基于改進(jìn)GWO-BP神經(jīng)網(wǎng)絡(luò)模型的箱涵沉降預(yù)測

楊陽 趙青 戚藍(lán) 黎啟賢 王毓杰 鄒爽

摘 要：箱涵受外部荷載等多方面影響，會出現(xiàn)一定程度的不均勻沉降，可能會對箱涵結(jié)構(gòu)造成破壞，因此箱涵地基沉降預(yù)測十分重要。引入灰狼算法（GWO）對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行尋優(yōu)，建立了基于改進(jìn)的GWO-BP預(yù)測模型，對箱涵的沉降值進(jìn)行預(yù)測。將該預(yù)測模型應(yīng)用于南水北調(diào)工程天津某標(biāo)段的箱涵沉降預(yù)測，并將預(yù)測值與實測值進(jìn)行對比，相對誤差在5%以下。通過與未改進(jìn)的灰狼算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型、BP模型進(jìn)行對比，結(jié)果表明改進(jìn)的灰狼算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型具有更好的尋優(yōu)能力與尋優(yōu)精度，能夠有效地對箱涵沉降值進(jìn)行預(yù)測。

關(guān)鍵詞：箱涵;沉降預(yù)測;灰狼算法;BP神經(jīng)網(wǎng)絡(luò);權(quán)值和閾值

中圖分類號：U449.82 文獻(xiàn)標(biāo)志碼：A

doi：10.3969/j.issn.1000-1379.2021.10.029

引用格式：楊陽，趙青，戚藍(lán)，等.基于改進(jìn)GWO-BP神經(jīng)網(wǎng)絡(luò)模型的箱涵沉降預(yù)測[J].人民黃河，2021，43（10）：150-153.

Abstract： Due to the influence of external load and other aspects， the box culvert will have a certain degree of uneven settlement， which may cause damage to the box culvert structure. Therefore， the prediction of box culvert foundation settlement is very important. The gray wolf algorithm （GWO） was introduced to optimize the weight and threshold of BP neural network， and the improved GWO-BP prediction model was established to predict the settlement value of box culvert. The prediction model was applied to the settlement prediction of a box culvert in Tianjin section of South-to-North Water Transfer Project， and the relative error was less than 5%. The results show that the Improved Grey Wolf algorithm has better optimization ability and accuracy， and can effectively predict the settlement value of box culvert.

Key words： box culvert; settlement prediction; grey wolf algorithm; BP neural network; weight and threshold

在南水北調(diào)工程這類大型輸水工程中，鋼筋混凝土箱涵被廣泛應(yīng)用，箱涵結(jié)構(gòu)的安全是保證整個輸水工程正常運(yùn)行的關(guān)鍵。箱涵在地下水開采、上部建筑荷載過大等因素的共同作用下，會出現(xiàn)一定程度的地基沉降。地基沉降過大會對箱涵結(jié)構(gòu)造成破壞，影響輸水效率，增加人工維修成本，因此箱涵地基沉降值的預(yù)測非常重要。

近年來，沉降預(yù)測已有許多研究成果。王鵬等[1]利用回歸分析法預(yù)測基礎(chǔ)不均勻沉降，但該方法較難反映復(fù)雜的非線性關(guān)系，故預(yù)測精度較低。陳繼光[2]采用SVM模型對建筑物沉降進(jìn)行預(yù)測，但該模型對樣本數(shù)量要求過高，故其實際應(yīng)用有局限性。何君等[3]運(yùn)用灰色理論模型對擋水墻進(jìn)行沉降預(yù)測，當(dāng)影響因素較多時，該模型預(yù)測精度會大大降低，故其不適合多因素預(yù)測。提高沉降預(yù)測模型的精度是研究要解決的關(guān)鍵問題，而BP神經(jīng)網(wǎng)絡(luò)具有實現(xiàn)復(fù)雜非線性映射的功能，特別適合求解內(nèi)部機(jī)制復(fù)雜的問題，在考慮多因素預(yù)測方面具有明顯優(yōu)勢。成樞等[4]研究了BP神經(jīng)網(wǎng)絡(luò)模型在地表沉降預(yù)測中的應(yīng)用，通過對比預(yù)測值與實測值以及對模型精度進(jìn)行分析，表明 BP 神經(jīng)網(wǎng)絡(luò)模型用于沉降預(yù)測研究是可行的。運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測沉降的成果還有很多[5-8]，但都沒有對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化。盡管傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型有較強(qiáng)的自學(xué)習(xí)能力，而且能同時考慮多個因素，對復(fù)雜的問題、不精確的信息進(jìn)行計算，但在實際應(yīng)用中仍存在“過擬合”、易陷入局部最優(yōu)等諸多不足， 預(yù)測精度較低。基于此，本文提出基于改進(jìn)的灰狼算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的箱涵沉降預(yù)測模型，對南水北調(diào)工程天津某標(biāo)段箱涵沉降變形進(jìn)行預(yù)測。

1 研究方法

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)[9-10]是一種多層前饋式神經(jīng)網(wǎng)絡(luò)，也是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)，其主要特點(diǎn)是信號是正向傳播的，而誤差是反向傳播的。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)一般分為輸入層、隱含層、輸出層3部分。它通過對樣本進(jìn)行訓(xùn)練，使輸出值接近期望值，從而通過誤差的反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使其誤差平方和最小。雖然BP神經(jīng)網(wǎng)絡(luò)有結(jié)構(gòu)簡單、非線性擬合能力強(qiáng)等優(yōu)點(diǎn)，但同時也存在易陷入局部極小值、收斂速度慢、“過擬合”等缺點(diǎn)。

1.2 灰狼算法[11-12]

灰狼算法（GWO）是Mirjalili等[13]于2014年提出的一種模擬灰狼對獵物進(jìn)行圍捕的群智能優(yōu)化算法，其原理是參照自然界中灰狼尋找獵物和攻擊獵物的過程來完成尋優(yōu)工作?；依请x獵物位置越近，就越容易捕獲到獵物，即該狼的適應(yīng)度越大。在運(yùn)算過程中，把所得的灰狼適應(yīng)度值從大到小排序，將灰狼劃分為α、β、σ、ω 4類，分別對應(yīng)種群中的頭領(lǐng)、副頭領(lǐng)、小頭目、普通灰狼。在尋優(yōu)過程中，獵物的位置為最優(yōu)解，而頭領(lǐng)狼α的位置始終是最靠近獵物的位置，所有灰狼不斷地朝著最優(yōu)解的位置靠近，隨著不斷迭代，狼群位置不斷更新，直到頭領(lǐng)狼α捕獲到獵物，即頭領(lǐng)狼α的位置與獵物位置相同時得到最優(yōu)解，尋優(yōu)結(jié)束。

1.3 改進(jìn)灰狼算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

在灰狼算法中，原迭代系數(shù)a在迭代過程中線性遞減直至為0，但在實際的尋優(yōu)過程中灰狼算法并不是線性收斂的，故原迭代系數(shù)a不能很好地表現(xiàn)算法的優(yōu)化過程。為此，本文使用一種改進(jìn)的非線性收斂方法。迭代系數(shù)a的計算公式[14]為

式中：e為自然常數(shù);l為當(dāng)前迭代次數(shù);M為最大迭代次數(shù)。

在灰狼算法的尋優(yōu)過程中，α狼并不一定始終在全局最優(yōu)點(diǎn)，經(jīng)過不斷迭代，算法很有可能陷入局部最優(yōu)。本文引入權(quán)重W，對算法的全局搜索能力進(jìn)行優(yōu)化。權(quán)重W的計算公式[14]為

式中：W1、W2、W3分別為ω狼對α、β、σ狼的學(xué)習(xí)率權(quán)重;X1、X2、X3分別為α、β、σ狼更新后的位置。

狼群更新后的位置X′計算公式為

利用Ackley函數(shù)進(jìn)行算法測試，發(fā)現(xiàn)改進(jìn)的GWO算法在50代收斂于4.44×10-15，而未改進(jìn)的GWO算法在389代才收斂于1.22×10-13，可見改進(jìn)后的GWO算法精度得到了明顯提高，收斂速度也比未改進(jìn)的GWO算法更快。

結(jié)合BP神經(jīng)網(wǎng)絡(luò)，建立改進(jìn)的灰狼算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)（GWO-BP）模型，其思想是對BP神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值進(jìn)行尋優(yōu)，把最優(yōu)權(quán)值和閾值賦給BP神經(jīng)網(wǎng)絡(luò)來完成預(yù)測。BP神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值代表灰狼的位置信息，通過灰狼的位置更新，最后可得最優(yōu)權(quán)值和閾值。改進(jìn)灰狼算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的具體步驟如下。

（1）確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。主要是確定層數(shù)，而單隱含層的BP神經(jīng)網(wǎng)絡(luò)模型能夠逼近任意非線性映射關(guān)系，故本文采用3層網(wǎng)絡(luò)。

（2）灰狼種群初始化。根據(jù)待優(yōu)化權(quán)值和閾值個數(shù)確定灰狼個體維度、種群規(guī)模、最大迭代次數(shù)、狼群搜索空間上界和下界，隨機(jī)生成狼群位置信息。

（3）確定神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)、訓(xùn)練函數(shù)和適應(yīng)度函數(shù)。網(wǎng)絡(luò)傳遞函數(shù)為Tansig型函數(shù)，網(wǎng)絡(luò)訓(xùn)練函數(shù)為Traninlm，適應(yīng)度函數(shù)為預(yù)測輸出值和實測值的均方誤差。

（4）計算適應(yīng)度值并從大到小排序，將灰狼劃分為α、β、σ、ω 4類，更新所有灰狼的位置以及參數(shù)。

（5）得出并記錄訓(xùn)練樣本與測試樣本之間的誤差及所對應(yīng)頭領(lǐng)狼α的位置。

（6）判斷是否滿足設(shè)定誤差或者達(dá)到最大迭代次數(shù)。若不滿足，則重復(fù)步驟（4）～步驟（6），直至滿足條件。

（7）得出最優(yōu)結(jié)果頭領(lǐng)狼α的位置和對應(yīng)的最小誤差。

1.4 灰色關(guān)聯(lián)性分析

灰色關(guān)聯(lián)度分析法[15]通過對多種因素進(jìn)行統(tǒng)計分析，根據(jù)各因素之間的相似度來計算灰色關(guān)聯(lián)度，而灰色關(guān)聯(lián)度表示各因素對目標(biāo)值的影響程度，是各因素重要程度的評定依據(jù)。該方法思路清晰，能夠衡量不確定關(guān)聯(lián)性的樣本數(shù)據(jù)間的接近程度，可以較大程度地減小信息關(guān)系模糊所造成的損失?；疑P(guān)聯(lián)度分析法分析步驟如下。

2 工程實例

2.1 數(shù)據(jù)來源

以南水北調(diào)中線一期工程天津干線某標(biāo)段箱涵為例，該段廣泛分布著軟黏土層，不均勻沉降使箱涵結(jié)構(gòu)產(chǎn)生變形。在箱涵的左、中、右孔的左側(cè)分別布置內(nèi)水壓力計（編號為PI1、PI2、PI3），箱涵兩側(cè)底部布置了2個外水壓力計（編號為P1、P2），而在箱涵截面通氣孔處布置2個位移計（編號為M1、M2），見圖1。

選取2011年4月22日—11月20日的217組監(jiān)測數(shù)據(jù)，將時間、內(nèi)水壓力、外水壓力、溫度與箱涵沉降值進(jìn)行灰色關(guān)聯(lián)度分析，結(jié)果見表1。將時間、內(nèi)水壓力、外水壓力、溫度這4個影響因素作為神經(jīng)網(wǎng)絡(luò)的輸入值，沉降值作為輸出值，其中207組數(shù)據(jù)作為訓(xùn)練樣本，10組數(shù)據(jù)作為預(yù)測檢驗樣本。

2.2 建立沉降預(yù)測模型

使用MATLAB軟件建模，相關(guān)參數(shù)設(shè)置如下： 灰狼種群數(shù)量為50，最大迭代次數(shù)為500，最大訓(xùn)練次數(shù)為10 000，訓(xùn)練目標(biāo)為0.01，學(xué)習(xí)速率為0.01。初始位置的上界和下界分別取0.5和-0.5，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定為4-9-1（輸入層4個節(jié)點(diǎn)、隱含層9個節(jié)點(diǎn)、輸出層1個節(jié)點(diǎn)），可得到所需優(yōu)化的初始權(quán)值和閾值總個數(shù)為55。

為了方便數(shù)據(jù)處理，將樣本歸一化：

式中：X、Y分別為歸一化前、后的樣本值;Xmax、Xmin分別為樣本的最大值和最小值。

將樣本數(shù)據(jù)歸一化到[0，1]后，使用自組織映射算法將樣本劃分為訓(xùn)練樣本、檢驗樣本和測試樣本3類，這3類樣本的數(shù)量分別為125、41、41，分別占總樣本的60%、20%、20%。訓(xùn)練樣本的作用是訓(xùn)練整個神經(jīng)網(wǎng)絡(luò)模型，檢驗樣本的作用是防止出現(xiàn)“過擬合”，測試樣本的作用是測試預(yù)測模型的泛化能力。

改進(jìn)的GWO-BP模型與未改進(jìn)的GWO-BP模型適應(yīng)度對比見圖2。從圖2可知，改進(jìn)的GWO-BP模型迭代到第25代時適應(yīng)度值出現(xiàn)了明顯減小，未優(yōu)化的GWO-BP模型迭代到第187代時才開始明顯減小，改進(jìn)的GWO-BP模型比未改進(jìn)的GWO-BP模型更快達(dá)到了更小的適應(yīng)度值，說明改進(jìn)后的GWO-BP模型收斂速度更快、精度更高。

2.3 3種模型預(yù)測數(shù)據(jù)對比分析

改進(jìn)的GWO-BP、未改進(jìn)的GWO-BP和BP神經(jīng)網(wǎng)絡(luò)3種模型的箱涵沉降預(yù)測值和相對誤差見表2。由表2可知，改進(jìn)的GWO-BP模型所得沉降預(yù)測值的相對誤差均在5%以下，而未改進(jìn)的GWO-BP與BP神經(jīng)網(wǎng)絡(luò)模型所得沉降預(yù)測值的相對誤差均在10%以下。

改進(jìn)的GWO-BP、未改進(jìn)的GWO-BP和BP神經(jīng)網(wǎng)絡(luò)預(yù)測值與實測值的最大誤差絕對值分別為2.286、4.685、4.706 mm（見圖3），最大相對誤差分別為4.789%、9.815%、9.859%（見表2），改進(jìn)的GWO-BP模型預(yù)測的沉降位移精度最高，因此改進(jìn)的GWO-BP模型比其他2種預(yù)測模型更為精確。

3 結(jié) 語

（1）采用改進(jìn)的GWO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，提高了傳統(tǒng)BP算法的全局尋優(yōu)能力，避免預(yù)測時產(chǎn)生“過擬合”，使得改進(jìn)的GWO-BP算法收斂速度更快、預(yù)測精度更高。

（2）以實際工程為例，運(yùn)用改進(jìn)的GWO-BP、未改進(jìn)的GWO-BP和BP神經(jīng)網(wǎng)絡(luò)3種算法對箱涵地基沉降值進(jìn)行預(yù)測，其中改進(jìn)的GWO-BP模型所得預(yù)測精度最高，建議在預(yù)測箱涵地基沉降值時優(yōu)先選用。

參考文獻(xiàn)：

[1] 王鵬，孟靈飛，李篷，等.回歸分析在建筑物變形監(jiān)測中的應(yīng)用[J].測繪科學(xué)，2013，38（2）：187-189.

[2] 陳繼光.基于支持向量機(jī)模型的建筑物沉降預(yù)測[J].數(shù)學(xué)的實踐與認(rèn)識，2013，43（12）：137-140.

[3] 何君，楊國東.灰色預(yù)測理論在建筑物沉降中的應(yīng)用研究[J].測繪通報，2012（3）：63-64.

[4] 成樞，隋冰冰，沈毅，等.基于BP神經(jīng)網(wǎng)絡(luò)的礦區(qū)地表沉降預(yù)測研究[J].測繪與空間地理信息，2015，38（3）：18-20.

[5] 劉戈，吳立新.基于BP神經(jīng)網(wǎng)絡(luò)法對地連墻后土體沉降預(yù)測分析：以天津地鐵施工為例[J].沈陽建筑大學(xué)學(xué)報（自然科學(xué)版），2013，29（5）：834-840.

[6] 馬麗慧，韓文喜，李陽.BP網(wǎng)絡(luò)在高填方地基沉降預(yù)測中的應(yīng)用[J].土工基礎(chǔ)，2013，27（1）：14-16.

[7] 厲東偉，陳冉麗.BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型在高鐵沉降預(yù)測中的應(yīng)用[J].測繪通報，2013（增刊1）：192-194，206.

[8] 周純擇，陽軍生，牟友滔，等.南昌上軟下硬地層中盾構(gòu)施工地表沉降的BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法[J].防災(zāi)減災(zāi)工程學(xué)報，2015，35（4）：556-562.

[9] 郭志揚(yáng)，王建，黃慶.基于卡爾曼濾波的GA-BP模型在大壩變形預(yù)測中的應(yīng)用[J].中國農(nóng)村水利水電，2016（12）：113-116.

[10] TULAXAY Phanthavong. 基于小波-BP神經(jīng)網(wǎng)絡(luò)的貝葉斯概率組合預(yù)測模型及其在預(yù)報調(diào)度中的應(yīng)用[D].北京：華北電力大學(xué)，2015：12-14.

[11] 楊書杰，葉霞，李俊山.基于灰狼算法的BP神經(jīng)網(wǎng)絡(luò)圖像恢復(fù)算法[J].微電子學(xué)與計算機(jī)，2018，35（3）：19-22，27.

[12] 王書芹，華鋼，郝國生，等.基于灰狼優(yōu)化算法的長短期記憶網(wǎng)絡(luò)在時間序列預(yù)測中的應(yīng)用[J].中國科技論文，2017，12（20）：2309-2314.

[13] MIRJALILI S，MIRJALILI S M，LEWIS A. Grey Wolf Optimizer[J]. Advances in Engineering Software，2014，69（3）：46-61.

[14] 郭振洲，劉然，拱長青，等.基于灰狼算法的改進(jìn)研究[J]. 計算機(jī)應(yīng)用研究，2017，34（12）：3603-3606.

[15] 朱雙，周建中，孟長青，等.基于灰色關(guān)聯(lián)分析的模糊支持向量機(jī)方法在徑流預(yù)報中的應(yīng)用研究[J]. 水力發(fā)電學(xué)報，2015，34（6）：1-6.

【責(zé)任編輯 張華興】