基于神经网络算法的振冲器性能分析摘要：通过神经网络的建模，建立的遗传神经网络的预测系统。通过振冲器各种因素的综合分析和融合，使用遗传算法的复制、交换等，使得预测系统大大提高收敛速度，其使用性和实际工程利用性强。Abstract:Bymodelingandneuralnetwork,webuiltthepredictionsystemofgeneticneuralnetwork.Throughacomprehensiveanalysisofvariousfactorsofvibratorandfusion,geneticalgorithmisusedtocopy,exchange,sothepredictionsystemcangreatlyimprovetheconvergencespeed,itsuseandpracticalengineeringusingstrong.关键词：神经网络；振冲器；预测；算法Keywords：nervenet；vibratingequipment；forecast；arithmetic：TU473.1文献标识码：A：1006-4311(2013)23-0047-021振冲器性能预测原理振冲器原理；振冲器是借助于偏心块在定轴旋转时的离心力，使整个振冲器产生具有一定频率和振幅的激振力，对软弱地基进行加固处理。用振动辅以压力水加密砂土的概念，最早是由德国的斯徒门在1936年提出的。1937年德国凯勒(J・Keller)公司研制成功第一台振冲器如图1和图2O在三十年代和四十年代初，就开始用这种机具加固砂性地基。六十年代，德国和英国相继有人将这一加固技术应用到粘性土地基的加固中。随后，在美国成立了振冲工程技术公司，承包一些工程。同时日本和苏联也引进了这一技术，如苏联在埃及尼罗河上修建的阿斯旺水坝就采用了振冲法加固坝基。七十年代，我国也引进了该项技术，并在许多软基加固工程中得到应用［1-3］o大量工程实践表明，振冲器的性能参数(振频、振幅和激振力等)对加固的效果影响较大。但怎样恰当的选择最优参数，以获得最佳的加固效果，是振冲器设计的关键。因此将这些影响因素融合分析，在不同的工况下，会使得振冲器产生不同的工作性能。并且振密电流，振冲水压，留振时间等也反映出振冲器的优劣性质。所以我们应用遗传神经网络方法完成振冲器性能的预测显得比较关键和重要。振冲器一般由激振器、减震器和潜水电机组成［们。偏心块以等角速度？棕旋转，其质心0'与转轴轴心。存在偏心距e。旋转时，激振力使得振冲器产生间歇振动。［4］0C是激振器的振幅，其质心C的运动方程为：Xc二0C•cos?棕t(1)Yc=0C•sin?棕t(2)由于激振器做等角速度转动，根据平衡方程，振幅A应该是：A=OC=■•e(cm)(3)公式中e为偏块质心的偏心距，W为偏心块的重量，Q为激振器壳体部分总重量如果将振冲器在土体的振动视为有粘性阻尼的单自由度的强迫振动,其振幅为:A=H(m)(4)其中？棕Z为土体自转原频率；DZ为土体阻尼比。2神经网络算法［1］2.1神经网络基本原理BP神经网络由输入层、隐层和输出层组成。对于N各集合｛(x(t),y(t))|xERM,yERN,t=1,2,・・・N｝的离散时间序列，BP网络可以完成从输入到输出的非线性映射，使得F：RM-RM1］o其中，隐含层可以是一层也可以是多层。从结构讲，三层BP网络是一个典型的半线性层次网络。此法的思路:先通过神经元向前发送输入模式，然后计算理想输出与实际输出的误差，将其看作连接层各连接点的误差，通过输出反向到输入层再分摊给各节点，从而可以算出各个节点的参考误差，并且对各个节点进行调整，使得达到要求的映射范围。通过多次不断的迭代，使得误差不断减小，直到获得期望的输出，网络训练即为结束［6-7］o2.2振冲器性能指标模型建模神经网络系统设计为多输入、多输出结构［5］。网络结构为6-4-5,输入层单元数为选择的参数单元的个数，即为动力矩、频率、电机功率、偏心距、自由振幅、振动加速度；输出层为振冲作业的深度、桩径要求、振冲器的功率、振密电流、留振时间5个单元。隐层为1层，经验证隐层的单元数目为4个。采用遗产算法的交换、复制过程，来代替BP算法过程，可以加快了收敛的速度，但也可能是会造成收敛性过早，所以我们改进一些措施，来提高算法的指标:(1)将网络中的输入层与隐含层、隐含层与输出层之间的权值以及节点处阈值按权值优先的原则进行排列成网络。(2)BP网络中权重参数的调整是沿着误差函数的梯度方向下降，但由于此种方法偏离的误差的最小点方向，采取变梯度算法的第一次迭代都是沿着最陡梯度下降方向开...