基于RBF神經(jīng)網(wǎng)絡(luò)模型的盾構(gòu)施工地表沉降預(yù)測

余　朔　盧國勝

(西南科技大學(xué)環(huán)境與資源學(xué)院)

?

基于RBF神經(jīng)網(wǎng)絡(luò)模型的盾構(gòu)施工地表沉降預(yù)測

余朔盧國勝

(西南科技大學(xué)環(huán)境與資源學(xué)院)

摘要盾構(gòu)施工引起的地表沉降是造成周邊建筑物及管線變形的重要因素。針對BP神經(jīng)網(wǎng)絡(luò)在預(yù)測地表沉降中具有收斂速度慢、精度誤差大的缺點，結(jié)合蘇州地鐵2#線友聯(lián)—桐涇公園段地質(zhì)工程資料，建立了RBF神經(jīng)網(wǎng)絡(luò)模型對地表沉降進(jìn)行預(yù)測。結(jié)果表明：RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型，與實測曲線吻合度較好，具有一定的實用價值。

關(guān)鍵詞盾構(gòu)施工地表沉降BP神經(jīng)網(wǎng)絡(luò)RBF神經(jīng)網(wǎng)絡(luò)預(yù)測精度

近年來，盾構(gòu)施工由于具有作用范圍小、適應(yīng)條件廣，工作周期短等特點，在我國的軌道交通領(lǐng)域得到了廣泛應(yīng)用。然而盾構(gòu)開挖土體會改變周邊地層的應(yīng)力狀態(tài)，引起地表變形，不論對橋梁樁基，還是鄰近建筑物、管線等設(shè)施都會產(chǎn)生較大的影響[1]。因此在盾構(gòu)施工時有必要掌握和分析地層移動規(guī)律及地表沉降的影響因素。總體來說，地表變形是一個比較復(fù)雜的非線性動態(tài)系統(tǒng)，利用BP神經(jīng)網(wǎng)絡(luò)模型可預(yù)測地表沉降，但該模型是一種靜態(tài)前向型網(wǎng)絡(luò)，具有學(xué)習(xí)收斂速度慢、精度誤差大、隱含層節(jié)點個數(shù)不易確定等缺陷[2]。RBF神經(jīng)網(wǎng)絡(luò)模型則是一種典型的局部逼近神經(jīng)網(wǎng)絡(luò)，在逼近能力和學(xué)習(xí)速度等方面均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型[3-4]。為此，本研究基于蘇州地鐵2#線友聯(lián)—桐涇公園段地質(zhì)工程資料，結(jié)合Matlab軟件，采用RBF神經(jīng)網(wǎng)絡(luò)模型對地表沉降進(jìn)行預(yù)測。

1RBF神經(jīng)網(wǎng)絡(luò)模型

相對于BP神經(jīng)網(wǎng)絡(luò)模型而言，RBF神經(jīng)網(wǎng)絡(luò)模型的優(yōu)點有：①具有較強(qiáng)的輸入和輸出映射功能，特別在前向網(wǎng)絡(luò)中具有最佳的映射功能；②隱含層單元的半徑不僅可預(yù)先設(shè)定，而且網(wǎng)絡(luò)的連接權(quán)值與輸出層呈線性特性，模型參數(shù)調(diào)節(jié)較容易，不存在局部極小的問題；③學(xué)習(xí)速度快，且隱含層的結(jié)點數(shù)目也可在訓(xùn)練中自動確定，因此具有良好的收斂性能；④無需輸入大量的訓(xùn)練樣本數(shù)據(jù)，且對于每個輸入、輸出樣本附近都具有良好的泛化能力。RBF神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為單隱層的前饋神經(jīng)網(wǎng)絡(luò)，主要由輸入層、隱含層、輸出層構(gòu)成，其中輸入層的操作等效于將所研究問題的要素輸入，并未進(jìn)行數(shù)據(jù)交換；隱單元層通過激活高斯型徑向基函數(shù)進(jìn)行非線性學(xué)習(xí)及反饋，該函數(shù)為一個徑向?qū)ΨQ且雙向衰減的非負(fù)非線性映射函數(shù)；輸出層將隱單元層的輸出值進(jìn)行簡單的線性加權(quán)，得到所需數(shù)值[5-6]。

2預(yù)測模型構(gòu)建

2.1影響因子選擇

盾構(gòu)隧道施工引起的地表沉降主要受土質(zhì)參數(shù)、施工參數(shù)等因素的影響。結(jié)合蘇州市已有的數(shù)據(jù)資料，選取了盾構(gòu)的千斤頂推力F、盾構(gòu)的直徑D、土層覆蓋厚度H、土層變形模量Es，土層凝聚力C、孔隙率n等參數(shù)作為輸入量，地表沉降s作為輸出量。

2.2樣本數(shù)據(jù)預(yù)處理

本研究采用Matlab軟件中的歸一化函數(shù)“premnmx”作為樣本的輸入處理函數(shù)。經(jīng)歸一化處理后的樣本數(shù)據(jù)基本分布于[-1,1]區(qū)間內(nèi)，語法格式為：[pn, minp, maxp, tn, mint, maxt]= premnmx(p, t)(“p”為輸入的原始數(shù)據(jù)，“t”為輸出的期望數(shù)據(jù))。

2.3RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練

RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練的函數(shù)代碼為net= newrb(pn, tn, goal, spread)(“goal”為RBF函數(shù)的均方誤差，“spread”為RBF函數(shù)的分布范圍)。RBF神經(jīng)網(wǎng)絡(luò)模型構(gòu)建無需估計隱含層的神經(jīng)元數(shù)、動量因子大小等信息，訓(xùn)練較收斂速度較快，如圖1所示。由圖1可知：訓(xùn)練7次可達(dá)到精度要求，可見RBF神經(jīng)網(wǎng)絡(luò)模型構(gòu)建較BP神經(jīng)網(wǎng)絡(luò)模型簡便。

圖1　RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練

2.4輸出數(shù)據(jù)還原處理

為使輸出值還原為歸一化處理前的數(shù)據(jù)，在RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，引用“postmnmx”函數(shù)，具體語句為[pn,tn]=postmnmx(pn,minp,maxp,tn,mint,maxt)。

3工程應(yīng)用實例

本研究選取蘇州地鐵2#線友聯(lián)—桐涇公園盾構(gòu)區(qū)間為研究對象，選取20 組數(shù)據(jù)作為訓(xùn)練樣本進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)(表1)，5組作為檢驗樣本(表 2)，實測數(shù)據(jù)與BP、RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果見表3。

表1　訓(xùn)練樣本

表2　檢驗樣本

表3　實測數(shù)據(jù)與BP、RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果比較

由表3可知：RBF神經(jīng)網(wǎng)絡(luò)模型的最大絕對誤差為0.9 mm，最大相對誤差率小于3%，遠(yuǎn)小于工程規(guī)范的警戒值，可見采用RBF神經(jīng)網(wǎng)絡(luò)模型可對盾構(gòu)施工引起的地表沉降進(jìn)行高精度預(yù)測。

4結(jié)語

以蘇州地鐵2#線友聯(lián)—桐涇公園盾構(gòu)區(qū)間為例，通過建立RBF神經(jīng)網(wǎng)絡(luò)模型對盾構(gòu)施工引起的地表沉降進(jìn)行了預(yù)測，結(jié)果表明，所得的預(yù)測值與實測值基本吻合，預(yù)測精度優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型，實用性較強(qiáng)。

參考文獻(xiàn)

[1]DALGIC S, SIMSEK O.Settlement predictions in the Anatolian motorway,Turkey[J].Engineering Geology,2002, 67(1): 185-199.

[2]張文鴿，吳澤寧.BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)及應(yīng)用[J].河南科學(xué)，2003(2)：202-206.

[3]焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論[M].西安：西安電子科技大學(xué)出版社，1996.

[4]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計及應(yīng)用——人工神經(jīng)細(xì)胞、人工神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)系統(tǒng)[M].北京: 化學(xué)工業(yè)出版社，2002.

[5]畢衛(wèi)華，譚曉慧，侯曉亮，等.基與RBF神經(jīng)網(wǎng)絡(luò)的邊坡穩(wěn)定可靠度分析性[J].地下空間與工程學(xué)報，2010(2)：423-428.

[6]金長宇，馬震岳，張運(yùn)良，等.神經(jīng)網(wǎng)絡(luò)在巖體力學(xué)參數(shù)和地應(yīng)力場反演中的應(yīng)用[J].巖土力學(xué)，2006，27(8)：1263-1271.

(收稿日期2015-07-13)

余朔(1991—)，男，碩士研究生，621010 四川省綿陽市涪城區(qū)青龍大道中段59號。