论文部分内容阅读
锚杆锚固系统因其施工方便、成本低廉和支护效果可靠等优点而被广泛的用于各类岩土工程中,锚杆锚固系统的支护效果直接影响工程的质量。如果锚杆锚固系统存在缺陷会使锚杆支护能力下降,进而影响工程质量甚至造成人民生命财产安全事故,因此对锚杆锚固系统缺陷的识别分类研究具有至关重要意义。神经网络可以作为锚杆锚固系统缺陷分类的智能分类器,其可以根据已有的锚杆锚固系统缺陷数据库完成网络的训练,从而对锚杆锚固系统缺陷的进行正确分类。神经网络克服了传统人工分类方法准确性差、分类速度慢,还要求分类人员有较高专业技术水平和经验的缺点。但是神经网络的网络结构对分类的性能有重要的影响,传统网络结构确定的方法如试凑法和经验公式法都难以获得网络的最优结构且费事实力。因此神经网络结构难以确定的难题,阻碍了神经网络作为锚杆锚固系统缺陷识别智能分类器的大规模推广应用。本文针对神经网络结构难以确定的难题,构建了结构自组织Elman神经网络;并将其作为智能分类器对基于应力波锚杆无损检测法获得的实验数据和仿真数据进行锚杆缺陷识别,从而完成锚杆的缺陷智能识别分类。具体研究如下:(1)根据锚杆锚固系统工程应用中常出现的锚固剂密实度不足、锚固空洞等缺陷,构建四种实验缺陷识别分类锚杆模型,基于应力波无损检测法分别通过实验法和仿真法获得锚杆智能识别分类数据。(2)根据Elman网络结构特点,在定义网络隐含层节点贡献度、网络修剪阈值的基础上设计了网络修剪机制;并对网络修剪过程进行收敛性分析;完成网络学习率的自适应改进;利用UCI标准分类数据集对网络结构修剪过程进行可行性分析,仿真实验结果证明修剪机制可以减小网络冗余度,提高网络分类性能。(3)在网络隐含层贡献度的基础上定义了Elman神经网络增长阈值,引入网络分裂增长机制,同网络修剪机制共同构成结构自组织Elman神经网络;采用隐含层节点贡献度分布的标准差来对修剪阈值和增长阈值进行修正;同时对修剪系数和增长系数进行自适应改进,提高结构自组织过程网络结构的稳定性;对Elman神经网络结构自组织过程网络收敛性进行分析;采用UCI标准数据集对网络性能进行测试,仿真实验证明在Elman神经网络初始结构冗余时,网络可以通过网络结构修剪来减小网络冗余度,Elman神经网络初始结构过简时,可以通过增长机制增加网络结构提高网络数据处理能力,即网络可以根据训练数据完成结构自组织,获得网络最优结构,提高网络分类性能。(4)采用结构自组织Elman神经网络对锚杆缺陷数据进行智能识别分类实验;根据实验结果对网络参数及性能进行分析比较,验证了结构自组织Elman神经网络具有结构自组织能力和更优的分类性能,可以完成锚杆缺陷识别分类,进而完成对锚杆锚固质量无损检测。