University of Science and Technology, Huainan 232001, Anhui, China

通讯作者: 1)姚兆明,教授,研究方向土体本构理论和岩土数值分析。E-mail:zhmyaoaust@126.com

责任编辑: 胡漫 王永会

收稿日期: 2021-08-24   修回日期: 2021-09-8  

Received: 2021-08-24   Revised: 2021-09-8  

作者简介 About authors

摘要

土体冻胀率影响因素敏感性分析是人工冻土重要研究内容之一,对工程建设具有重要意义。人工冻土冻胀率影响因素众多,且各影响因素彼此耦合。选用甘肃地区砂壤土、黏土、壤土的实验数据,采用麻雀搜索算法优化反向传播算法(back propagation, BP)神经网络建立预测模型,在此基础上提出一种冻胀率影响因素敏感性计算方法。结果表明优化预测模型的预测精度远高于传统BP神经网络预测模型,且冻胀率各影响因素在砂壤土、黏土、壤土中最敏感的分别为冻结速率、初始干容重、初始含水率,为防范工程冻胀危害提供了重要参考。

关键词: 麻雀搜索算法; BP (back propagation)神经网络; 冻胀率; 因素敏感性

Abstract

Sensitivity analysis of factors affecting soil frost heave rate is one of the most important research contents of artificial frozen soil, which is of great significance to engineering construction. There are many factors influencing the frost heave rate of artificial frozen soil, and those influencing factors are coupled together. The experimental data of sandy loam, clay and loam in Gansu area are selected, and the sparrow search algorithm is used to optimize the back propagation (BP) neural network to establish a predictive model. On this basis, a method for calculating the sensitivity of the frost heave rate affecting factors is proposed. The results show that the prediction accuracy of the optimized prediction model is much higher than that of the traditional BP neural network prediction model. It also reals that the most sensitive factors affecting the frost heave rate in sandy loam, clay, and loam are frost penetration rate, initial dry density in the freezing part and initial water content in the freezing part. This research provides an important reference for preventing engineering frost heave hazards.

Keywords: sparrow search algorithm; BP (back propagation) neural network; frost heave rate; parameter sensitivity

PDF (261KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

姚兆明, 齐健. 基于SSA-BP方法土冻胀率影响因素敏感性分析. 力学与实践, 2022, 44(2): 322-327 DOI:10.6052/1000-0879-21-359

YAO Zhaoming, QI Jian. SENSITIVITY ANALYSIS OF FACTORS AFFECTING SOIL FROST HEAVE RATE BASED ON SSA-BP METHOD. Mechanics in Engineering, 2022, 44(2): 322-327 DOI:10.6052/1000-0879-21-359

土体在低温条件下水分迁移产生的冻胀会对结构产生不利影响,为此,国内外学者进行了深入研究。研究成果有:提出Takashi模型计算冻胀;运用数值计算方法计算冻胀力;考虑多因素对冻胀的综合影响,建立冻胀的统计预报模型;使用SPSS软件建立的多元非线性回归模型预测冻胀[1-4]

人工神经网络在岩土工程中的应用有:模拟残积土在加载过程中的硬化、软化现象[5];建立人工冻土本构模型[6];预测加固工程的锚固力并分析各影响因素的敏感性[7];预测边坡稳定性,滑坡易发性[8-9];预测土体的冻胀量[10];利用反向传播算法(back propagation, BP)网络确定岩石细观参数,结合颗粒流离元软件PFC2D模拟应力-应变曲线[11];预测地表温度并将预测温度代入FEFLOW模型对不同深度土壤温度进行模拟[12]

本文提出一种基于麻雀搜索算法(sparrow search algorithm, SSA)优化BP神经网络的预测冻胀率模型,并结合多种优化方法提高预测精度,加快收敛速度,在此基础上研究人工冻土冻胀率影响因素敏感性。

1 人工冻土冻胀率预测

1.1 冻胀率试验

对甘肃地区三种不同性质土体进行冻胀率试验,土体物理化学性质见文献[4],采用外部补水的单向冻结方法。试验仪器主要包括保温系统、供水系统、温控系统、变形测量系统。在初始含水量、初始干重度、冻结速率、地下水位埋深、塑性指标、总离子含量范围给定情况下进行试验。由于文章使用小样本预测冻胀率,将各类不同性质土体分别试验,塑性指数$I_{\rm P}$和盐离子含量$S$是土体的自身特性,在同类型土中不属于变量,所以选取初始含水量、初始干重度、冻结速率、地下水位为输入量。考虑到我国以冻胀率来表示土体的冻胀敏感性,选择冻胀率为输出量。

1.2 SSA-BP网络

BP神经网络是一种多层前向型神经网络,通过寻找合适的网络结构和参数来完善从输入条件到做出决定的"反应链",使网络结构能进行较高精度的预测[13-14]。BP神经网络局限性:复杂的网络误差函数是多维空间曲面,网络训练过程中可能会陷入局部极小值而终止训练,未找到最小值。

SSA是近年来新提出的一种种群优化算法。是将麻雀种群中个体分为生产者与拾荒者,以种群的采食与反捕食为基础设计的一种新型优化算法,具有较高的收敛性能和局部搜索能力[15]。SSA-BP神经网络主要是对权值和阈值的优化,用SSA的最优状态值来替代BP神经网络里面的初始权值和初始阈值,减少迭代次数,使网络更快满足设计要求。

使用SSA-BP网络预测土体冻胀率影响因素敏感性的基本步骤如下。

(1) 导入试验数据,对数据进行预处理;

(2) 设置SSA-BP网络参数;

(3) 使用SSA-BP网络进行训练、测试、预测;

(4) 导出训练好的权值、阈值矩阵;

(5) 分别计算

$p_{ij} =\frac{w_{ij} }{\sum\limits_{j=1}^m {w_{ij} }},\ \ q_{i} =\frac{w_{i} }{\sum\limits_{i=1}^n {w_{i} } };$

式中,$w_{ij}$为输入层第$j$个节点与隐含层第$i$个节点的连接权值,$w_{i}$为隐含层第$i$个节点与输出量的连接权值,$m$为输入层节点数,$n$为隐含层节点数。$p_{ij}$为$w_{ij}$与隐含层第$i$个节点相关联的全部输入层连接权值和的比值,$q_{i}$为$w_{i}$与输出量相关联的全部隐含层连接权值和的比值。

(6) 计算影响因素敏感性$K_{j} =\sum\limits_{i=1}^n {q_{i}^{p_{ij} }}$。

1.3 网络模型参数的选择

由于单隐含层的拓扑结构适用于绝大多数条件下的非线性拟合,所以选用输入层—隐含层—输出层的三层网络拓扑结构。隐含层节点个数通常用$S=\sqrt{M+N} +a$确定,其中$S$为隐含层节点数,$M$为输入层节点数,$N$为输出层节点数,$a$为1~10之间的整数值。为了使预测更精准,将$a$值选择范围从10扩大至20,编写代码循环运行,选择误差最小的隐含层节点数进行预测。

结合试验数据确定传递函数分别为对数S型传递函数和纯线性函数,并且通过多次尝试选取Levenberg-Marguardt BP训练函数使误差减小。影响BP神经网络预测精度的重要参数是学习速率$\eta$和动量因子$\alpha $,学习速率$\eta $过小则收敛速率过慢、$\eta$过大容易修正过度而导致振荡发散。动量因子$\alpha$过大存在丢失最小值风险,$\alpha$较小可以避免局部极小值,但会使训练时间增加。使用二分法筛选发现$\eta$和$\alpha $值均选为0.01时误差最小。\vspace{-.5mm}

1.4 SSA-BP神经网络模型的训练

以砂壤土为例,在SSA-BP神经网络模型中,训练集和测试集按占总体的75%和25%划分。BP模型和SSA-BP模型训练集数据的试验值、训练值和训练误差见表1,砂壤土测试集的预测结果见表2

表1   训练集的试验值、训练值和训练误差

Table 1  Test values, training values, and training errors for the training set

新窗口打开| 下载CSV


表2   测试集的试验值与预测值及误差

Table 2  Test values, predicted values and errors of the test set

新窗口打开| 下载CSV


1.5 SSA-BP神经网络模型的结果分析

图1为砂壤土两种网络预测模型训练集的试验值与预测值对比散点图,结果显示SSA-BP神经网络模型与实际值的拟合效果更优。

图1

图1   两种网络预测模型训练集的试验值与预测值

Fig.1   Experimental and predicted values for the training set of two network prediction models


图2砂壤土的试验值与预测值对比图中可以清晰看出,在使用SSA-BP神经网络模型预测中样本4的预测误差最大,达到$-$0.052 6,其余四个预测误差均在[-0.04,0.04]之间。较传统BP神经网络精度至少提升十倍。SSA-BP模型预测评价指标均方误差根为0.034 971,较BP模型均方误差根1.393 4提升巨大,并且平均绝对百分比误差从BP模型的162.96%降至3.81%,SSA-BP模型优化效果显著。

图2

图2   砂壤土预测模型的试验值与预测值

Fig.2   Test and predicted values of sandy loam prediction model


图3可知砂壤土使用SSA-BP神经网络预测模型进行预测时,误差较传统BP神经网络优化效果明显。砂壤土预测模型的误差整体控制在$[-0.06, 0.04]$之间,远小于$[-0.5,0.5]$,优化效果显著。

图3

图3   砂壤土预测模型的误差

Fig.3   Error of sandy loam prediction model


结合图4图5表3可知SSA优化效果明显,计算结果表明:SSA-BP模型能够较好地预测甘肃地区的砂壤土冻胀率,与此同时该模型对此区域的黏土与壤土冻胀率预测值与试验值也较为贴近,其误差均控制在$[-0.5,0.5]$以内。

图4

图4   黏土预测模型的试验值与预测值

Fig.4   Test and predicted values of clay prediction model


图5

图5   壤土预测模型的试验值与预测值

Fig.5   Test and predicted values of loam prediction model


表3   黏土、壤土预测模型的误差

Table 3  Error of prediction model for clay and loam

新窗口打开| 下载CSV


2 冻胀率影响因素敏感性分析

2.1 影响因素敏感性定义

影响因素敏感性通过定义无量纲形式的敏感性函数,使多个影响因素敏感性分析具有了可比性[16]。传统做法是设定一个基准状态,各影响因素取定值。再单独对各影响因素在取值范围内进行波动,观测结果波动程度及趋势。

神经网络模型中权值矩阵可以表明各个输入变量的敏感性大小,但需要综合考虑网络拓扑结构、归一化范围、激活函数等因素,过于繁琐。尝试将敏感性由权值矩阵简化为各影响因素权值占比,便于直观查看各个因素对冻胀率影响程度即影响因素敏感性$K_{j}=\sum\limits_{i=1}^n {q_{i}^{p_{ij} }} $。

2.2 影响因素敏感性公式的应用

工程实例中地下水位$H_{\rm w}$范围为0.43~0.95 m,初始含水率$W$范围为12.17%~28.6%,初始干容重$\gamma_{\rm d}$范围为1.35~1.61 g/cm$^{3}$,冻结速率$V_{\rm f}$范围为2.95~ 9.68 cm/d。

应用SSA-BP神经网络对甘肃地区三种土质建立三个独立预测模型,根据上述定义,计算各模型中因素对人工冻土敏感性$K_{i}$,如表4

表4   各影响因素敏感性

Table 4  Sensitivity of influencing factors

新窗口打开| 下载CSV


表4可知,冻胀率各影响因素敏感性中初始含水率的占比,在黏土、壤土与砂壤土中依次降低。土体冻胀的过程也是土中气态、液态水向冰转变的过程,在试验中黏土的塑限指数最大即初始含水量在塑限含水量与液限含水量之间试样最多,壤土和砂壤土塑限指数依次降低,与计算结果吻合。

黏土中初始含水量与初始干容重敏感性占比超过70%是影响冻胀的主要因素,在人工冻土施工中可以外部控制水量和施加外部载荷降低冻胀率。壤土中初始含水量、冻结速率、初始干容重、地下水位线敏感性依次降低,初始含水量敏感性最大。影响砂壤土冻胀率的各因素中,冻结速率与地下水位线的影响超过一半,在工程中可以通过改变冻结温度和外部补水量来减少冻胀率。

综上可知,相同影响因素在不同土质中的敏感性不同,受土体的土质影响较大。

3 结论

本文使用SSA-BP神经网络进行土体冻胀率预测,以甘肃地区土体冻胀率为例。选用影响试样冻胀率的四个主要参数即初始含水率、初始干容重、冻结速率、地下水位作为输入层,冻胀率为输出层,构建了三层SSA-BP神经网络拓扑结构,得到以下结论。

(1) 基于麻雀搜索算法优化权值与阈值,提高了BP神经网络模型预测精度。对砂壤土、黏土、壤土的预测平均绝对误差均方误差根均小于0.3,较BP神经网络预测提升至少十倍。小样本预测针对不同土质均取得较好的预测结果,表明在寒区施工时为了减少冻害的影响,可以取试样进行试验获取参数,使用SSA-BP神经网络进行预测,为工程安全高效施工提供一种选择的方案。

(2) 提出新的影响因素敏感性公式,将各影响因素敏感性从神经网络繁杂的权值矩阵和阈值矩阵简化为数值。对砂壤土、壤土、黏土进行土体冻胀率敏感性分析,最敏感的影响因素分别是冻结速率、初始含水率、初始干容重,并且冻结速率、地下水位对不同土质冻胀率敏感性与土质塑限指数排序成反比。工程应用中,可根据不同实际情况采取针对措施减少冻胀危害。

参考文献

Takashi T, Yamamoto H, Ohrai T, et al.

Effect of penetration rate of freezing and confining stress on the frost heave ratio of soil

International Conference on Permafrost, 3rd, Edmonton, Canada, 1978

[本文引用: 1]

黄继辉, 夏才初, 韩常领 .

寒区公路隧道冻胀力荷载的分布形式和简化计算方法

现代隧道技术, 2016, 53(5):63-70

Huang Jihui, Xia Caichu, Han Changling, et al.

Distribution and simplified calculation method of the frost heaving force of highway tunnels in cold regions

Modern Tunnelling Technology, 2016, 53(5):63-70 (in Chinese)

汪恩良, 商舒婷, 田雨 .

齐齐哈尔地区粉质黏土冻胀特性试验研究

水利水运工程学报, 2020, 4(4):80-87

Wang Enliang, Shang Shuting, Tian Yu, et al.

Experimental study on frost heaving characteristics of silty clay in Qiqihar region

Hydro-Science and Engineering, 2020, 4(4):80-87 (in Chinese)

陈肖柏, 王雅卿.

黏性土冻胀预报新模型

中国科学(B辑), 1991(3):296-306

[本文引用: 2]

Zhu JH, Zaman MM, Anderson SA.

Modelling of shearing behaviour of a residual soil with recurrent neural network

International Journal for Numerical and Analytical Methods in Geomechanics, 1998, 22(8):671-687

DOI      URL     [本文引用: 1]

陈军浩, 乔成.

基于级连相关神经网络的人工冻土本构模型

力学与实践, 2016, 38(3):306-309, 316

[本文引用: 1]

Chen Junhao, Qiao Cheng.

Constitutive model of artificial frozen soil based on cascade-correlation neural network

Mechanics in Engineering, 2016, 38(3):306-309, 316 (in Chinese)

[本文引用: 1]

李东波, 赵冬, 华军 .

基于ANN的碳纤维楠竹锚杆锚固力预测研究

力学与实践, 2013, 35(2):40-45

[本文引用: 1]

Li Dongbo, Zhao Dong, Hua Jun, et al.

Anchorage force prediction for the CFRP-bamboo bolt based on artificial neural network

Mechanics in Engineering, 2013, 35(2):40-45 (in Chinese)

[本文引用: 1]

王佳信, 周宗红, 付斌 .

因子分析-概率神经网络模型在边坡稳定性评价中的应用

水文地质工程地质, 2018, 45(2):123-130

[本文引用: 1]

Wang Jiaxin, Zhou Zonghong, Fu Bin, et al.

Application of factor analysis and probabilistic neural network model on evaluation of the slope stability

Hydrogeology & Engineering Geology, 2018, 45(2):123-130 (in Chinese)

[本文引用: 1]

周超, 殷坤龙, 曹颖 .

基于集成学习与径向基神经网络耦合模型的三峡库区滑坡易发性评价

地球科学, 2020, 45(6):1865-1876

[本文引用: 1]

Zhou Chao, Yin Kunlong, Cao Ying, et al.

Landslide susceptibility assessment by applying the coupling method of radial basis neural network and adaboost: a case study from the three gorges reservoir area

Earth Science, 2020, 45(6):1865-1876 (in Chinese)

[本文引用: 1]

乐天晗, 吴永军, 吴湘华 .

优化GM(1,1)与SVM组合模型的路基冻胀预测应用

铁道科学与工程学报, 2017, 14(11):2345-2351

[本文引用: 1]

Le Tianhan, Wu Yongjun, Wu Xianghua, et al.

The forecast application of subgrade's frost-heaving index based on optimized GM(1,1) and SVM combination model

Journal of Railway Science and Engineering, 2017, 14(11):2345-2351 (in Chinese)

[本文引用: 1]

佟安, 张军徽, 武娜.

红砂岩单轴压缩宏细观参数映射关系研究

力学与实践, 2020, 42(2):202-208

[本文引用: 1]

Tong An, Zhang Junhui, Wu Na.

Macro and microscopic parameter mapping relationship for red sandstone

Mechanics in Engineering, 2020, 42(2):202-208 (in Chinese)

[本文引用: 1]

郭林茂, 常娟, 徐洪亮 .

基于BP神经网络和FEFLOW模型模拟预测多年冻土活动层温度——以青藏高原风火山地区为例

冰川冻土, 2020, 42(2):399-411

[本文引用: 1]

Guo Linmao, Chang Juan, Xu Hongliang, et al.

Simulation and prediction of permafrost active layer temperature based on BP neural network and FEFLOW model: take the Fenghuoshan area on the Tibetan Plateau as an example

Journal of Glaciology and Geocryology, 2020, 42(2):399-411 (in Chinese)

[本文引用: 1]

张志恒, 李超.

基于PCA-BP神经网络的审计风险识别研究

重庆理工大学学报(自然科学), 2021, 35(5):253-261

[本文引用: 1]

Zhang Zhiheng, Li Chao.

The research of audit risk identification based on PCA and BP neural network

Journal of Chongqing University of Technology $($Natural Science$)$, 2021, 35(5):253-261 (in Chinese)

[本文引用: 1]

Varun KO, Ajith A,

Václav S. Metaheuristic design of feedforward neural networks: a review of two decades of research

Engineering Applications of Artificial Intelligence, 2017, 60:97-116

DOI      URL     [本文引用: 1]

Xue JK, Shen B.

A novel swarm intelligence optimization approach: sparrow search algorithm

Systems Science & Control Engineering, 2020, 8(1):22-34

[本文引用: 1]

章光, 朱维申.

参数敏感性分析与试验方案优化

岩土力学, 1993(1):51-58

[本文引用: 1]

Zhang Guang, Zhu Weishen.

Parameter sensitivity analysis and optimizing for test programs

Rock and Soil Mechanics, 1993(1):51-58 (in Chinese)

[本文引用: 1]

/