基于BP神經網絡算法的高層建筑物地基沉降預測分析

趙 鶴，李向群，孫 昊(.吉林建筑大學測繪與勘查工程學院，吉林長春 308；.潤德建設投資有限公司，吉林長春 30000)

基于BP神經網絡算法的高層建筑物地基沉降預測分析

趙 鶴1，李向群1，孫 昊2
(1.吉林建筑大學測繪與勘查工程學院，吉林長春 130118；2.潤德建設投資有限公司，吉林長春 130000)

BP神經網絡算法具有很好的非線性推理能力及優越的自組織、自適應、容錯性能。利用該方法對高層建筑地基沉降數據進行分析，可不考慮地基沉降影響因素與沉降之間的對應關系，而直接根據已知時間內實際沉降數據構建模型對未知時間的沉降進行預測推理。將該方法應用于西安市某高層建筑的地基沉降數據預測分析，并與多項式擬合方法的分析結果進行對比可知，BP神經網絡的非線性預測推理能力更強，應用前景廣闊。

BP神經網絡；高層建筑物；地基沉降預測

近年來，我國經濟飛速發展，城市中高層建筑日益增多。在高層建筑開始施工到竣工驗收，定期進行地基沉降監測和變形趨勢預測，對于確保工程安全施工以及建筑正常使用具有重要意義。為此，人們提出很多解決地基沉降變形預測問題的模型和方法，這些方法大致可分為兩類，即理論計算法和基于實測數據的實測數據分析法。其中，理論計算法又可以細分為經驗法和數值分析法，前者簡單實用，一般根據室內試驗測試成果結合相關經驗進行確定，計算出的結果與實測值偏差一般較大。后者是近代力學研究的產物，隨著計算機技術的進步而逐步發展起來。但由于實際的地基沉降變形影響因素復雜多變，各種地質條件參數的取值很難確定，這就導致分析人員很難建立符合實際工程情況的數值模型，使該方法在實際中的應用受到很大限制。實測數據分析法包括回歸分析、灰色系統分析、Kalman濾波和人工神經網絡方法。其中，人工神經網絡方法是一種典型的“黑箱型”學習模式，具備較好的自適應性、非線性及容錯性等特點，有較強的解釋推理功能，從而在非線性問題領域得到廣泛關注和應用。其中BP(Back Propagation)算法是神經網絡模型在實際使用最多的一種算法。本文結合西安市某高層建筑的地基沉降監測數據，利用BP神經網絡算法對此高層建筑地基沉降量進行預測分析。

1 BP神經網絡算法簡介

圖1給出了由輸入層、隱含層和輸出層構成的3層BP神經網絡模型。其中輸入層包含3個節點，輸出層有1個節點。ωik、ωk分別為輸入層節點到隱含層節點、隱含層節點到輸出層節點的連接權值，由輸入、輸出的觀測數據通過網絡的學習過程進行估計。n表示隱含層節點數量，取值一般由設計者給定。

假定網絡的輸入為x=(x1,x2,x3)T，目標輸出為d，而實際輸出為y，BP網絡的學習步驟為：

步驟一，隨機生成作為節點間連接權值的初值和閾值。

步驟二，計算網絡的實際輸出Y。

圖1 網絡模型結構

(1)對于輸入層節點，其輸出Oi與輸入數據xi相等，即Oi=xi,i=1,2,3。

步驟三，能量函數E=(d-y)2。

如果E小于規定的值，轉步驟五，否則繼續步驟四。

步驟四，調整權值。

(1)對于輸出層節點與隱含層節點的權值調整為

其中，η為訓練速度，一般取0.01～1。

(2)對于隱含層節點與輸入層節點的權值調整為

步驟五，進行下一個訓練樣本，直至訓練樣本集合中的每一個訓練樣本都滿足目標輸出，則BP網絡學習完成。

2 工程實例分析

西安市某高層建筑高74.8m，在建筑物基礎底部施工完成后開始進行沉降變形監測。監測前期，由于施工速度不同所造成的豎直方向荷載施加速度的不同，沉降速率有所波動。隨后相鄰施工建筑基坑開挖，并采用井點降水的方法降低地下水位，使得本建筑地基沉降加速。當荷載不再增加以及地下水位逐漸穩定后，地基土體略有回彈，至竣工驗收后，變形發展緩慢，沉降趨于穩定，如圖2所示。

為了揭示本高層建筑地基沉降發展變化內在規律，本文選擇BP神經網絡算法對其進行預測分析。由于地基沉降變形的機理較為模糊，影響因素高度復雜，所以很難建立影響因素與沉降之間的具體關系式，這也是常規分析方法應用受到限制、效果不理想的根本原因。考慮到實測沉降數據中已包含影響因素的信息，將一定時間段內的沉降數據作為神經網絡的輸入，將預測的未知時間段內的數據作為輸出數據。根據文獻[6]，利用前3個監測數據來預測下一個數據，并確定BP網絡結構為：輸入層節點數為3，隱含層節點數為5，輸出層節點數為1。根據本工程實測的30個地基沉降值，建立27個樣本。將前17個樣本作為訓練樣本用于神經網絡學習，后10個樣本作為預測樣本，用來檢驗已建立的BP神經網絡模型的預測推廣能力。應用上述過程中獲得的BP神經網絡模型對所有27個樣本的預測結果如圖2所示。圖2同時給出了利用多項式擬合分析對實測地基沉降值的預測結果。不難看出，與多項式擬合分析結果相比，BP神經網絡的預測結果精度更高，該模型具有更強的非線性推理預測能力。

圖2 地基沉降實測數據以及BP神經網絡模型預測值、多項式擬合分析結果

3 結語

本文利用BP神經網絡算法對西安市某高層建筑地基沉降數據進行推理預測，與多項式擬合分析結果進行對比。不難看出，BP神經網絡方法預測誤差小，精度高，推廣能力強，應用前景廣闊。鑒于初始權值的選取對最終模型的性能有較大影響，故建議在確定神經網絡結構后，利用訓練樣本建立BP神經網絡模型時，選擇合適的優化算法確定網絡的初始權值,而不是隨機生成初始權值，可能會得到更合理的網絡模型。

[1]王穗輝,潘國榮.人工神經網絡在隧道地表變形預測中的應用[J].同濟大學學報:自然科學版,2001(10):1147-1151.

[2]孫鈞,袁金榮.盾構施工擾動與地層移動及其智能神經網絡預測[J].巖土工程學報,2001(3):261-267.

[3]岳榮花.小波神經網絡在沉降預測中的應用研究[D].南京:河海大學,2007.

[4]錢思眾,樊育豪.高層建筑物地基沉降監測與分析[J].西安科技大學學報,2014(3):284-289.

[5]宋克志,王夢恕,宋克勇.邊坡位移預測的神經網絡模型研究[J].巖石力學與工程學報,2003(C1):2382-2385.

[6]王蕊穎,王清,張穎,等.基于時間序列—動態神經網絡吹填土沉降預測研究[J].工程地質學報,2013(3):351-356.

Prediction and Analysis of Foundation Settlement of High-rise Building Based on BP Neural Network

ZHAO He1, LI Xiang-qun1, SUN Hao2

(1.Jilin Jianzhu University, Changchun Jilin 130118, China;2.Runde Construction Investment Co.Ltd.Changchun Jilin 130000, China)

BP neural network algorithm possesses the advantages of nonlinear reasoning ability, predominant self-organizing, adaption and fault tolerance. Analyzing foundation settlement of high-rise building based on this method can avoid considering the relationship between foundation settlement and influence factors. The method can construct the prediction model which forecast the future settlement using current monitoring data. It is used to infer the foundation settlement of a high-rise building in Xi’an, the prediction result is compared with that obtained by polynomial method. The result computed by BP neural network has higher precision and this method has more application prospect.

BP neural network; high-rise building; foundation settlement prediction

2016-11-04

吉林省教育科學“十二五”規劃重點課題“測繪工程專業學生測量數據處理能力訓練平臺建設”(ZD15078)。

趙 鶴(1983- )，女，講師，從事BP神經網絡算法研究。

李向群(1962- )，男，教授，博士，從事測繪與勘查工程研究。

TU433

A

2095-7602(2017)04-0031-03