Ant Colony Optimization Algorithms Optimizes Neural Networks on Prediction of Soil Liquefaction

大地工程所面對的問題存在著許多不確定與不規則的非線性特質，其因果關係錯綜複雜，不是以簡單的數學公式就可以展現出來。一般對土壤液化(liquefaction)的預測都是以經驗公式來判斷是否合於評估法的安全係數來做為判斷的標準。然而在各種的評估法中所考慮的土壤液化強度參數卻可能不是可以用簡單的經驗法則來計算，因為參數間彼此可能為一種高度複雜且相互影響的關係連接著。因此我們有必要去尋找一種可以做非線性連結的系統來做為分析土壤液化的工具。而類神經網路系統中，多層次的網路架構就是為了提供處理複雜非線性問題的能力。欲建立系統的反應機制，我們藉由輸入、輸出的觀測資料以建立輸入與輸出訊號間的最佳映射關係。案例研究搜集了歷年世界各地地震之現地液化觀察資料共208組，分為146組訓練資料(70 %)及62組測試資料(30 %)分別放入所架構之倒傳遞類神經網路系統。並用螞蟻演算法來最佳化網路架構，找出土壤輸入參數與現地液化資料間之最佳化連結。最後將輸出結果與傳統的簡易CPT液化評估法，如Robertson法、Shibata法作一誤判率之比較。結果無論是在液化、非液化或整體誤判率皆能有更為優異的表現。Geotechnical problems have many unconfirmed and irregular nonlinear characteristics. The causalities are complex and can not be displayed by simple mathematic formula. The prediction of soil liquefaction is usually estimated by formula of experience to decide whether it correspond to safety coefficient. The soil parameters may not be calculated only by simple experience rules because there are complicated relationships between the parameters which are mutual effect. We have to find a tool with nonlinear system to estimate the soil liquefaction problems. The multilayer structure of artificial neural networks is use to deal with the complex nonlinear problems. We establish the response mechanism by observing the input-output pairs.he study collects 208 observing data of earthquakes over the world. Classifying 70% to training set and 30% to testing set by random. Training the data using back- propagation neural networks which is optimized by ant colony optimization algorithms to find the best network parameters. Comparing the results of net output with the results of experience formula, the results of networks have better display.致謝……………..I要…………….II錄…………...IV目錄………... VII 目錄………... VIII 號表…………....X一章 導論 1.1前言 1.2研究目的 2.3本文內容 3二章 文獻回顧 4.1類神經網路的發展 4.2螞蟻演算法的發現 6.3影響液化潛能之因素 6.4類神經網路於土木工程及土壤液化評估之應用 9三章 類神經網路與螞蟻演算法 12.1生物神經元模型 12.2人工神經元模型. 13.3類神經網路分類 14.3.1依網路架構分類 15.3.2依學習方式分類 15.4倒傳遞類神經網路 16.4.1倒傳遞類神經網路基本架構 16.4.2倒傳遞類神經網路學習演算法 17.4.3 Levenberg-Marquardt演算法 20.4.4倒傳遞類神經網路學習流程 21.4.5倒傳遞類神經網路之優缺點 23.5螞蟻演算法 24.5.1 API演算法 25.5.2覓食原理 25.6 API演算法一般性模式 26.6.1相關參數 26.6.2 API演算法一般性模式 28.7 API演算法於類神經網路之應用 29四章 土壤液化及現地試驗評估法 38.1液化的定義 38.2液化發生的機制與原因 38.3現地貫入試驗評估土層液化潛能 40.3.1 Shibata評估法 41.3.2 Stark法 42.3.3 Robertson評估法 43五章 案例研究及討論 50.1資料蒐集 50.2決定土壤輸入參數 51.3類神經網路相關參數之設定 54.3.1類神經網路最佳化參數之範圍 54.3.2螞蟻演算法相關參數的設定 55.3.3螞蟻演算法之評估函數 56.4建構螞蟻演算法最佳化類神經網路 56.4.1倒傳遞類神經網路之語法 57.4.2類神經網路模式 57.5網路分析結果及討論 58.5.1網路訓練結果 58.5.2網路權重及相對重要性 59.5.3與傳統液化評估法比較 60六章 結論與建議 71.1結論 71.2建議 73考文獻 75錄 80者簡歷 9