基于GA-BP神經網絡的路基沉降預測

周衛　王倩

摘 要：如何科學、合理地預測路基沉降是高速公路建設的關鍵，針對傳統的BP神經網絡算法易陷入局部極小值，影響預測精度的問題，本研究利用遺傳算法（genetic algorithm， GA）的全局尋優能力對BP神經網絡進行優化，構建了基于GA-BP神經網絡的路基沉降預測模型。以高速公路路基沉降監測進行實驗驗證分析，結果表明：相較于傳統BP神經網絡模型，GA-BP神經網絡模型的預測精度有了顯著的提高，可為高速公路的建設及后續工程的沉降預測提供參考。

關鍵詞：遺傳算法;BP神經網絡;路基沉降;沉降預測

中圖分類號：P208? ? ? ? ?文獻標識碼：A? ? ? ? ? 文章編號：1672-5603（2022）03-76-05

Prediction of Subgrade Settlement Based on GA-BP Neural Network

Zhou Wei Wang Qian

（1. The First Surveying and Mapping Institute of Hunan Province， Changsha Hunan 410114; 2. Changsha University of Science & Technology， Changsha Hunan 410114）

Abstract： Scientific and reasonable prediction of subgrade settlement is the key to expressway construction， and the traditional BP neural network algorithm is easy to fall into local minimum， which affects the prediction accuracy. In this study， Genetic algorithm （GA）， having the global optimization ability， is used to optimize BP neural network， and a prediction model of subgrade settlement based on GA-BP neural network is constructed. The experimental verification analysis is carried out by monitoring the settlement of expressway subgrade. The experimental results show that compared with the traditional BP neural network model， the prediction accuracy of GA-BP neural network model is significantly improved， which can provide reference for expressway construction and follow-up projects.

Keywords： genetic algorithm; BP neural network; subgrade settlement; settlement prediction

監測是高速公路建設和運營過程中的重要內容，國家有關規范都明確規定在軟土等特殊路基地區進行鐵路、公路、堤防的施工要進行路基沉降監測，隨著我國高速公路建設進入快速發展階段，當前以及未來將會有越來越多的高速公路穿越不良地基路段，高速公路路基邊坡的穩定性嚴重影響著高速公路的建設安全和運營期的行車安全[1]。因此，對高速公路路基沉降觀測和預測都顯得十分重要。

國內外專家學者對路基沉降做了大量分析研究，目前常見的沉降預測方法可分為理論計算法、建模計算法和曲線擬合法，如盧飛強等人采用時間序列分析法對軟土路基沉降數據預測，該方法避免了復雜的參數計算[2];馮懷平等人通過對路基沉降規律的研究，提出了一種適用于非飽和土地區路基的沉降預測曲線模型[3];張滿想等利用灰色模型對沉降數據進行建模分析，進而確定路基沉降預測值[4]。近年來，隨著人工智能深度學習尤其是神經網絡算法的快速發展，數據的挖掘和抽取更加自動化、智能化[5]。BP （back propagation）神經網絡因其具備高度自學習能力和泛化能力[6]，已成為應用最為廣泛的神經網絡模型之一。但是，BP神經網絡存在易陷入局部極小值、收斂速度慢等問題[7]，影響其收斂和泛化能力。遺傳算法（genetic algorithm， GA）是一種全局優化搜索算法[8]，采用遺傳算法優化BP神經網絡（GA-BP神經網絡），保留了BP神經網絡算法的非線性映射能力和遺傳算法的全局優化搜索能力，已廣泛應用于預測預報。在工程領域，馮紹權等人利用高鐵橋墩沉降數據提出了一種基于馬爾科夫鏈修正的遺傳BP神經網絡預測模型[9];朱建民等人建立了黃土高填方工程GA-BP神經網絡預測模型，并對黃土高填方場地的工后沉降進行預測[10]。藉此本研究嘗試將GA-BP神經網絡算法引入路基沉降預測，利用已有的路基沉降觀測數據，構建GA-BP神經網絡模型并對路基的沉降進行預測，并通過實驗驗證分析了BP神經網絡和GA-BP神經網絡模型的預測精度，進而根據預測的結果更好地指導公路路基施工工作和運營期的行車安全，防止出現較大的路基災害事故。

1 GA-BP神經網絡模型

1.1 BP神經網絡

神經網絡是由大量的神經元相互連接構成，神經元是其基本的結構單元，通常是多輸入單輸出結構，其結構模型如圖1所示。

BP神經網絡是一種基于誤差反向傳播算法訓練的多層前饋神經網絡，在分類識別、預警預測等領域得到了廣泛的應用。標準的BP神經網絡由三個部分組成，分別為輸入層、隱含層和輸出層。輸入層和輸出層為單層結構，而隱含層可以由一層或者多層組成，單隱含層的網絡模型如圖2所示。BP神經網絡可以實現輸入層和輸出層的任意非線性映射，并采用梯度下降法調節各層神經元的權值和閾值，以減少誤差，直到誤差達到預設誤差[11]。

1.2 基于GA-BP神經網絡的算法流程

遺傳算法（GA）是一種隨機自適應全局搜索算法，借鑒了進化生物學中的自然選擇和遺傳機制，將求解問題表示成串，根據適應度大小進行選擇、交叉、變異等遺傳操作，從而得到新的串群，經過這樣一次次不斷地優勝劣汰，最后獲取一個最適應環境的串，從而求得最優解?；贕A-BP神經網絡模型的算法流程先對沉降數據進行預處理，保證輸入數據的質量，然后利用GA算法對BP神經網絡中的初始化權值閾值進行編碼，進行選擇和交叉操作，求得最優解權值閾值，得到最優的BP神經網絡模型;并對模型的精度進行評價，最后實現對路基沉降的預測。為更進一步驗證該模型的適應性，利用該模型和傳統BP神經網絡模型分別進行路基沉降預測，然后對分類結果進行相關統計分析。該方法流程如圖3所示。

1.3 模型預測評價

2 實例分析

2.1 工程實例

本研究以湖南省某段高速公路路基填方工程為例，針對高速公路工程，主要監測內容為地表水平位移和路堤沉降，監測方法如表1所示。由于路堤的填土量大，在自重的作用下，路堤下地基土的沉降量較大，因此監測地基沉降在填筑過程中非常必要，控制總沉降量和沉降速率，以確保在填筑過程中地基土不會因不穩定而產生破壞。同時，在不同的地質條件下，由于填料性能復雜多樣，其工后沉降和差異沉降等問題也是不可忽略的，這就要求對每一條路堤進行施工監測，控制總沉降量和沉降速率，以保證高路堤地基的穩定。

2.2 實驗驗證分析

本文以路基監測點1#～10#的各40期觀測數據作為原始數據，將監測點1#觀測數據中的前30期數據作為訓練集進行網絡訓練，后10期作為測試數據檢驗模型精度。確定GA-BP神經網絡模型的層數、最大收斂次數、收斂誤差以及學習速率，利用MATLAB軟件構建GA-BP神經網絡模型。為避免數據輸入和輸出的數量級差別過大而影響網絡模型的預測結果，將原始觀測數據用最大最小法歸一化處理，保證輸入的數據的質量。函數形式為：

為了排除其他偶然因素對實驗結果造成影響，將另外9個監測點的各40期數據用于驗證模型的可靠性和有效性，得到監測點1#～10#預測結果的絕對誤差的平均值如表3所示。

由表3可知，10組監測點的GA-BP神經網絡法預測沉降值絕對誤差的平均值為0.51，相較于BP神經網絡預測模型的絕對誤差平均值1.04有明顯提高，驗證了GA-BP神經網絡模型在沉降預測的適用性。同時，其相對誤差也更加收斂，表明GA-BP神經網絡預測模型應用于路基沉降的預測精度可靠。為了更加客觀、科學分析GA優化后的BP神經網絡模型和傳統BP神經網絡模型的性能，通過均方誤差（MSE）、擬合系數和收斂速度等指標進行評價，利用MATLAB軟件計算的結果如表4所示，表明了GA-BP神經網絡相較于傳統BP神經網絡擬合能力更強，收斂速度更快。

鑒于在不同的地質條件下，填料性能復雜多樣，對路基沉降預測需要進一步研究。使用GA-BP神經網絡對路基沉降預測是一個關鍵和有效的工具，可以更好地幫助我們對后期施工進行科學的指導。

3 結語

路基監測是高速公路安全施工和信息化管理的重要環節，始終貫穿高速公路工程設計、施工和運營的整個階段，因此，合理準確地對路基沉降進行預測能有效保證安全生產。本文利用遺傳算法的全局優化搜索優勢，構建了基于GA-BP神經網絡的路基沉降預測模型，通過實際工程實例驗證分析，結果表明GA-BP神經網絡模型的預測精度更高，更具有可靠性和有效性，對后續的施工及運營具有指導價值。

參考文獻/References

[1] 吉力此且， 宋吉榮. 高速公路路基沉降與施工控制研究[J]. 公路工程， 2018， 43（2）： 151+161.

[2] 盧飛強， 師旭超. 基于時間序列分析法的軟土路基沉降預測研究[J]. 路基工程， 2017 （6）： 11-14.

[3] 馮懷平， 耿會嶺， 韓博文， 等. 非飽和土地區高速鐵路路基沉降預測模型[J]. 巖土工程學報， 2017， 39（6）： 1089-1095.

[4] 張滿想， 趙健， 郭昕， 等.灰色模型在路基沉降預測中的研究及應用[J]. 中外公路， 2020， 40（4）： 21-25.

[5] 陳軍， 劉萬增， 武昊， 等. 基礎地理知識服務的基本問題與研究方向[J]. 武漢大學學報（信息科學版）， 2019， 44（1）： 38-47.

[6] 陳流豪. 神經網絡BP算法研究綜述[J]. 電腦知識與技術， 2010， 6（36）： 10364-10365.

[7] 李朝靜， 唐幼純， 黃霞. BP神經網絡的應用綜述[J]. 勞動保障世界（理論版）， 2012 （8）： 71-74.

[8] 陽俊， 曾維偉. 基于GA-BP神經網絡的采空區地表沉降預測模型[J]. 礦冶工程， 2022， 42（2）： 42-45.

[9] 馮紹權， 花向紅， 陶武勇， 等. 一種基于GA-BP-MC神經網絡的高鐵橋墩沉降預測模型[J]. 測繪通報， 2019， （7）： 50-53+82.

[10]朱建民， 于永堂， 鄭建國， 等. 基于GA-BP神經網絡的黃土高填方工后沉降預測[J]. 地下空間與工程學報， 2021， 17（S1）： 382-386+418.

[11]周政. BP神經網絡的發展現狀綜述[J]. 山西電子技術， 2008 （2）： 90-92.