BP神經(jīng)網(wǎng)絡(luò)在隧道基坑工程中的實際運用

丁　楊

(華東交通大學(xué) 土木建筑學(xué)院，江西 南昌 330013)

?

BP神經(jīng)網(wǎng)絡(luò)在隧道基坑工程中的實際運用

丁楊

(華東交通大學(xué) 土木建筑學(xué)院，江西 南昌 330013)

依據(jù)昆明軌道交通三號線東標段二工區(qū)省博物館站在施工過程中基坑開挖所產(chǎn)生的深層水平位移問題，基于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱仿真并建立BP神經(jīng)網(wǎng)絡(luò)模型，預(yù)測位移曲線可以通過輸入已知數(shù)據(jù)建立。在實際工程中對該模型的合理性進行檢測，實測數(shù)據(jù)表明，此BP神經(jīng)網(wǎng)絡(luò)模型對于深層水平位移問題有很好的預(yù)測能力。

基坑工程；地下深層水平位移；BP神經(jīng)網(wǎng)絡(luò)；MATLAB分析；昆明；軌道交通

地鐵地下施工具有技術(shù)交叉性，風(fēng)險隱蔽性、復(fù)雜性和施工環(huán)境惡劣性、特殊性、無序性、動態(tài)性的特點，其大規(guī)模、高速度的建設(shè)必然導(dǎo)致地鐵施工高風(fēng)險的存在[1]。據(jù)初步統(tǒng)計：從2001年起，我國共有126起地鐵事故，其中地鐵施工事故就有101起以上[2]。事故的發(fā)生必將造成巨大的經(jīng)濟、人力損失和不良社會影響?？梢?，在施工過程中如何采取有效的方法進行監(jiān)測與預(yù)測是極為重要的。隨著現(xiàn)代技術(shù)的發(fā)展，BP神經(jīng)網(wǎng)絡(luò)孕育而生，目前BP神經(jīng)網(wǎng)絡(luò)預(yù)測分析在地下工程、巖石工程、橋梁工程中取得了很好的效果[3-8]。但在基坑監(jiān)測中還尚未采用，由于基坑工程的風(fēng)險性較高，并且需要考慮環(huán)境效應(yīng)，所以在施工過程中需要密切注意基坑的變形，而地下連續(xù)墻水平位移可以反映基坑的安全性和判斷周邊環(huán)境[9]。所以應(yīng)該在基坑開挖過程中引用BP神經(jīng)網(wǎng)絡(luò)這一現(xiàn)代技術(shù)[10]。由于BP神經(jīng)網(wǎng)絡(luò)在其他地下工程中有著很好的效果，所以本文對高度復(fù)雜和高度非線性的隧道基坑開挖引發(fā)的深層水平位移進行模擬與預(yù)測計算。

1 項目概況

省博物館站為昆明地鐵3號線與5號線的換乘站，為地下三層島式車站。車站主體總長144m，標準段外包寬度23.3m，擴大段寬度27.50m。本站標準段基坑深度25.5m。車站結(jié)構(gòu)采用明挖順作法施工，基坑豎向設(shè)置5道支撐加一道倒撐。

省博物館站沿東風(fēng)西路呈東西向布置。東風(fēng)西路為雙向6車道，規(guī)劃道路紅線寬35m，是連接昆明市東西向的一條交通干道，交通繁忙。車站南側(cè)為五華大廈(現(xiàn)叫金魔仿兒童新未來城)及其擴建工程，西北側(cè)距離車站最近的為省公安廳家屬樓，東北側(cè)為中銀大廈，東南側(cè)為順城商業(yè)廣場(有負三層地下室)如表1所示。省博物館站周邊管線十分復(fù)雜，如表2所示。因此對該工程的施工階段實施監(jiān)控和監(jiān)測是十分有意義的。

表1 工程地理位置及周邊環(huán)境

表2 周邊管線情況

2 BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)(BackPropagationAlgorithm)由輸入層、隱含層和輸出層三層網(wǎng)絡(luò)所構(gòu)成，是目前應(yīng)用最廣泛的一種網(wǎng)絡(luò)[11-13]。其核心思想是通過某種形式將輸出誤差通過隱層向輸入層逐層反傳。

本文選取的是單輸出有一個隱層，輸入有三層的BP網(wǎng)絡(luò)模型。選取隱層神經(jīng)元個數(shù)參照以下公式[14]:

(1)

式中，L代表隱層神經(jīng)元個數(shù)；N代表輸入的神經(jīng)元個數(shù)；M代表輸出層神經(jīng)元個數(shù)；A代表1～10的整數(shù)。

簡而言之，BP學(xué)習(xí)算法就是從輸入向輸出層和從輸出層向第一隱層兩個方向傳播信息，各神經(jīng)元的權(quán)值通過不斷的被調(diào)整，使達到最低的誤差信號，來完成學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的，然后對沒有學(xué)習(xí)的樣本集進行推理、預(yù)測則依賴于學(xué)習(xí)后的網(wǎng)絡(luò)。

3 建立BP神經(jīng)網(wǎng)絡(luò)模型

3.1BP神經(jīng)網(wǎng)絡(luò)模型的創(chuàng)建

利用Matlab的神經(jīng)網(wǎng)絡(luò)工具箱實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型的創(chuàng)建、學(xué)習(xí)和訓(xùn)練，下面列出程序的核心部分[15]:

%創(chuàng)建網(wǎng)絡(luò)

net=newff(minmax(p1),[1,3,1],

{′tansig′,′tansig′,′purelin′},′trainlm′);

%當(dāng)前輸入層權(quán)值

inputWeights=net_1.1W{1,1}inputbia

net_1.b{1}

%當(dāng)前網(wǎng)絡(luò)層權(quán)值和閾值

layerWeights=net_1.LW{2,1}

layerbias=net_1.b{2}%設(shè)置訓(xùn)練次數(shù)

net.trainParam.epochs=5000;%設(shè)置收斂誤差

net.trainParam.goal=0.0000001;%訓(xùn)練網(wǎng)絡(luò)

[net,tr]=train(net,p1,t1);%對BP網(wǎng)絡(luò)進行仿真

A=sim(net_1,P1);%計算仿真誤差

E=T=A;MSE=mse(E)

train函數(shù)的常用格式如下:

[ent,tr]=train(net,p1,t1)

其中p1為矢量集輸入樣本；t1為矢量集對應(yīng)的目標樣本；式子的右、左兩側(cè)的net各自用于代表訓(xùn)練前、后的神經(jīng)網(wǎng)絡(luò)對象；tr代表的是步數(shù)信息和誤差信息，這是用于存儲訓(xùn)練過程中的。

仿真函數(shù)sim：t1=sim(net,p1)可以用來計算網(wǎng)絡(luò)在給定輸入下的輸出。

3.2 輸入已知數(shù)據(jù)并仿真預(yù)測

已知數(shù)據(jù)如表3，對于帶有奇異樣本的測量數(shù)據(jù)，可以發(fā)現(xiàn)，當(dāng)有突然跳躍、明顯不合理的特性時。并且這些奇異點的實測數(shù)據(jù)有較大的偶然誤差。若使用這些樣本，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)反而會使網(wǎng)絡(luò)的精度更糟，故采用前后截面數(shù)據(jù)的線性插值替代法處理奇異樣本數(shù)據(jù)。按照連續(xù)函數(shù)表示定理，要求歸一化處理后的該輸入變量為x′，根據(jù)文獻[16]確立公式如下：

表3 已知數(shù)據(jù)

(2)

式中：a、b是2個常量；分別為每組因子變量的最大值和最小值。

為了使我們的誤差平方小，繼而近似確定多項式階數(shù)N,下列列出程序的核心部分:

y2=polyfit(x,y,i);

Y=polyval(y2,x);%計算擬合函數(shù)在x處的值

ifsum((Y-y)^2)<0.1

N=i

得N=4

進而得出預(yù)測圖形和函數(shù)表達式，見圖1。

函數(shù)表達式為：Y=-0.000 05x4-0.000 24x3-0.029 61x2+4.357 8x-0.366 34。

3.3仿真預(yù)測與實測數(shù)據(jù)比較及誤差分析

實測數(shù)據(jù)與預(yù)測數(shù)據(jù)統(tǒng)計其誤差值見表4。

表4 實測數(shù)據(jù)與預(yù)測位移

由表4可見，建立的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型與實際監(jiān)測到的數(shù)據(jù)存在一定的誤差，該誤差目前隨著深度的加大而加大，但實測位移已經(jīng)在[22.0,22.5]之間出現(xiàn)拐點，而預(yù)測曲線則是在[23.5,24]之間出現(xiàn)了拐點，所以是會造成一定誤差的。但這些誤差還在可承受誤差范圍內(nèi)，并且預(yù)測的位移值要比實測的位移值偏大，故偏安全，可采用。

曲線逐漸呈“啤酒肚”型，這說明地下連續(xù)墻墻體曲線最終形成上下兩端小，中間大的特點(在[0,22.0]之間呈上升趨勢，在[22.0,22.5]出現(xiàn)極大值，之后呈下降趨勢)，這種情況說明頂部位移受到了制約作用：一方面是由于壓頂梁和第一道支撐對連續(xù)墻側(cè)移明顯限制；二是在基巖或深埋土體中被地下連續(xù)墻嵌入，較強的約束住墻角，因此側(cè)向位移在墻角處被收斂，即顯著的空間效應(yīng)存在于深基坑兩端中，從而位移的發(fā)展被抑制了[17]。

土方開挖引起地下連續(xù)墻的變形，此開挖深度與變形量呈正比。隨著加深開挖，位移最大值所在的位置逐步下降，變形逐步增大[18-20]。

4 結(jié)論

利用BP神經(jīng)網(wǎng)絡(luò)建立的預(yù)測模型，所得預(yù)測值與實測值擬合很好，具有準確、簡單、速度快的特點，是地鐵開挖變形預(yù)測的一種有效方法。

[1]錢七虎，戎曉力.中國地下工程安全風(fēng)險管理的現(xiàn)狀，問題及相關(guān)建議[J].巖石力學(xué)與工程學(xué)報，2008，27(4)：649-665.

[2]鄧小鵬，李啟明，周志鵬.地鐵施工安全事故規(guī)律性的統(tǒng)計分析[J].統(tǒng)計與決策，2010，9(9)：87-89.

[3]鄧建輝，李焯芬，葛修潤.網(wǎng)絡(luò)和遺傳算法在巖石邊坡位移反分析中的應(yīng)用[J].巖石力學(xué)與工程學(xué)報，2001，20(1)：1-5.

[4]樊 捆，劉宇敏，張艷華.基于人工神經(jīng)網(wǎng)絡(luò)的巖土工程力學(xué)參數(shù)反分析[J].河海大學(xué)學(xué)報：自然科學(xué)版，1998，26(4)：98-102.

[5]馮夏庭，張治強，楊成祥，等.位移反分析的進化神經(jīng)網(wǎng)絡(luò)方法研究[J].巖石力學(xué)與工程學(xué)報， 1999，18(5)：529-533.

[6]易 達，徐明毅，陳勝哄，等.人工神經(jīng)網(wǎng)絡(luò)在巖體初始應(yīng)力場反演中的應(yīng)用[J].巖土力學(xué)，2004， 25(6)：943-946.

[7]陶月長，吳澤力.入土深度對圍護結(jié)構(gòu)水平位移的影響[J].河北工程大學(xué)學(xué)報：自然科學(xué)版，2015， 32(3)：38-41.

[8]梁月吉，任 超，劉立龍，等.基于EMDGA和BP和神經(jīng)網(wǎng)絡(luò)的大壩變形預(yù)測[J].桂林理工大學(xué)學(xué)報，2015，1(1)：111-116.

[9]武文永，曹雪山.南京地鐵雞鳴寺站地下連續(xù)墻深層水平位移特性研究[J].華東交通大學(xué)學(xué)報，2014，3(3)：115-119.

[10]侯北平，盧 佩.基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)模型及系統(tǒng)仿真[J].自動化與儀表，2001， 16(1)：34-36.

[11]齊 干，陳學(xué)軍，朱瑞鈞.神經(jīng)網(wǎng)絡(luò)在深基坑工程中的應(yīng)用[J].建筑技術(shù)開發(fā)，2004， 31(5)：22-26.

[12]賀超峰，華心祝，楊 科，等.基于神經(jīng)網(wǎng)絡(luò)的工作面周期來壓預(yù)測[J].安徽理工大學(xué)學(xué)報，2012， 1(1)：59-63.

[13]RUMELHARTDE.LearingrepresentationbyBPErrors[J].Nature(London)，1986，7(7)：64-70.

[14]張文鴿，吳澤寧.BP神經(jīng)網(wǎng)絡(luò)的改進及其應(yīng)用[J].河南科學(xué)，2003， 21(2)：203-205.

[15]凌建明，崔伯恩，趙鴻鐸，等.神經(jīng)網(wǎng)絡(luò)預(yù)測河灣最大沖刷深度[J].同濟大學(xué)學(xué)報：自然科學(xué)版，2006，34(8)：1040-1044.

[16]卜一之，李玉耀.基于BP神經(jīng)網(wǎng)絡(luò)算法的特大跨度斜拉橋施工過程中的線性預(yù)測[J].現(xiàn)代交通科技，2009， 1(1)：24-27.

[17]程勝一，褚偉洪，陳 杰，等.深層水平位移監(jiān)測技術(shù)分析[J].城市勘測，2011， 12(12)：167-170.

[18]曾曉云.建筑基坑變形及支撐結(jié)構(gòu)設(shè)計研究[J].河北工程大學(xué)學(xué)報：自然科學(xué)版，2015，32(2)：6-9.

[19]李劭暉，汪琦力，徐 偉.沿海軟土地區(qū)深基坑工程信息化施工技術(shù)研究[J].建筑技術(shù)，2006， 37(12)：900-902.

[20]李愛榮，王增道.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在深基坑信息化施工中的應(yīng)用[J].建筑技術(shù)，2006， 36(12)：891-893.

(責(zé)任編輯王利君)

PracticalapplicationofBPneuralnetworkintunnelexcavationengineering

DINGYang

(DepartmentofCivilandArchitecture，EastChinaJiaotongUniversity，JiangxiNanchang330013,China)

AimingatdeephorizontaldisplacementproblemintheprocessofexcavationconstructionofthesecondDistrictProvincialMuseumStationin3eastsectionofKunmingRailTransitLine,thispapersetsupthedisplacementpredictioncurveonbasisofMATLABsimulationandtheestablishmentofBPneuralnetworkmodelthroughtheinputdisplacementdata.TheexperimentaldatashowsthattheBPneuralnetworkmodelhasgoodpredictivepowerforthedeephorizontaldisplacement.Thismethodprovidesanewtechnicalmeansforthedisplacementcontrolofundergroundengineering.

foundationpitengineering;deephorizontaldisplacement;BPneuralnetwork;MATLABsimulation；

2015-12-23

國家科技支撐計劃項目(2013BAE09B01)；江西省科技支撐計劃重大項目(20142BBG70027)

丁楊(1992-)，男，江西南昌人，碩士，研究方向為結(jié)構(gòu)工程。

1673-9469(2016)02-0030-04doi:10.3969/j.issn.1673-9469.2016.02.007

TU4

A