基于GA_BP神經(jīng)網(wǎng)絡的地鐵車站深基坑變形預測研究

（河南科技大學應用工程學院，河南 三門峽 472000）

0 引言

地鐵車站深基坑工程由于開挖工期長、施工難度大、地質(zhì)條件和周邊環(huán)境復雜、施工過程中各種不確定的因素多等特點，致使地鐵車站深基坑工程施工具有很高的風險性，為了保證工程施工順利實施，開展變形監(jiān)測和預測工作具有重要的意義。近年來，諸多學者運用時間序列、灰色系統(tǒng)、ARMA模型、BP 神經(jīng)網(wǎng)絡等多種方法進行基坑監(jiān)測數(shù)據(jù)的處理及預測。BP 神經(jīng)網(wǎng)絡在非線性映射、自適應學習、輸入輸出靈活等方面具有優(yōu)良性能，因而被廣泛應用于基坑變形預測。但通過研究發(fā)現(xiàn)，BP 神經(jīng)網(wǎng)絡在應用過程中出現(xiàn)收斂速度慢、容易陷入局部極小值、隱含層神經(jīng)元不確定等不足，而導致預測結(jié)果不理想?；诖?，本文以鄭州市地鐵5 號線某車站深基坑變形監(jiān)測實測數(shù)據(jù)為基礎，利用GA 遺傳算法在全局尋優(yōu)上的強大搜索能力，優(yōu)化BP神經(jīng)網(wǎng)絡，避免預測過程陷入局部極小，通過工程實證分析，表明GA_BP組合預測模型能夠有效提高預測精度。

1 變形預測BP 神經(jīng)網(wǎng)絡

1.1 變形預測BP 神經(jīng)網(wǎng)絡模型簡介

變形預測BP 神經(jīng)網(wǎng)絡是一種人工神經(jīng)網(wǎng)絡的誤差逆向傳播訓練算法[1]，其學習過程由信號的正向傳播和誤差的反向傳播兩個過程構(gòu)成，正向傳播時，在輸入層輸入樣本數(shù)據(jù)，經(jīng)過隱含層處理后，傳向輸出層，若輸出層的實際輸出與變形監(jiān)測實際值不符時，則轉(zhuǎn)向誤差反向傳播階段，將輸出誤差通過隱含層向輸入層傳播，并將誤差分攤給各層的神經(jīng)元，獲取各層神經(jīng)元的誤差信號，作為修正各個神經(jīng)元權值的重要依據(jù)[2]。BP 神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)如圖1所示。

圖1 BP 神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)圖

1.2 BP 神經(jīng)網(wǎng)絡預測模型的缺陷

BP 神經(jīng)網(wǎng)絡預測模型算法決定了誤差函數(shù)存在多個局部極小值，不同的網(wǎng)絡初始權值直接決定了BP 神經(jīng)算法在收斂于局部最小值還是全局最小值，則會產(chǎn)生不同的預測結(jié)果。因此，為了得到理想的預測結(jié)果，必須通過計算來確定收斂于全局極小值的網(wǎng)絡初始權值，遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡能夠解決初始權值選取問題。

2 基于遺傳算法的GA-BP 神經(jīng)網(wǎng)絡

遺傳算法主要基于Darwin 的進化論和Mendel 的遺傳學說，Darwin 的進化論的核心觀點是適者生存，Mendel 的遺傳學說的主要觀點是基因遺傳原理Mendel 的遺傳學說[3]。它從一組隨機產(chǎn)生的初始解開始訓練、優(yōu)化，通過對遺傳序列的選擇、交叉以及變異篩選，保留下來適應度好的個體，新的群體不僅繼承了上一代的優(yōu)點，又使得新的群體優(yōu)于上一代，如此反復循環(huán)，最后收斂于最適應環(huán)境的某個個體上，既得到了問題的最優(yōu)解[1][4]。遺傳算法的實施流程圖如圖2所示。

圖2 遺傳算法的實施流程圖

3 工程案例

3.1 工程概況

鄭州地鐵5 號線某車站結(jié)構(gòu)型式為地下三層三跨箱型框架結(jié)構(gòu)，島式車站，站臺寬13m，有效站臺長度140m，車站外包總長170.2m，標準段外包總寬22.3m。車站頂板覆土4.0m，主體結(jié)構(gòu)標準段基坑深24.0m，寬22.3m；盾構(gòu)井段基坑深25.7m，寬26.5m。擬建工程場地屬于A 區(qū)地貌，車站在開挖過程中不可避免會對周圍地層、地下管線、建（構(gòu)）筑物等造成影響，為了保證施工期間道路暢通，周邊環(huán)境安全穩(wěn)定以及工程結(jié)構(gòu)自身安全，必須對監(jiān)測數(shù)據(jù)進行預測，指導施工和改進設計方案。

3.2 模型建立

取地面沉降監(jiān)測點DBC-9-3 2016年3月4日到2016年7月22日的累計變形監(jiān)測數(shù)據(jù)作為訓練樣本，建立深基坑地表沉降經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡模型，并運用該模型對DBC-9-3監(jiān)測點7月29日、8月5日、8月12日的累計變形量進行預測。首先利用遺傳算法優(yōu)化BP算法程序?qū)ふ胰肿顑?yōu)解，確定最優(yōu)的初始權值和閾值，然后利用選取的訓練樣本訓練該神經(jīng)網(wǎng)絡，達到預設的約束條件后，利用該模型進行預測。輸入值為前三期累計變形量、隱含層節(jié)點數(shù)設為5、輸出值為第四期累計變形量，以此類推，迭代次數(shù)設為200。計算結(jié)果如表1所示。

表1 GA-BP模型與BP模型回歸值對比

表2 GA-BP模型與BP模型預測對比

3.3 結(jié)果分析

通過表1、表2可以看出，BP 神經(jīng)網(wǎng)絡模型模擬最大絕對誤差值為-4.03mm，最大相對誤差為19.68%，模擬值相對誤差平均值為5.84%，相關系數(shù)R2為0.9690，模型預測最大絕對誤差為1.53mm，最大相對誤差為3.26%；GA-BP 模型模擬最大絕對誤差值為-1.96，最大相對誤差為6.68%，相關系數(shù)R2為0.9902，模型預測最大絕對誤差為0.82mm，最大相對誤差為1.76%。從上述數(shù)據(jù)可以看出，GA-BP 神經(jīng)網(wǎng)絡模型能夠有效提高預測精度。

4 結(jié)論

（1）采用經(jīng)過遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡模型來預測地鐵車站深基坑施工周邊地表沉降值，誤差小，收斂速度快，證明該模型與方法分析此類時間序列數(shù)據(jù)有較好的適用性和準確性。

（2）GA-BP 模型精度很大程度上依靠訓練樣本的數(shù)量，訓練樣本越多，預測精度就越高，應該及時將新的監(jiān)測信息添加到訓練樣本中，及時更新模型以便得到更好的預測效果。