李偉麗(大慶市龍鳳區(qū)住房和城鄉(xiāng)規(guī)劃建設(shè)局，黑龍江 大慶 163711)

基于遺傳神經(jīng)網(wǎng)絡(luò)的多層磚房震害預(yù)測研究

李偉麗(大慶市龍鳳區(qū)住房和城鄉(xiāng)規(guī)劃建設(shè)局，黑龍江 大慶 163711)

多層磚房在遭遇地震時破壞較為嚴(yán)重,會給人民的生命與財產(chǎn)造成巨大的損失。將神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合，建立遺傳神經(jīng)網(wǎng)絡(luò)對多層磚房的震害進(jìn)行了預(yù)測。樣本的預(yù)測結(jié)果與實際結(jié)果一致,說明應(yīng)用遺傳神經(jīng)網(wǎng)絡(luò)算法對多層磚房的震害進(jìn)行預(yù)測是可行。

遺傳神經(jīng)網(wǎng)絡(luò)；震害預(yù)測；多層磚房

地震作為一種突發(fā)的自然災(zāi)害，一旦發(fā)生就會給人們的生命財產(chǎn)造成巨大的損失,如1995年日本神戶7.5級地震造成千人死亡,2008年的汶川大地震房屋倒塌無數(shù)，造成數(shù)百萬人無家可歸，2011年日本東海岸發(fā)生9.0級大地震，該地震并引發(fā)了海嘯造成了巨大的傷亡[1]。從汶川大地震的報道可以看出，當(dāng)?shù)卣鸢l(fā)生時很多人在倒塌的房屋下喪生或被圍困。中國作為發(fā)展中國家，很多小城市的住宅大多是多層磚房，這些多層磚房的抗震性能差，在地震中倒塌的幾率極大，因此地震發(fā)生時造成的傷亡也是最大的。因此,如果能在地震前預(yù)測出多層磚房的震害程度和空間分布,從而可以采取一定的措施,對建筑物進(jìn)行加固,對將施工的建筑物通過對場地的勘察、設(shè)計和施工來提高建筑物的抗震性能,將地震帶來的損失降至最小。下面，筆者提出應(yīng)用遺傳神經(jīng)網(wǎng)絡(luò)的方法來對多層磚房的震害進(jìn)行預(yù)測，把磚房的破壞分為5類：基本完好、輕微損壞、中等破壞、嚴(yán)重破壞和倒塌，相對應(yīng)的震害指數(shù)分檔為[1，0，0，0，0]、[0， 1，0，0，0]、[0，0，1，0，0]、[0，0 0，1，0]、[0，0，0，0，1]。

1 遺傳神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)上實現(xiàn)了一個從輸入到輸出的映射功能，具有可以實現(xiàn)任何復(fù)雜非線性映射的功能，特別適合于求解內(nèi)部機(jī)制復(fù)雜的問題。但是傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的全局搜索能力差，而且經(jīng)常會陷入局部無窮小,導(dǎo)至網(wǎng)絡(luò)的泛化能力差。遺傳算法(Genetic Algorithm)是一類借鑒生物界的進(jìn)化規(guī)律(適者生存，優(yōu)勝劣汰遺傳機(jī)制)演化而來的隨機(jī)化搜索方法。其主要特點是直接對結(jié)構(gòu)對象進(jìn)行操作，不存在求導(dǎo)和函數(shù)連續(xù)性的限定；具有內(nèi)在的并行性和更好的全局尋優(yōu)能力；采用概率化的尋優(yōu)方法，能自動獲取和指導(dǎo)優(yōu)化的搜索空間，自適應(yīng)地調(diào)整搜索方向，不需要確定的規(guī)則。因此，將遺傳算法和神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合以提高收斂速度、避免陷入局部最優(yōu)來解決復(fù)雜問題已經(jīng)越來越受到人們的重視[2]。遺傳神經(jīng)網(wǎng)絡(luò)的算法基本步驟[3]如下：①編碼。分別用實數(shù)表示網(wǎng)絡(luò)的權(quán)值；設(shè)定參數(shù)：輸入種群規(guī)模、交叉概率、變異概率、網(wǎng)絡(luò)層數(shù)(不包括輸入層)、每層神經(jīng)元數(shù)。②初始化種群。初始種群是由隨機(jī)產(chǎn)生n個權(quán)值矩陣構(gòu)成的，每個矩陣作為一個將要訓(xùn)練的神經(jīng)的網(wǎng)絡(luò)。③評價。對每個神經(jīng)網(wǎng)絡(luò)以前向方式運(yùn)行，計算評價函數(shù)值，并保留最優(yōu)個體。④遺傳操作。依次進(jìn)行選擇、交換、變異、BP訓(xùn)練，保留最優(yōu)個體，并計算評價函數(shù)值。若誤差達(dá)到指定的精度，則轉(zhuǎn)⑤,否則轉(zhuǎn)④。⑤結(jié)束。

2 多層磚房震害樣本的采集

筆者選用的8個震害因子具體的參數(shù)取值如下：

1)房屋的層數(shù) 由于磚房的破化率是隨著層數(shù)的增多而變大的，因此房屋的層數(shù)是影響因素之一。

2)施工質(zhì)量 施工質(zhì)量分為3類即為：優(yōu)秀、中等、差。該參數(shù)的取值為：優(yōu)為10,中為8，差為6，同時施工質(zhì)量受到年代影響，因此筆者規(guī)定每5年減0.5。

3)砂漿標(biāo)號 該參數(shù)按施工時的砂漿標(biāo)號實際取值。

4)結(jié)構(gòu)的合理性 結(jié)構(gòu)的合理性直接影響結(jié)構(gòu)的剛度,因此結(jié)構(gòu)的合理性是影響磚房抗震的主要因素。直接采用綜合評判的隸屬度作為該參數(shù)的取值。

5)磚墻面積率 該參數(shù)的取值按公式:磚墻面積率=磚墻凈面積率/建筑面積來確定。

6)房屋的整體性 房屋整體性的好壞直接影響著磚房的抗震性能，而影響房屋整體性的的主要因素有：樓屋蓋形式、圈梁構(gòu)造柱和地梁基礎(chǔ)情況、房屋的完好狀態(tài)等。該參數(shù)取值為以下幾個部分的和：

樓蓋：現(xiàn)澆5，預(yù)制4，木屋蓋3。

屋蓋：現(xiàn)澆5，預(yù)制4，木屋蓋3。

圈梁、構(gòu)造柱：有圈梁增加1，有構(gòu)造柱再增加1。

地下室或基礎(chǔ)：加1，傷裂減1～2。

7)場地條件 Ⅰ類土取10,Ⅱ類土取8,Ⅲ類土取6，如果地形地貌不利，則減1～2；若地下水位較高減1。

8) 地震動峰值加速度 按實際峰值加速度大小，以重力加速度g為單位取值，可取為0.05、0. 1、0.15、…。

3 神經(jīng)網(wǎng)絡(luò)的建立與訓(xùn)練

隨機(jī)選用30個包含不同破壞程度的多層磚房的震害資料的樣本,每個樣本含有8個震害因子,如表1。將25個樣本作為網(wǎng)絡(luò)的輸入向量P=[K1,…,K25],輸出即為磚房的破壞程度,輸出T=[T1,…,T25],(B=[K10,…,K30])為預(yù)測樣本。

表1 多層磚房震害實例的因子取值

圖1 學(xué)習(xí)過程誤差訓(xùn)練曲線

由于樣本的數(shù)據(jù)間差異較大，所以筆者應(yīng)用Matlat自帶的歸一函數(shù)premnmx()進(jìn)行數(shù)據(jù)歸一化處理,從而提高遺傳神經(jīng)網(wǎng)絡(luò)的泛化能力,遺傳神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是8-22-4，即輸入層神經(jīng)元為8個，隱含層神經(jīng)元為22個，輸出層神經(jīng)元為4個，隱含層神經(jīng)元的變換函數(shù)采用tan2sigmoid 型函數(shù)tansig；輸出層神經(jīng)元的傳遞函數(shù)采用線性函數(shù)purelin；訓(xùn)練函數(shù)采用trainlm函數(shù)。遺傳算法中令種群數(shù)為80，交叉概率Pc=0.5，變異率Pm=0.05，最大迭代次數(shù)為30，終止條件設(shè)為網(wǎng)絡(luò)誤差小于10-3。遺傳神經(jīng)網(wǎng)絡(luò)算法的誤差曲線、誤差平方和曲線圖與適應(yīng)度曲線圖分別見圖1～3。

圖2 誤差平方和曲線圖

從圖1～3可以看出，遺傳算法具有快速尋優(yōu)的特性，經(jīng)過5代左右遺傳迭代，網(wǎng)絡(luò)前向誤差大幅下降，適應(yīng)度函數(shù)也在急劇的上升，說明遺傳算法的運(yùn)用收到了既定的效果，能夠幫助BP網(wǎng)絡(luò)快速地尋找到全局最優(yōu)點，在經(jīng)過30代遺傳迭代后，遺傳搜索停止，而轉(zhuǎn)入BP算法，進(jìn)行局部空間的尋優(yōu)；從訓(xùn)練曲線可知,網(wǎng)絡(luò)訓(xùn)練36步已達(dá)標(biāo)。以上結(jié)果說明應(yīng)用遺傳算法對神經(jīng)網(wǎng)絡(luò)的權(quán)值優(yōu)化得到了良好的效果，使網(wǎng)絡(luò)的訓(xùn)練速度明顯加快。

4 神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò), 預(yù)測表1中26～30個方案的震害, 計算結(jié)果見表2。從表2可看出,樣本的預(yù)測結(jié)果與實際結(jié)果(表1)一致,說明應(yīng)用遺傳神經(jīng)網(wǎng)絡(luò)模型對多層磚房的震害進(jìn)行預(yù)測是可行。

表2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

5 結(jié) 語

考慮了影響多層磚房的幾個主要影響因素，利用遺傳神經(jīng)網(wǎng)絡(luò)算法預(yù)測多層磚房的震害程度，得到了比較精確的結(jié)果。遺傳神經(jīng)網(wǎng)絡(luò)隨著訓(xùn)練數(shù)據(jù)的不斷積累，它可以在新的基礎(chǔ)上進(jìn)行學(xué)習(xí)，形成更完善的預(yù)測系統(tǒng)，進(jìn)一步提高網(wǎng)絡(luò)的精度和模型的應(yīng)用范圍，這是其他數(shù)學(xué)模型無法比擬的。隨著人工智能方法在工程中的應(yīng)用日漸成熟, 遺傳神經(jīng)網(wǎng)絡(luò)在震害預(yù)測方面一定會發(fā)揮更大作用。

[1]高惠瑛, 李清霞.地震人員傷亡快速評估模型研究[J].災(zāi)害學(xué)，2010，25(10):225-227.

[2]劉洪,馬力寧,黃楨. 集成化人工智能技術(shù)及其在石油工程中的應(yīng)用[M]. 北京：石油工業(yè)出版社，2008.

[3]郝華寧,劉陽.基于遺傳神經(jīng)網(wǎng)絡(luò)的個股價格短期預(yù)測[J].西安石油大學(xué)學(xué)報，2010,25(2) :88-90.

[編輯] 洪云飛

P315.9

A

1673-1409(2012)05-N166-03

10.3969/j.issn.1673-1409(N).2012.05.055

2012-02-27

李偉麗(1976-)，女，2005年大學(xué)畢業(yè)，工程師，現(xiàn)主要從事建筑工程招投標(biāo)監(jiān)管方面的研究工作。