基于PSO-SVM桥梁基础群桩轴力预测.pdf

黄伟杰等：基于PSO-SVM桥梁基础群桩轴力预测 · 冻土与地基基础 · 基于 PSO—SVM桥梁基础群桩轴力预测 黄伟杰， 陈志坚，俞俊平，余世元 (河海大学地球科学与工程学院。 南京 210098) 【摘 要】 由于大型深水群桩基础受到复杂的环境影响，其基桩轴力的变化与环境因素之间呈现复杂非线 性关系。本文利用支持向量机模型，对苏通大桥群桩基础轴力实测数据进行分析 ，为了避免人为选择支持向量机 模型参数的盲 目性，采用了粒子群算法(PSO)寻找最优参数，由此建立了PSO—SVM模型。为了方便对比，建立了 传统SVM与RBF神经网络预测模型，利用PSO—SVM、SVM、RBF三种模型对受力情况不同的四根监测桩进行轴 力预测，分别对比了三种模型在不同桩的预测结果。研究表明，与传统SVM、RBF的预测结果相 比，PSO—SVM模 型预测精度更高 ，在轴力变化不同的四根桩上预测都很稳健，具有更强的泛化能力 ，在大型深水群桩基础轴力预 测中具有一定的工程应用价值。 【关键词】 支持向量机；深水群桩基础；粒子群算法；轴力预测 【中图分类号J TU473．1 【文献标识码】 B 【文章编号】 1001—6864(2014)l0—0095—03 近年来，随着我 国交通公路网的建设事业 El益发 用这三项影响因素来综合预测群桩基础轴力的变化。 展 ，大型过江桥梁在完善国家公路运输网建设 中也开 支持向量机中的惩罚函数 c和K(x，xj)核函数中 始 占据越来越重要的地位。但是 由于深水群桩基础 参数 直接影响模型的预测准确度 】，本文利用粒子 轴力在水温、潮位、风荷载等复杂环境因素的影响机 群算法对参数 C和，，进行寻优 ，具体步骤如下： 理不明晰，其理论研究相对滞后 ，特别是群桩基础的 (1) 根据苏通大桥群桩基础相关监测数据 ，进 群桩效应、桩 一土相互作用、荷载传递特征等方面一 行归一化处理，确定历史步数P和预测步数m，建立学 直是工程界关注的重点与难点。在超大型深水群桩 习样本和测试样本。 基础的原型监测数据预测方面，尤其是粒子群优化支 (2) 对系统初始化设置，包括种群规模 f、迭代 持向量机 (PSO—SVM)用于桩基础轴力预测方面，相 次数 ，通过随机函数产生一组粒子的初始位置和初 关的研究成果却很罕见。 始速度。同时确定待优化参数 c和 的取值范围。 本文在分析苏通大桥运营期监测数据的基础上 ， (3) 建立 PSO—SVM模型，设每个粒子的适应 考虑影响深水群桩基础轴力变化的环境影响因素，利 度值为 )，其 中i=1，2，…，z，并且将其与粒子 自身 用支持向量机 (SVM)进行 回归预测，同时引入粒子群 最优值，(pbest)比较，若 )厂(pbest)，则用 取代 算法 (PSO)对模型参数进行寻优，建立多因素粒子群 前一轮的pbest。适应度值函数为： 优化支持 向量机 PSO—SVM模型，并与实测基桩轴力 1 l I f 一 ， l 值进行误差对比，以验证该模型在大型群桩基础轴力 f(x)=÷∑ (1) ‘ 1 ， f 预测的实际应用效果。并且 ，还建立了传统SVM预测 式中，Y表示第 i个样本的实测值 表示第 i个 模型与RBF径向基型人工神经网络预测模型，对这三