李伟丽(大庆市龙凤区住房和城乡规划建设局，黑龙江 大庆 163711)

基于遗传神经网络的多层砖房震害预测研究

李伟丽(大庆市龙凤区住房和城乡规划建设局，黑龙江 大庆 163711)

多层砖房在遭遇地震时破坏较为严重,会给人民的生命与财产造成巨大的损失。将神经网络与遗传算法相结合，建立遗传神经网络对多层砖房的震害进行了预测。样本的预测结果与实际结果一致,说明应用遗传神经网络算法对多层砖房的震害进行预测是可行。

遗传神经网络；震害预测；多层砖房

地震作为一种突发的自然灾害，一旦发生就会给人们的生命财产造成巨大的损失,如1995年日本神户7.5级地震造成千人死亡,2008年的汶川大地震房屋倒塌无数，造成数百万人无家可归，2011年日本东海岸发生9.0级大地震，该地震并引发了海啸造成了巨大的伤亡[1]。从汶川大地震的报道可以看出，当地震发生时很多人在倒塌的房屋下丧生或被围困。中国作为发展中国家，很多小城市的住宅大多是多层砖房，这些多层砖房的抗震性能差，在地震中倒塌的几率极大，因此地震发生时造成的伤亡也是最大的。因此,如果能在地震前预测出多层砖房的震害程度和空间分布,从而可以采取一定的措施,对建筑物进行加固,对将施工的建筑物通过对场地的勘察、设计和施工来提高建筑物的抗震性能,将地震带来的损失降至最小。下面，笔者提出应用遗传神经网络的方法来对多层砖房的震害进行预测，把砖房的破坏分为5类：基本完好、轻微损坏、中等破坏、严重破坏和倒塌，相对应的震害指数分档为[1，0，0，0，0]、[0， 1，0，0，0]、[0，0，1，0，0]、[0，0 0，1，0]、[0，0，0，0，1]。

1 遗传神经网络算法

BP神经网络上实现了一个从输入到输出的映射功能，具有可以实现任何复杂非线性映射的功能，特别适合于求解内部机制复杂的问题。但是传统的BP神经网络的全局搜索能力差，而且经常会陷入局部无穷小,导至网络的泛化能力差。遗传算法(Genetic Algorithm)是一类借鉴生物界的进化规律(适者生存，优胜劣汰遗传机制)演化而来的随机化搜索方法。其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。因此，将遗传算法和神经网络有机结合以提高收敛速度、避免陷入局部最优来解决复杂问题已经越来越受到人们的重视[2]。遗传神经网络的算法基本步骤[3]如下：①编码。分别用实数表示网络的权值；设定参数：输入种群规模、交叉概率、变异概率、网络层数(不包括输入层)、每层神经元数。②初始化种群。初始种群是由随机产生n个权值矩阵构成的，每个矩阵作为一个将要训练的神经的网络。③评价。对每个神经网络以前向方式运行，计算评价函数值，并保留最优个体。④遗传操作。依次进行选择、交换、变异、BP训练，保留最优个体，并计算评价函数值。若误差达到指定的精度，则转⑤,否则转④。⑤结束。

2 多层砖房震害样本的采集

笔者选用的8个震害因子具体的参数取值如下：

1)房屋的层数 由于砖房的破化率是随着层数的增多而变大的，因此房屋的层数是影响因素之一。

2)施工质量 施工质量分为3类即为：优秀、中等、差。该参数的取值为：优为10,中为8，差为6，同时施工质量受到年代影响，因此笔者规定每5年减0.5。

3)砂浆标号 该参数按施工时的砂浆标号实际取值。

4)结构的合理性 结构的合理性直接影响结构的刚度,因此结构的合理性是影响砖房抗震的主要因素。直接采用综合评判的隶属度作为该参数的取值。

5)砖墙面积率 该参数的取值按公式:砖墙面积率=砖墙净面积率/建筑面积来确定。

6)房屋的整体性 房屋整体性的好坏直接影响着砖房的抗震性能，而影响房屋整体性的的主要因素有：楼屋盖形式、圈梁构造柱和地梁基础情况、房屋的完好状态等。该参数取值为以下几个部分的和：

楼盖：现浇5，预制4，木屋盖3。

屋盖：现浇5，预制4，木屋盖3。

圈梁、构造柱：有圈梁增加1，有构造柱再增加1。

地下室或基础：加1，伤裂减1～2。

7)场地条件 Ⅰ类土取10,Ⅱ类土取8,Ⅲ类土取6，如果地形地貌不利，则减1～2；若地下水位较高减1。

8) 地震动峰值加速度 按实际峰值加速度大小，以重力加速度g为单位取值，可取为0.05、0. 1、0.15、…。

3 神经网络的建立与训练

随机选用30个包含不同破坏程度的多层砖房的震害资料的样本,每个样本含有8个震害因子,如表1。将25个样本作为网络的输入向量P=[K1,…,K25],输出即为砖房的破坏程度,输出T=[T1,…,T25],(B=[K10,…,K30])为预测样本。

表1 多层砖房震害实例的因子取值

图1 学习过程误差训练曲线

由于样本的数据间差异较大，所以笔者应用Matlat自带的归一函数premnmx()进行数据归一化处理,从而提高遗传神经网络的泛化能力,遗传神经网络结构是8-22-4，即输入层神经元为8个，隐含层神经元为22个，输出层神经元为4个，隐含层神经元的变换函数采用tan2sigmoid 型函数tansig；输出层神经元的传递函数采用线性函数purelin；训练函数采用trainlm函数。遗传算法中令种群数为80，交叉概率Pc=0.5，变异率Pm=0.05，最大迭代次数为30，终止条件设为网络误差小于10-3。遗传神经网络算法的误差曲线、误差平方和曲线图与适应度曲线图分别见图1～3。

图2 误差平方和曲线图

从图1～3可以看出，遗传算法具有快速寻优的特性，经过5代左右遗传迭代，网络前向误差大幅下降，适应度函数也在急剧的上升，说明遗传算法的运用收到了既定的效果，能够帮助BP网络快速地寻找到全局最优点，在经过30代遗传迭代后，遗传搜索停止，而转入BP算法，进行局部空间的寻优；从训练曲线可知,网络训练36步已达标。以上结果说明应用遗传算法对神经网络的权值优化得到了良好的效果，使网络的训练速度明显加快。

4 神经网络预测结果

利用训练好的神经网络, 预测表1中26～30个方案的震害, 计算结果见表2。从表2可看出,样本的预测结果与实际结果(表1)一致,说明应用遗传神经网络模型对多层砖房的震害进行预测是可行。

表2 BP神经网络预测结果

5 结 语

考虑了影响多层砖房的几个主要影响因素，利用遗传神经网络算法预测多层砖房的震害程度，得到了比较精确的结果。遗传神经网络随着训练数据的不断积累，它可以在新的基础上进行学习，形成更完善的预测系统，进一步提高网络的精度和模型的应用范围，这是其他数学模型无法比拟的。随着人工智能方法在工程中的应用日渐成熟, 遗传神经网络在震害预测方面一定会发挥更大作用。

[1]高惠瑛, 李清霞.地震人员伤亡快速评估模型研究[J].灾害学，2010，25(10):225-227.

[2]刘洪,马力宁,黄桢. 集成化人工智能技术及其在石油工程中的应用[M]. 北京：石油工业出版社，2008.

[3]郝华宁,刘阳.基于遗传神经网络的个股价格短期预测[J].西安石油大学学报，2010,25(2) :88-90.

[编辑] 洪云飞

P315.9

A

1673-1409(2012)05-N166-03

10.3969/j.issn.1673-1409(N).2012.05.055

2012-02-27

李伟丽(1976-)，女，2005年大学毕业，工程师，现主要从事建筑工程招投标监管方面的研究工作。