基于BP神經(jīng)網(wǎng)絡(luò)方法的基坑變形觀測數(shù)據(jù)分析與預(yù)測

劉柏松 趙丹冬

【摘要】本文以花橋世紀城項目為例，采用BP神經(jīng)網(wǎng)絡(luò)方法，對花橋世紀城基坑的水平方向隨時間的位移值進行了預(yù)測，并與實測數(shù)據(jù)比較，證明了BP神經(jīng)網(wǎng)絡(luò)在項目基坑水平位移變形監(jiān)測中的有效性。

【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò) 變形監(jiān)測 數(shù)據(jù)處理

在高層建筑物設(shè)計施工中，一般需要開挖深基坑，隨著建筑高度的增加和規(guī)模的擴大，基坑深度也不斷加大，基坑的變形監(jiān)測也越來越重要。基坑設(shè)計時常運用。法和有限元法來進行變形值計算，但理想模型由于受實際工況差別、計算參數(shù)等不確定因素的影響，計算得到的變形值與實際變形量往往相差比較大。人工神經(jīng)網(wǎng)絡(luò)憑借良好的非線性映射能力及自適應(yīng)能力等特點，尤其是在包含多因素、不精確和模糊的信息問題處理上的優(yōu)勢為深基坑工程問題的解決提供了一個新方法。

一、工程數(shù)據(jù)分析

花橋世紀城項目位于花橋鎮(zhèn)蓬青路北、外青松公路西，基坑北側(cè)和東側(cè)均為本工程前期己建工程。項目場地自然地面標高約為-0.70m，地下車庫坑底標高為-6.65m，基坑開挖深度為5.95m。高層建筑坑底標高為-7.3m，基坑開挖深度為6.6mo本工程基坑開挖內(nèi)邊線周長約為500m，基坑開挖面積約為14200m2。

基坑的開挖會影響周圍建筑物的穩(wěn)定性，研究建筑物周圍的基坑變形程度也能反映出建筑物所受變形的影響，本項目中對基坑的水平位移進行監(jiān)測，共設(shè)置12個水平位移點，監(jiān)測頻率隨著基坑開挖的深度而改變。當開挖深度小于3米時2天監(jiān)測一次，3到10米時每天監(jiān)測1次。研究選取水平位移監(jiān)測數(shù)據(jù)為6月18日到7月13日共25日內(nèi)的水平位移量變化進行研究。

二、BP神經(jīng)網(wǎng)絡(luò)模型

BP （Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種由輸入層、中間層、輸出層組成的階層型神經(jīng)網(wǎng)絡(luò)，相鄰層之間各神經(jīng)元進行全連接，而每層神經(jīng)元之間無連接，網(wǎng)絡(luò)按有教師示教的方式進行學(xué)習(xí)。當一對學(xué)習(xí)模式提供給網(wǎng)絡(luò)后，各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)產(chǎn)生連接權(quán)值，然后按減小希望輸出與實際輸出誤差的方向，從輸出層經(jīng)各中間層逐層修正各連接權(quán)，回到輸入層。此過程反復(fù)交替進行，直到網(wǎng)絡(luò)的全局誤差趨向給定的極小值，即完成學(xué)習(xí)的過程。MATLAB神經(jīng)網(wǎng)絡(luò)工具箱集成了大量的不同的學(xué)習(xí)算法，為神經(jīng)網(wǎng)絡(luò)理論的實現(xiàn)提供了一種便利的仿真手段。本文利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱，選取水平位移監(jiān)測數(shù)據(jù)為6月18日到7月13日共25日內(nèi)的水平位移量建立預(yù)測模型，進行7月14日水平位移值的預(yù)測。

三、網(wǎng)絡(luò)的建立

（1）首先導(dǎo)入整理好的的Excel文件。函數(shù)形式為load （‘fi-lename），xlsread（‘filename）。

（2）數(shù)據(jù)歸一化函數(shù)，歸一化函數(shù)有premnmx、tramnmx、post-mnmx等，premnmx函數(shù)用于將網(wǎng)絡(luò)的輸入數(shù)據(jù)或輸出數(shù)據(jù)進行歸一化歸一化后的數(shù)據(jù)將分布在[-1，1]區(qū)間內(nèi)。

（3）網(wǎng)絡(luò)函數(shù)的創(chuàng)建，newff是創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)的函數(shù)，也是最常用的函數(shù)，其結(jié)構(gòu)為enet=newff （PR，[S1 S2…SN]，{TF1TF2...TFN}，BTF，BLF，PF），建立3層BP神經(jīng)網(wǎng)絡(luò)。

（4）網(wǎng)絡(luò)參數(shù)的設(shè)置。net.trainParam.show用于設(shè)置顯示間隔；net.trainParam.1r用于設(shè)置網(wǎng)絡(luò)學(xué)習(xí)速度；net.train-Param.me用于設(shè)置動量系數(shù)net.trainParam.epochs用于設(shè)置訓(xùn)練單位時間；net.trainParam.goal用于設(shè)置目標誤差。

（5）網(wǎng)絡(luò)初始函數(shù)，采用默認參數(shù)。

（6）網(wǎng)絡(luò)訓(xùn)練函數(shù)，用于對設(shè)定參數(shù)的網(wǎng)絡(luò)進行訓(xùn)練。

（7）網(wǎng)絡(luò)仿真函數(shù)，Sim函數(shù)對輸入數(shù)據(jù)進行仿真計算。

四、程序的實現(xiàn)

程序具體實現(xiàn)如下：

Load（‘c：/Users/Administrator/Document/MATLAB/12訓(xùn)練點）

P=Yzdzb；

T=Yzdgcyc；

[PN，minp，maxp，TN，mint，maxi]=premnmA（P，T）；

net=newff（minmax （PN），[10 1]，{tansig，tansig}，traingd）；

net.trainPar視.1r=0.05；

net.trainParam.epochs=10000；

net.trainParam.goal=0.01；

net=train （net，PN，TN）；

A=sim（net，PN）；

E=T-postmnmx（A，mint，maxt）；

MSE=mse（E）；

Tes=Wzdzb；

Ts=tramnmx（Tes，minp，maxp）；

Wzdgcyc=sm（net，Ts）；

Wzcyc=postmnmx（Wzdgcyc，mint，maxt）；

jggeyc=Wzcyc

模型采用3層神經(jīng)網(wǎng)絡(luò)，一個輸入層，一個隱含層，一個輸出層，輸入層為12個監(jiān)測點6月18日到了月13日共25日內(nèi)的水平位移量，輸出層為為12個監(jiān)測點7月14日水平位移值。模型采用postmnmx函數(shù)為數(shù)據(jù)歸一化函數(shù)，newff函數(shù)為網(wǎng)絡(luò)創(chuàng)建函數(shù)，以tansig函數(shù)為傳遞函數(shù)，以trangdx函數(shù)為訓(xùn)練函數(shù)，設(shè)置網(wǎng)絡(luò)學(xué)習(xí)速率為0.05%，隱含層結(jié)點數(shù)目設(shè)為10，網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)定最大訓(xùn)練次數(shù)為10000，網(wǎng)絡(luò)訓(xùn)練目標誤差為0.001進行網(wǎng)絡(luò)的訓(xùn)練。當訓(xùn)練進行到137次時訓(xùn)練停止，訓(xùn)練過程使程序達到誤差0.001。采用此網(wǎng)絡(luò)模擬后，獲得7月14日基坑的水平位移預(yù)測值。

五、數(shù)據(jù)的預(yù)測與分析

利用上述神經(jīng)網(wǎng)絡(luò)程序來驗證模型并與真實值對比，用6月18日到7月13日共25日內(nèi)的水平位移量作為訓(xùn)練樣本數(shù)據(jù)來預(yù)測7月14日的水平位移并與真實監(jiān)測值作比較，結(jié)果如圖1所示，其中橫軸表示基坑頂部設(shè)置的12個水平位移監(jiān)測點，縱軸表示水平位移值，藍色柱狀圖形表示預(yù)測值與真實值的差值?？梢钥闯觯?2個監(jiān)測點中，1、2、9、12號點預(yù)測誤差幾乎為零，4、5、6號預(yù)測值低于真實值，3、7、8、10、11號點的預(yù)測值高于預(yù)測值，其中10號點的預(yù)測誤差最大，為1.17mm。本文采用BP神經(jīng)網(wǎng)絡(luò)，利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱編程實現(xiàn)花橋城小區(qū)基坑水平位移監(jiān)測的預(yù)報。通過誤差的對比，可以看出12個水平位移監(jiān)測點中，BP神經(jīng)網(wǎng)絡(luò)模型獲得的預(yù)測值與實際監(jiān)測值均比較接近，最大誤差值為1.17mm，最小誤差為0.01mm，預(yù)測結(jié)果比較理想。