基于BP神經網絡的深基坑沉降預測

單 紅 喜

(江蘇省鹽城市大豐區小海水利管理服務站，江蘇 鹽城 224100)

基于BP神經網絡的深基坑沉降預測

單 紅 喜

(江蘇省鹽城市大豐區小海水利管理服務站，江蘇 鹽城 224100)

為了分析深基坑的沉降規律，以某實際工程為例，利用BP神經網絡對該工程的深基坑沉降數據進行擬合和預測分析，采用C語言編寫程序進行預測。結果表明，利用BP神經網絡方法的預測結果合理，誤差在允許范圍內，滿足工程要求，并且對類似的工程施工具有指導作用。

深基坑沉降，神經網絡，預測，C程序

1 概述

近年來，隨著我國經濟的高速發展，我國中高層和超高層建筑數量日益增長，這些高層建筑大都有地下室，基坑開挖較深，通常為6 m～15 m，更有個別已超過30 m。由于復雜的水文地質、施工條件和周邊環境，基坑開挖過程中會遇到許多未知的變數，這使基坑開挖和支護工程具有投資多、難度大、風險大的特點[1]。然而我國關于深基坑開挖和支護的理論和技術還不成熟，僅僅依靠深基坑支護理論分析和經驗分析不足以完成安全可靠的深基坑開挖和支護設計施工，因此，施工監測、變形控制以及沉降預測對完成深基坑施工工作就顯得十分重要[2,3]。

本文結合某深基坑施工，采用C語言編寫算法，建立神經網絡預測模型，并與現場監測數據對比分析，預測變形發展過程，為深基坑的施工和設計提供依據和保障。

2 BP神經網絡工作原理

學習算法是人工神經網絡主要的特征之一[4]。關于各類學習算法的研究已有很多，誤差修正法因其簡便、快捷的算法特性，已廣泛應用于許多行業[5]，本文也將采用此方法進行網絡學習。

進行神經網絡學習，首先要給定數據樣本，在確定學習數據樣本之后，隨機設定網絡權重和閾值。對于第i個神經元，xj為輸入矢量的第j元素，那么其相應的權重值是wij。在訓練過程中，wij需要進行動態調整：

wij(t+1)=wij(t)+a(di-yi)xj或

Δwij=wij(t+1)-wij(t)=a(di-yi)xj。

其中，a為調整步幅系數,a>0;di為期望輸出;yi為實際輸出。

對比預期結果與實際結果差值大小，調整wij的大小，反復調整，最后收斂，求出最合理的wij的值。

3 工程應用

3.1深基坑沉降預測的BP模型

基坑沉降涉及因素較多，無法用理論公式去表達沉降深度。而神經網絡是一個模糊、灰色的計算過程，可以較好的預測基坑的沉降深度。本文通過對基坑開挖現場的調研，采用基坑長度、基坑開挖深度、內支撐個數、土體重度、土體內摩擦角、粘聚力六個指標，建立神經網絡模型，預測基坑沉降情況[6]。

建立深基坑沉降預測模型通過以下幾步得到:

1)收集各影響指標的實測數據和沉降實測數據組成樣本，將實測數據x1,x2,…，xn分成m組，分為學習樣本和預測樣本，神經網絡輸入數據與期望輸出結果形成輸入模式對。

2)設置網絡模型相關參數。

神經網絡模型需要設置相關控制參數，如學習樣本個數、預測樣本個數、輸入層神經元個數、輸出層神經元個數、隱含層神經元個數等。

3)樣本數據歸一化處理。

為了消除不同指標之間的差異性，增強可比性，需要將數據樣本進行標準化處理。處理公式為:

4)通過學習樣本訓練神經網絡模型，將預測樣本數據輸入已經訓練完畢的BP模型，并將預測數據還原，即可得到最終預測值。

3.2基于C語言編程的BP神經網絡預測

由于已有的研究成果表明[7]，一個隱含層的BP神經網絡，就能較好地解決非線性映射問題，因此，本文預測模型采用一個隱含層。

本文采用C語言編寫深基坑沉降BP網絡預測模型，分別選取基坑長度、基坑開挖深度、內支撐個數、土體重度、土體內摩擦角、粘聚力6個影響指標建立輸入節點。選取某深基坑現場沉降實測的25組數據，前15組數據作為神經網絡學習訓練樣本，見表1，對后10組數據進行預測對比分析。

表1 學習測點數據樣本

輸出節點1個，代表土體沉降量。隱層單元個數Hn仍未知，即6-Hn-1結構。一般采用公式：

L=(m+n)/2+c。

當網絡訓練結束之后，將C程序得到的預測值與實測值進行比較，來檢驗神經網絡的性能，圖1為C程序預測結果。

在神經網絡對上述數據樣本訓練之后，對后10次的沉降值進行預測，在此處只給出預測值、實測值及相對誤差，結果如圖2，表2所示。

表2 基坑沉降預測結果對比表

由表2可見，模型的預測誤差較小，相對誤差絕對值在3%以內，對于深基坑的變形來說，這樣的誤差屬于可接受范圍之內，完全能夠滿足工程信息化施工及設計的要求，能夠為工程設計施工提供技術支持。

4 結語

1)本文在綜合考慮現場地質條件和施工條件之后，選取基坑長度、基坑開挖深度、內支撐個數、土體重度、土體內摩擦角、粘聚力6個影響指標建立BP神經網絡模型，收集現場實測數據預測基坑沉降量，預測結果較為準確，具有較高的可信性。

2)本文的學習樣本只有15組，不可能對后期所有沉降進行準確預測，提高學習樣本數量，可提高神經網絡預測的精確性。

3)本文采用C語言編程，開發深基坑沉降預測軟件，預測結果較好，并且應用簡單、高效，適用于現場使用，具有較高的應用價值。

4)對于許多巖土工程問題，如基坑沉降等，理論模型不能夠很好的解決此類問題，而人工神經網絡具有較好的非線性映射能力，能夠全面地考慮各因素之間的相互關系，對解決巖土工程領域中的非線性問題有很好的應用前景。

[1] 黃宏偉,邊亦海.深基坑工程施工中的風險管理[J].地下空間與工程學報,2005,1(4):611-614.

[2] 陳 龍,黃宏偉.巖石隧道工程風險淺析[J].巖石力學與工程學報,2005,24(1):110-115.

[3] 包小華,付艷斌,黃宏偉.深基坑開挖過程中的風險評估及案例分析[A].全國基坑工程研討會[C].2014.

[4] Hecht-Nielsen R.Theory of the backpropagation neural network[M].Neural networks for perception (Vol.2).Harcourt Brace & Co.1992:593-605.

[5] SIMON HAYKIN.神經網絡原理[M].第2版.北京：機械工業出版社,2006.

[6] 袁金榮,趙福勇.基坑變形預測的時間序列分析[J].土木工程學報,2001,34(6):55-59.

[7] 石 云.BP神經網絡的Matlab實現[J].湘南學院學報,2010,31(5):86-88.

SettlementpredictionindeepfoundationpitbasedonBPneuralnetwork

ShanHongxi

(XiaohaiWaterManagementServiceStation,Yancheng224100,China)

In order to analyze the settlement law of deep foundation pit, the settlement data of a practical project are taken to be analyzed and predicted, and a software was developed based on C to predict the settlement process. The result shows that the method of prediction based on BP neural network is feasible, the error is within the allowable range. The method of prediction can guide the construction of similar project.

deep foundation pit settlement, neural network, prediction, C language

1009-6825(2017)28-0078-02

2017-07-25

單紅喜(1965- )，男，工程師

TU433

A