基于BP神經(jīng)網(wǎng)絡(luò)的深基坑沉降預(yù)測

單 紅 喜

(江蘇省鹽城市大豐區(qū)小海水利管理服務(wù)站，江蘇 鹽城 224100)

基于BP神經(jīng)網(wǎng)絡(luò)的深基坑沉降預(yù)測

單 紅 喜

(江蘇省鹽城市大豐區(qū)小海水利管理服務(wù)站，江蘇 鹽城 224100)

為了分析深基坑的沉降規(guī)律，以某實際工程為例，利用BP神經(jīng)網(wǎng)絡(luò)對該工程的深基坑沉降數(shù)據(jù)進(jìn)行擬合和預(yù)測分析，采用C語言編寫程序進(jìn)行預(yù)測。結(jié)果表明，利用BP神經(jīng)網(wǎng)絡(luò)方法的預(yù)測結(jié)果合理，誤差在允許范圍內(nèi)，滿足工程要求，并且對類似的工程施工具有指導(dǎo)作用。

深基坑沉降，神經(jīng)網(wǎng)絡(luò)，預(yù)測，C程序

1 概述

近年來，隨著我國經(jīng)濟(jì)的高速發(fā)展，我國中高層和超高層建筑數(shù)量日益增長，這些高層建筑大都有地下室，基坑開挖較深，通常為6 m～15 m，更有個別已超過30 m。由于復(fù)雜的水文地質(zhì)、施工條件和周邊環(huán)境，基坑開挖過程中會遇到許多未知的變數(shù)，這使基坑開挖和支護(hù)工程具有投資多、難度大、風(fēng)險大的特點[1]。然而我國關(guān)于深基坑開挖和支護(hù)的理論和技術(shù)還不成熟，僅僅依靠深基坑支護(hù)理論分析和經(jīng)驗分析不足以完成安全可靠的深基坑開挖和支護(hù)設(shè)計施工，因此，施工監(jiān)測、變形控制以及沉降預(yù)測對完成深基坑施工工作就顯得十分重要[2,3]。

本文結(jié)合某深基坑施工，采用C語言編寫算法，建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并與現(xiàn)場監(jiān)測數(shù)據(jù)對比分析，預(yù)測變形發(fā)展過程，為深基坑的施工和設(shè)計提供依據(jù)和保障。

2 BP神經(jīng)網(wǎng)絡(luò)工作原理

學(xué)習(xí)算法是人工神經(jīng)網(wǎng)絡(luò)主要的特征之一[4]。關(guān)于各類學(xué)習(xí)算法的研究已有很多，誤差修正法因其簡便、快捷的算法特性，已廣泛應(yīng)用于許多行業(yè)[5]，本文也將采用此方法進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)。

進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，首先要給定數(shù)據(jù)樣本，在確定學(xué)習(xí)數(shù)據(jù)樣本之后，隨機(jī)設(shè)定網(wǎng)絡(luò)權(quán)重和閾值。對于第i個神經(jīng)元，xj為輸入矢量的第j元素，那么其相應(yīng)的權(quán)重值是wij。在訓(xùn)練過程中，wij需要進(jìn)行動態(tài)調(diào)整：

wij(t+1)=wij(t)+a(di-yi)xj或

Δwij=wij(t+1)-wij(t)=a(di-yi)xj。

其中，a為調(diào)整步幅系數(shù),a>0;di為期望輸出;yi為實際輸出。

對比預(yù)期結(jié)果與實際結(jié)果差值大小，調(diào)整wij的大小，反復(fù)調(diào)整，最后收斂，求出最合理的wij的值。

3 工程應(yīng)用

3.1深基坑沉降預(yù)測的BP模型

基坑沉降涉及因素較多，無法用理論公式去表達(dá)沉降深度。而神經(jīng)網(wǎng)絡(luò)是一個模糊、灰色的計算過程，可以較好的預(yù)測基坑的沉降深度。本文通過對基坑開挖現(xiàn)場的調(diào)研，采用基坑長度、基坑開挖深度、內(nèi)支撐個數(shù)、土體重度、土體內(nèi)摩擦角、粘聚力六個指標(biāo)，建立神經(jīng)網(wǎng)絡(luò)模型，預(yù)測基坑沉降情況[6]。

建立深基坑沉降預(yù)測模型通過以下幾步得到:

1)收集各影響指標(biāo)的實測數(shù)據(jù)和沉降實測數(shù)據(jù)組成樣本，將實測數(shù)據(jù)x1,x2,…，xn分成m組，分為學(xué)習(xí)樣本和預(yù)測樣本，神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)與期望輸出結(jié)果形成輸入模式對。

2)設(shè)置網(wǎng)絡(luò)模型相關(guān)參數(shù)。

神經(jīng)網(wǎng)絡(luò)模型需要設(shè)置相關(guān)控制參數(shù)，如學(xué)習(xí)樣本個數(shù)、預(yù)測樣本個數(shù)、輸入層神經(jīng)元個數(shù)、輸出層神經(jīng)元個數(shù)、隱含層神經(jīng)元個數(shù)等。

3)樣本數(shù)據(jù)歸一化處理。

為了消除不同指標(biāo)之間的差異性，增強(qiáng)可比性，需要將數(shù)據(jù)樣本進(jìn)行標(biāo)準(zhǔn)化處理。處理公式為:

4)通過學(xué)習(xí)樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，將預(yù)測樣本數(shù)據(jù)輸入已經(jīng)訓(xùn)練完畢的BP模型，并將預(yù)測數(shù)據(jù)還原，即可得到最終預(yù)測值。

3.2基于C語言編程的BP神經(jīng)網(wǎng)絡(luò)預(yù)測

由于已有的研究成果表明[7]，一個隱含層的BP神經(jīng)網(wǎng)絡(luò)，就能較好地解決非線性映射問題，因此，本文預(yù)測模型采用一個隱含層。

本文采用C語言編寫深基坑沉降BP網(wǎng)絡(luò)預(yù)測模型，分別選取基坑長度、基坑開挖深度、內(nèi)支撐個數(shù)、土體重度、土體內(nèi)摩擦角、粘聚力6個影響指標(biāo)建立輸入節(jié)點。選取某深基坑現(xiàn)場沉降實測的25組數(shù)據(jù)，前15組數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練樣本，見表1，對后10組數(shù)據(jù)進(jìn)行預(yù)測對比分析。

表1 學(xué)習(xí)測點數(shù)據(jù)樣本

輸出節(jié)點1個，代表土體沉降量。隱層單元個數(shù)Hn仍未知，即6-Hn-1結(jié)構(gòu)。一般采用公式：

L=(m+n)/2+c。

當(dāng)網(wǎng)絡(luò)訓(xùn)練結(jié)束之后，將C程序得到的預(yù)測值與實測值進(jìn)行比較，來檢驗神經(jīng)網(wǎng)絡(luò)的性能，圖1為C程序預(yù)測結(jié)果。

在神經(jīng)網(wǎng)絡(luò)對上述數(shù)據(jù)樣本訓(xùn)練之后，對后10次的沉降值進(jìn)行預(yù)測，在此處只給出預(yù)測值、實測值及相對誤差，結(jié)果如圖2，表2所示。

表2 基坑沉降預(yù)測結(jié)果對比表

由表2可見，模型的預(yù)測誤差較小，相對誤差絕對值在3%以內(nèi)，對于深基坑的變形來說，這樣的誤差屬于可接受范圍之內(nèi)，完全能夠滿足工程信息化施工及設(shè)計的要求，能夠為工程設(shè)計施工提供技術(shù)支持。

4 結(jié)語

1)本文在綜合考慮現(xiàn)場地質(zhì)條件和施工條件之后，選取基坑長度、基坑開挖深度、內(nèi)支撐個數(shù)、土體重度、土體內(nèi)摩擦角、粘聚力6個影響指標(biāo)建立BP神經(jīng)網(wǎng)絡(luò)模型，收集現(xiàn)場實測數(shù)據(jù)預(yù)測基坑沉降量，預(yù)測結(jié)果較為準(zhǔn)確，具有較高的可信性。

2)本文的學(xué)習(xí)樣本只有15組，不可能對后期所有沉降進(jìn)行準(zhǔn)確預(yù)測，提高學(xué)習(xí)樣本數(shù)量，可提高神經(jīng)網(wǎng)絡(luò)預(yù)測的精確性。

3)本文采用C語言編程，開發(fā)深基坑沉降預(yù)測軟件，預(yù)測結(jié)果較好，并且應(yīng)用簡單、高效，適用于現(xiàn)場使用，具有較高的應(yīng)用價值。

4)對于許多巖土工程問題，如基坑沉降等，理論模型不能夠很好的解決此類問題，而人工神經(jīng)網(wǎng)絡(luò)具有較好的非線性映射能力，能夠全面地考慮各因素之間的相互關(guān)系，對解決巖土工程領(lǐng)域中的非線性問題有很好的應(yīng)用前景。

[1] 黃宏偉,邊亦海.深基坑工程施工中的風(fēng)險管理[J].地下空間與工程學(xué)報,2005,1(4):611-614.

[2] 陳 龍,黃宏偉.巖石隧道工程風(fēng)險淺析[J].巖石力學(xué)與工程學(xué)報,2005,24(1):110-115.

[3] 包小華,付艷斌,黃宏偉.深基坑開挖過程中的風(fēng)險評估及案例分析[A].全國基坑工程研討會[C].2014.

[4] Hecht-Nielsen R.Theory of the backpropagation neural network[M].Neural networks for perception (Vol.2).Harcourt Brace & Co.1992:593-605.

[5] SIMON HAYKIN.神經(jīng)網(wǎng)絡(luò)原理[M].第2版.北京：機(jī)械工業(yè)出版社,2006.

[6] 袁金榮,趙福勇.基坑變形預(yù)測的時間序列分析[J].土木工程學(xué)報,2001,34(6):55-59.

[7] 石 云.BP神經(jīng)網(wǎng)絡(luò)的Matlab實現(xiàn)[J].湘南學(xué)院學(xué)報,2010,31(5):86-88.

SettlementpredictionindeepfoundationpitbasedonBPneuralnetwork

ShanHongxi

(XiaohaiWaterManagementServiceStation,Yancheng224100,China)

In order to analyze the settlement law of deep foundation pit, the settlement data of a practical project are taken to be analyzed and predicted, and a software was developed based on C to predict the settlement process. The result shows that the method of prediction based on BP neural network is feasible, the error is within the allowable range. The method of prediction can guide the construction of similar project.

deep foundation pit settlement, neural network, prediction, C language

1009-6825(2017)28-0078-02

2017-07-25

單紅喜(1965- )，男，工程師

TU433

A