使用B-spline模糊神经模型预测粒状地基土上浅基础的沉降

（阿德莱德大学土木与环境工程学院，SA，5005，澳大利亚）
摘要：粒状土体上浅基础的通常是依据沉降设计的，而不取决于承载力。因而，在浅基础设计过程中，沉降预测是一项核心问题，也是一项重要的评价指标。目前，通过多种数值模型方法已经可以对粒状土体上浅基础地基沉降进行连续精确地预测。最近，反演式多层传感器（MLPS）已经成功的运用到粒状土体上浅基础沉降预测中来。但是，MLPS技术的一个缺点是在运用该方法获得的信息是以一种非常复杂的方式分布于它们的连结权重里，它们很难被解释。因此，控制网络输入输出变量关系的规则很难得到量化。一种克服该问题的方法是使用模糊神经网格技术，在这种方法中需要的信息可以被转化成一套模糊规则，他可以以清晰地方式描述网络输入和输出结果之间的关系。本文评价了神经网络技术在预测粒状土体上浅基础沉降和帮助更好的认识关于沉降和沉降影响因素之间关系方面的能力。本文研究了模糊神经网络模型对一些停止准则的灵敏度，并从预测精度、模型复杂程度和模型透明程度三方面对获得的模型进行了研究。本文还研究了将现有工程知识引入模糊神经网络模型对模型性能的影响。此次研究采用了B-spline模糊神经网络模型，该模型运用了观测数据自适应样条模型（ASMOD）算法。结果显示，B-spline模糊神经网络模型能够很好的预测粒状土上浅基础的沉降，并能对沉降及其影响因素的关系提供清楚地解释。研究发现，使用贝叶斯信息准则 (BIC)的神经网络模型能够在模型的精度、模型的复杂度和模型的透明度之间取得平衡点。研究结果还表明经过已知工程知识修正的神经网络模型可以改进模型的性能，并能加深对构造的模型的解释。

关键词：沉降预测；浅基础；粒状土体；模糊神经网络

1、引言
沉降预测是粒状土体上浅基础设计的重要依据，因为通常控制设计过程的是沉降，而不是承载力。过去几年中，有多种方法实现了对粒状土体上浅基础沉降的连续精确预测，这些方法包括从纯经验方法到非线性有限元技术。最近，Shahin等人成功的将多层反向传感器(MLPs)运用到粒状土体上浅基础沉降预测上，并发现它比最常用的传统方法更好。虽然MLPs具有很好的数据映射能力，通过该网络模型获得的信息以非常复杂的方式存储在连接权重中，很难被理解。这使得从运用网络模型获得的关于模型输入和相应的输出结果之间关系的信息很难被提取出来，因此，使用反演算法的MLPs因为像一盒黑匣子而遭到批判。一种解决该问题的方法是使用模糊神经网络。模糊神经网络将模糊系统的明确语言信息表示和MLPs的认识能力结合起来。模糊神经网络的一个优点是它们可以通过数据样本处理来进行输入输出数据映射。这种方法和MLPs类似，它附加的优点是能够提供一套模糊规则，该规则可以清晰明白的表示出输入输出关系。模糊神经网格的另外一个优点是可用的工程信息能够被加入到网络模型处理中来优化模型的工作表现和加强对所建模型的解释。岩土工程中，Ni等人已经使用模糊网络技术研究边坡稳定性评价。然而，回顾该文献表明模糊神经网络技术是岩土工程领域的新工具。最近，Shahin等人开展了使用B-spline模糊神经网络技术预测粒状土体上浅基础沉降可行性的初步研究。
本文的工作是对Shahin等人研究工作的扩展。本文的目的是：（1）评价B-spline模糊神经网络技术预测粒状土体上浅基础沉降可行性；（2）研究控制B-spline模糊神经网络发展的参数中某些参数的影响；（3）研究将引入工程知识对网络模型对模型性能和模型解释的影响。

2、B-spline模糊神经网络
6、总结和结论
ASMOD算法处理的B-spline模糊神经网络用于评价模糊神经模型预测粒状土体上浅基础的沉降的可行性，并研究了引入工程知识对模糊神经模型性能和解释的影响。本文还研究了B-spline模糊神经模型对一系列停止准则（BIC、AIC、FPE）的灵敏度，并从预测精度、模型简约性、模型透明度等三方面对模型进行了对比。五个潜在的输入变量被提交给模糊神经模型，而沉降是单一的输出变量。本文得到了如下结论：
1、模糊神经模型能够很好的预测粒状土体上浅基础的沉降，并可以从有用数据中提取规则，这些规则可以用于更好的理解数据可用而数据间的物理关系不清楚的情况。另外，可以通过加入可用的工程知识对模糊神经模型进行修正，已改善模型的性能，增强对创建的模型的解释。
2、研究发现，基础宽度B，基础上承担的荷载Q及标贯试验平均锤击数N是最重要的影响沉降的因素。这和Shahin等人所做的一项多层传感模型灵敏度分析的结果相一致。
3、从预测精度看，对于一个独立的验证数据集，尽管使用BIC停止准则的模型比其他模型要稍微好些，但所有模糊神经模型性能很相似。
4、从模型简约性看，由于AIC的连接权重最少，因此使用该准则的模型要比其他模型略简单一些，但所有模糊神经模型在这方面是相似的。
5、使用BIC和AIC停止准则的模型比使用FPE停止准则的模型要更透明，因为他们的模糊准则更少。这归功于BIC和AIC对模型的复杂度的简化更多。
6、使用BIC停止准则的模糊神经模型能够在模型预测精度、模型简约性及模型透明度之间取得平衡点，因此被认为是最优的模型。