基于模糊神經(jīng)網(wǎng)絡(luò)模型的廣西炭質(zhì)巖地區(qū)高填筑地基沉降預(yù)測研究

何俊輝 張博宇 駱俊暉

摘要：對于路基沉降預(yù)測來說，指數(shù)曲線和雙曲線延擬合法都有其局限性，不能很好地反映路基沉降的真實(shí)情況。神經(jīng)網(wǎng)絡(luò)可用于已有大量沉降數(shù)據(jù)的路基沉降預(yù)測，然而目前所使用的模型較少采用TS模糊神經(jīng)多層網(wǎng)絡(luò)。文章同時(shí)結(jié)合了TS模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，實(shí)現(xiàn)了兩種方法相互兼容的目的，并以河池至百色高速公路炭質(zhì)巖高填筑路基現(xiàn)場實(shí)測數(shù)據(jù)建立路基沉降預(yù)測模型，驗(yàn)證其適用性。結(jié)果表明：該方法適用于大數(shù)據(jù)分析，短期沉降預(yù)測結(jié)果準(zhǔn)確，最終沉降預(yù)測結(jié)果具有較大工程實(shí)用價(jià)值。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);TS模糊模型;炭質(zhì)巖;沉降

0 引言

在公路工程建設(shè)中，高填路基沉降問題較為顯著，通車期間路基不均勻沉降對車輛的安全運(yùn)行造成較大影響，因此，準(zhǔn)確預(yù)判路基沉降可為公路工程的“建、管、養(yǎng)、運(yùn)”提供參考資料。在路基沉降計(jì)算方法中，有規(guī)范法、經(jīng)驗(yàn)法、有限元法等，其中，人工神經(jīng)網(wǎng)絡(luò)法適合對已有的大量沉降數(shù)據(jù)進(jìn)行分析，通過自我訓(xùn)練得出沉降曲線，并準(zhǔn)確預(yù)測可能發(fā)生的沉降問題，是一種效率較高、適用大數(shù)據(jù)分析的計(jì)算方法。

人工神經(jīng)網(wǎng)絡(luò)是人工智能領(lǐng)域的研究熱點(diǎn)，其是從信息處理角度建立某種計(jì)算模型，按不同的方式組建差異網(wǎng)絡(luò)，從而進(jìn)行分布式并行信息處理算法的數(shù)學(xué)模型。然而，在工程應(yīng)用中較難用準(zhǔn)確的術(shù)語表達(dá)參數(shù)，因此需要通過模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合，形成一種協(xié)作體——模糊神經(jīng)網(wǎng)絡(luò)，即以模糊規(guī)則為基礎(chǔ)，具有模糊信息處理能力的計(jì)算模型[1]?；谏窠?jīng)網(wǎng)絡(luò)，可以建立模糊神經(jīng)網(wǎng)絡(luò)沉降預(yù)測模型，為公路工程路基沉降分析提供研究手段，具有顯著的經(jīng)濟(jì)效益和社會效益。

1 模糊神經(jīng)網(wǎng)絡(luò)概述

1.1 模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)

人工神經(jīng)網(wǎng)絡(luò)有強(qiáng)大的學(xué)習(xí)能力和自適應(yīng)能力，但其計(jì)算過程不能表達(dá)，類似一個(gè)黑箱，缺少透明度。而模糊神經(jīng)網(wǎng)絡(luò)（FNN， Fuzzy Nuearl Network）的發(fā)展建立在神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)系統(tǒng)的基礎(chǔ)上，具有顯著的優(yōu)點(diǎn)，可用于求解不確定非線性問題[2]。與其他神經(jīng)網(wǎng)絡(luò)系統(tǒng)方法相比較，模糊神經(jīng)網(wǎng)絡(luò)具有更便捷高效、易于理解推理過程、人工干預(yù)少、精度較高、對樣本的要求較低、收斂速度快、突出的逼近性能等優(yōu)點(diǎn)，在實(shí)踐中表現(xiàn)出良好的性能[3]。

1.2 TS型模糊神經(jīng)網(wǎng)絡(luò)原理

TS型模糊神經(jīng)網(wǎng)絡(luò)原理修改系統(tǒng)由TKagi Sugneo（Takagi Kanno）提出并廣泛應(yīng)用于模糊神經(jīng)網(wǎng)絡(luò)[4]，其特點(diǎn)為系統(tǒng)輸出值為精確值。其標(biāo)準(zhǔn)前饋模糊網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

TS模糊神經(jīng)網(wǎng)絡(luò)屬于多層網(wǎng)絡(luò)類型[5]，由輸入層、模糊化層、規(guī)則層、去模糊化層和輸出層組成。輸入層是連接所有節(jié)點(diǎn)和輸入向量，x=[x1…xn]T，然后輸入x到模糊化層。模糊化層的功能是：如果每個(gè)輸入變量是用m個(gè)模糊集合定義的，則模糊層被劃分成n組，并且該組由m個(gè)節(jié)點(diǎn)組成。如果用高斯函數(shù)表示i組中m個(gè)節(jié)點(diǎn)的輸出，則有公式（1）：

1.3 TS型模糊神經(jīng)網(wǎng)絡(luò)計(jì)算步驟

TS型模糊神經(jīng)網(wǎng)絡(luò)計(jì)算步驟具體如下：

（1）將樣本分成兩部分，一部分用來訓(xùn)練TS網(wǎng)絡(luò)，另一部分用來測試網(wǎng)絡(luò)性能[6]。

（2）使用類聚法對訓(xùn)練樣本歸類，每類對應(yīng)一條模糊規(guī)則。

（3）訓(xùn)練神經(jīng)網(wǎng)絡(luò)。在隸屬度函數(shù)值組成的矩陣基礎(chǔ)上分析輸出結(jié)果和輸出誤差，根據(jù)梯度下降法進(jìn)行更新、迭代計(jì)算。

結(jié)合以上步驟通過MATLAB軟件編程[7]，可以預(yù)測地基沉降量。

2 依托工程研究

2.1 工程概況

河池至百色高速公路線路主要途經(jīng)炭質(zhì)巖區(qū)域，沿線有1/3的炭質(zhì)巖路段。炭質(zhì)巖易崩解、遇水軟化，物理力學(xué)性質(zhì)差，對工程影響較大。

2.2 廣西炭質(zhì)巖分布與巖性

廣西炭質(zhì)巖地區(qū)主要分布于桂西北地區(qū)，面積約1.51 萬m2，約占廣西面積的6.4%。炭質(zhì)泥（頁）巖浸水后巖體強(qiáng)度軟化，遇水后易崩解。

廣西河池至百色高速公路炭質(zhì)泥頁巖主要為深灰色薄～中層狀泥頁巖及灰黑色薄厚層狀炭質(zhì)泥頁巖、泥灰?guī)r，灰色中厚層狀灰?guī)r、砂巖、硅質(zhì)巖，巖性變化較大。其中，炭質(zhì)泥頁巖、泥灰?guī)r具崩解性。

采用炭質(zhì)巖填料填筑的路基，如果路堤長期浸水或路面開裂地表水入滲，會導(dǎo)致炭質(zhì)巖路堤變形和不均勻沉降。

2.3 炭質(zhì)巖地基設(shè)計(jì)、處理與優(yōu)化

依托工程為河百路炭質(zhì)巖高填筑路基試驗(yàn)地段，樁號為K16+750～K16+850，全長100 m，屬剝蝕丘陵溝谷地貌，地形起伏較大，填筑前地面高程約為350 m，填筑高度約25 m，該路段為高填方路堤，長年累積淤泥，承載力弱。在施工中，突遇大雨，已填路堤發(fā)生滑坡，危害嚴(yán)重，后更改施工設(shè)計(jì)，在填筑前，將地基基底的淤泥挖除，采用碎石進(jìn)行換填，而碎石的松鋪度較大，并采用震動式壓路機(jī)進(jìn)行碾壓，之后進(jìn)行填土?？紤]本段填土均為炭質(zhì)巖，同時(shí)穩(wěn)定性較差，遇水則軟遇風(fēng)則散，沒有充足的時(shí)間予以自然沉降，填筑至4 m高時(shí)，采用強(qiáng)夯法進(jìn)行強(qiáng)夯處理，以保證該段路基填筑的沉降與穩(wěn)定。

2.4 炭質(zhì)巖路基高填筑處置效果評價(jià)

炭質(zhì)巖路基沉降監(jiān)測數(shù)據(jù)是路基填筑速率控制和確定路面鋪筑時(shí)間的重要依據(jù)，合理準(zhǔn)確地分析加載期間沉降量的發(fā)展變化趨勢，對指導(dǎo)路基施工具有十分重要的意義。在炭質(zhì)巖填筑路基路段（樁號k16+800）左、右兩側(cè)路基分別設(shè)置了沉降板，用以監(jiān)控路基施工期間的沉降。根據(jù)監(jiān)測結(jié)果，將各個(gè)斷面的沉降數(shù)據(jù)進(jìn)行整理。

隨著填土高度的增加，累積沉降量增加，路基的分級荷載也同時(shí)增大。前期地基沉降速率發(fā)展較快，而后緩慢下降，趨于穩(wěn)定。隨著填土厚度的增加，上覆荷載也隨之增加，導(dǎo)致路基初始變形較大，填筑期沉降變化較小，是炭質(zhì)巖的固結(jié)變形特征。

3 炭質(zhì)巖地基填筑沉降計(jì)算與分析

通過MATLAB軟件編程，采用TS模糊神經(jīng)網(wǎng)絡(luò)對含炭質(zhì)巖地基沉降進(jìn)行了研究。通過對預(yù)測結(jié)果的誤差分析和評價(jià)，得出最終結(jié)論。MATLAB軟件的運(yùn)行步驟如下：將178 d的數(shù)據(jù)進(jìn)行差分，迭代步驟被設(shè)置為0.000 3。使用N-1，N-2，N-3，預(yù)測N。在輸入層中有3個(gè)點(diǎn)，在分類中有4個(gè)，在隱含層中有4個(gè)[8]。

通過MATLAB軟件分析獲得數(shù)據(jù)，利用Origin軟件進(jìn)行數(shù)據(jù)處理，得到K16+800左側(cè)道路的沉降監(jiān)測結(jié)果，如圖2～5所示。

從圖2～5的K16+800左側(cè)路基沉降曲線及誤差分析可以看出，T-S模糊神經(jīng)網(wǎng)絡(luò)適合用于預(yù)測和分析炭質(zhì)巖路基的沉降，分析結(jié)果令人滿意，誤差較小[9-10]。

通過對K16+800左右側(cè)的炭質(zhì)巖路基沉降監(jiān)測結(jié)果的分析，說明利用TS模糊神經(jīng)網(wǎng)絡(luò)對炭質(zhì)巖路基進(jìn)行分析是可行的，其預(yù)測結(jié)果與實(shí)際情況非常接近[11]。迭代速度快，誤差小，樣本量對預(yù)測精度有很大影響，使用該技術(shù)時(shí)，樣本量越大，精度越高。通過工程實(shí)例分析，可以看出TS模糊神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的預(yù)測能力和快速的計(jì)算過程，可應(yīng)用于工程實(shí)踐中[12]。

4 結(jié)語

本文以廣西河百路K16+800段炭質(zhì)巖高填筑路基段沉降分析為例對實(shí)際測量值進(jìn)行比較，取得較理想的效果，由此可以得出：

（1）利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力和模糊神經(jīng)網(wǎng)絡(luò)的規(guī)則，可以簡化其模型建立過程，大大減少其規(guī)則匹配難度，加快計(jì)算速度，極大提高模型的自適應(yīng)能力。

（2）模型采用大量現(xiàn)場實(shí)測數(shù)據(jù)進(jìn)行計(jì)算，避免了人為因素干擾，弱化了隨機(jī)性，使預(yù)測具有很大的相關(guān)性，精度相對較高。

（3）TS模糊神經(jīng)多層網(wǎng)絡(luò)模型在計(jì)算過程中對樣本要求不高，具有很強(qiáng)的容錯(cuò)能力，可以減少測量誤差和施工帶來的影響，結(jié)果相對精確，可以指導(dǎo)施工。

（4）計(jì)算結(jié)果和施工現(xiàn)場進(jìn)行對比，正確率高，其預(yù)測值具有代表性，可為設(shè)計(jì)、施工中的沉降提供更科學(xué)的預(yù)測方式。

參考文獻(xiàn)：

[1]王琛艷， 鄭 治.人工神經(jīng)網(wǎng)絡(luò)在預(yù)測高速公路路基沉降中的應(yīng)用[J].公路交通技術(shù)， 2004（3）：7-10.

[2]Chen C L P ， Liu Y J ， Wen G X .Fuzzy Neural Network-Based Adaptive Control for a Class of Uncertain Nonlinear Stochastic Systems[J].IEEE Transactions on Cybernetics， 2014， 44（5）：583-593.

[3]郭秀霞.神經(jīng)網(wǎng)絡(luò)在軟基沉降預(yù)測與處理方案智能評價(jià)中的應(yīng)用[D].長沙：湖南大學(xué)， 2012.

[4]金智濤.基于神經(jīng)網(wǎng)絡(luò)的軟土路基最終沉降量的分析研究[D].武漢：武漢理工大學(xué)， 2006.

[5] 孔繁盛， 張彥拓.改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)在路基沉降預(yù)測中的運(yùn)用[J].山西交通科技， 2014（5）：1-3.

[6] 周曉恒， 岳曉光.基于廣義回歸神經(jīng)網(wǎng)絡(luò)的路基沉降預(yù)測[J].交通科技， 2014（6）：73-75.

[7] 彭立順， 蔡 潤， 劉進(jìn)波，等.基于遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)的高速公路路基沉降量預(yù)測[J].地震工程學(xué)報(bào)， 2019，41（1）：124-130，207.

[8] 郭亞宇， 孫立功，蘇兆仁.改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)在路基沉降預(yù)測中的應(yīng)用[J].勘察科學(xué)技術(shù)， 2010（5）：28-31.

[9] Cho M J， Martinez W L.Statistics in MATLAB： A Primer.Cladistics[J].the International Journal of the Willi Hennig Society， 2014， 32（4）：335-350.

[10] Hass H ， Kreutz C ， Timmer J ， et al.Fast integration-based prediction bands for ordinary differential equation models[J].Bioinformatics， 2015， 32（8）：1 204.

[11] 王江榮， 趙 睿， 袁維紅，等.基于遺傳算法因素篩選的BP神經(jīng)網(wǎng)絡(luò)在軟土路基沉降數(shù)據(jù)處理中的應(yīng)用[J].礦山測量， 2016， 44（5）：87-90.

[12] 蒲興波， 魏 靜， 錢耀峰，等.基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的路基沉降預(yù)測[J].路基工程， 2012（3）：17-19.

作者簡介：何俊輝（1981—），高級工程師，主要從事交通建設(shè)與管理工作;

張博宇（1984—），高級工程師，主要從事交通建設(shè)與管理工作;

駱俊暉（1985—），高級工程師，主要從事交通建設(shè)方面的科研工作。