基于MPSO的RBF耦合算法的桩基动测参数辨识

›› 2008, Vol. 29 ›› Issue (5): 1205-1209.

基于MPSO的RBF耦合算法的桩基动测参数辨识

郭健^{1, 2}，王元汉¹，苗雨¹

1.华中科技大学土木工程与力学学院，武汉 430074；2.武汉科技大学中南分校，武汉 430223

收稿日期:2007-08-02 出版日期:2008-05-10 发布日期:2013-07-24
作者简介:郭健，男，1968年生，副教授，主要从事岩土本构关系数值计算与仿真。
基金资助:
中科院武汉岩土力学研究所重点实验室开放课题（No. Z110507）

A RBF neural network coupling algorithm based on MPSO for parameter identification of piles in dynamic testing

GUO Jian^{1, 2}, WANG Yuan-han¹, MIAO Yu¹

1. College of Civil Engineering ＆ Mechanics, Huazhong University of Science ＆ Technology, Wuhan 430074, China; 2. Zhongnan Branch, Wuhan University of Science and Technology, Wuhan 430074, China

Received:2007-08-02 Online:2008-05-10 Published:2013-07-24

摘要/Abstract

摘要： 变异粒子群优化算法（MPSO）是一种基于群体智能的改进全局优化技术，其优势在于减小陷入局部极值的机率，增加全局搜索能力。将变异粒子群算法与径向基函数（RBF）神经网络结构进行结合，建立了变异粒子群神经网络（MPSO-RBF）耦合算法，充分发挥了MPSO算法的全局寻优能力和RBF算法的局部搜索优势。数值计算结果表明，所建立的方法能够对桩基动测进行多参数的识别和非线性优化问题的求解，具有良好全局收敛能力，是一种行之有效的智能算法。

关键词: 变异粒子群, 神经网络, 动测, 参数辩识

Abstract: Mutation particle swarm optimization (MPSO) is a kind of improved stochastic global optimization based on swarm intelligence. The advantages of MPSO are that the probability falling into the local extreme values can be reduced; and the global optimal searching capability is improved. A new algorithm which combined MPSO with radial basis function (RBF) is presented. It not only has the advantage of the global optimization of MPSO, but also has local accurate searching of RBF. Numerical example shows that the presented method can solve the problem which includes multi-parameters identification and nonlinear optimization problem. This approach has the characteristics of global convergence. The intelligent algorithm is simple and precise.

Key words: MPSO, neural network, dynamic testing, parameter identification

中图分类号:

TU 473

郭健，王元汉，苗雨 . 基于MPSO的RBF耦合算法的桩基动测参数辨识[J]. , 2008, 29(5): 1205-1209.

GUO Jian , WANG Yuan-han , MIAO Yu . A RBF neural network coupling algorithm based on MPSO for parameter identification of piles in dynamic testing[J]. , 2008, 29(5): 1205-1209.

参考文献

相关文章 15

[1]	钟国强, 王浩, 李莉, 王成汤, 谢壁婷, . 基于SFLA-GRNN模型的基坑地表最大沉降预测[J]. 岩土力学, 2019, 40(2): 792-798.
[2]	王庆武，巨能攀，杜玲丽，黄健，胡勇,. 拉林铁路桑日至加查段三维地应力场反演分析[J]. , 2018, 39(4): 1450-1462.
[3]	郭亮，胡卸文，李晓昭，巫锡勇，吴礼舟，李煜，罗刚，马洪生，. 花岗岩断裂带原状裂隙岩水力特性试验研究[J]. , 2018, 39(11): 3937-3948.
[4]	张艳博，杨震，姚旭龙，梁鹏，田宝柱，孙林,. 基于声发射信号聚类分析和神经网络识别的岩爆预警方法实验研究[J]. , 2017, 38(S2): 89-98.
[5]	叶飞，宋京，唐勇三，林剑飞，贾涛，. 软弱围岩隧道掌子面及超前核心土挤出位移特征研究[J]. , 2017, 38(S1): 323-330.
[6]	张社荣，胡安奎，王超，彭振辉, . 基于SLR-ANN的地应力场三维智能反演方法研究[J]. , 2017, 38(9): 2737-2745.
[7]	杨啸，杨志强，高谦，陈得信，. 混合充填骨料胶结充填强度试验与最优配比决策研究[J]. , 2016, 37(S2): 635-641.
[8]	王佳信，周宗红，赵婷，余洋先，龙刚，李春阳. 基于Alpha稳定分布概率神经网络的围岩稳定性分类研究[J]. , 2016, 37(S2): 649-657.
[9]	胡军，董建华，王凯凯，黄贵臣，. 边坡稳定性的CPSO-BP模型研究[J]. , 2016, 37(S1): 577-582.
[10]	王开禾，罗先启，沈辉，张海涛. 围岩力学参数反演的GSA-BP神经网络模型及应用[J]. , 2016, 37(S1): 631-638.
[11]	舒苏荀，龚文惠. 边坡稳定分析的神经网络改进模糊点估计法[J]. , 2015, 36(7): 2111-2116.
[12]	舒苏荀，龚文惠. 二维随机场下边坡稳定性的径向基函数神经网络分析法[J]. , 2015, 36(4): 1205-1210.
[13]	刘斯宏，高军军，王艳巧,. 土工袋减振隔振机制分析及试验研究[J]. , 2015, 36(2): 325-332.
[14]	邱道宏，李术才，薛翊国，田昊，闫茂旺，. 基于数字钻进技术和量子遗传-径向基函数神经网络的围岩类别超前识别技术研究[J]. , 2014, 35(7): 2013-2018.
[15]	杨博，张锐，查旭东，吕松涛 , . 一种路基动模量测试方法[J]. , 2014, 35(5): 1514-1519.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

本文评价

推荐阅读 10

[1]	徐远杰，潘家军，刘祖德. 混凝土面板堆石坝的一种坝坡修整算法[J]. , 2009, 30(10): 3139 -3144 .
[2]	杨强，刘耀儒，冷旷代，吕庆超，杨春和. 能源储备地下库群稳定性与连锁破坏分析[J]. , 2009, 30(12): 3553 -3561 .
[3]	王观石，李长洪，陈保君，李世海. 应力波在非线性结构面介质中的传播规律[J]. , 2009, 30(12): 3747 -3752 .
[4]	冯瑞玲，陶建利，赵占厂，沈宇鹏. 含粗粒的细粒土的压实特性研究[J]. , 2010, 31(2): 382 -386 .
[5]	谭峰屹，姜志全，李仲秋，颜惠和. 附加质量法在昆明新机场填料压实密度检测中的应用研究[J]. , 2010, 31(7): 2214 -2218 .
[6]	王学武，许尚杰，党发宁，程素珍. 水位骤降时的非饱和坝坡稳定分析[J]. , 2010, 31(9): 2760 -2764 .
[7]	秦会来，王玉杰，唐志丹，马少坤. 非均质各向异性黏土光滑条基承载力上限解[J]. , 2011, 32(2): 611 -616 .
[8]	牛文杰，叶为民，陈宝. 高压实膨润土的非饱和渗透膨胀模型[J]. , 2009, 30(S2): 88 -92 .
[9]	常晓林，喻胜春，马刚，周伟. 基于粒子迁徙的粒群优化算法及其在岩土工程中的应用[J]. , 2011, 32(4): 1077 -1082 .
[10]	李宁，许建聪，钦亚洲 . 降雨诱发浅层滑坡稳定性的计算模型研究[J]. , 2012, 33(5): 1485 -1490 .