基于BP神经网络基坑支护结构变形预测研究
基于AFSA—BP神经网络的基坑变形预测模型研究

关键词 基坑变形预测 ; B P神经网络 ; AF S A- B P神经 网络
中图 分 类 号 TP 3 0 1 D OI : 1 0 . 3 9 6 9 / j . i s s n 1 6 7 2 — 9 7 2 2 . 2 0 1 3 . 1 2 . 0 0 7
p r o v e d mo de l i s u s e d t o p r e d i c t d e f o m a r t i o n . By c o mp a r i n g t h e pr e d i c t e d v a l u e s a nd t he me a s ur e d v a l u e s ,t he r e s u l t s s h o w t h a t AFS A- BP mo d e l p r e d i c t i o n i s mor e a c c u r a t e t h a n BP mo d e l ,me a n wh i l e ,t h e mo d e l wh i c h p r e d i c t s s t a b l e,f a s t a n d p r e d i c t e d e r r o r c a n me e t e n g i n e e r i n g n e e d h a s g o o d g ui da n c e f o r t h e n e x t s t e p ,s o AFS A- B P mo d e l i s a n e f f e c t i v e d e f o r ma t i o பைடு நூலகம் p r e d i c t i o n mo d e 1 . Ke y W or d s d e f o r ma t i o n p r e d i c t i o n,BP n e u r a l ne t wo r k,AFS A- BP n e u r a l ne t wo r k
基于BP神经网络的深基坑变形预测

基于BP神经网络的深基坑变形预测张世豪;朱德华【摘要】深基坑变形是评价深基坑开挖过程中安全性的一个重要参数,对其进行精确预测是一个亟待解决的技术难题.为了更加准确地预测深基坑的变形,采用有动量的梯度下降算法,将现场的监测数据作为神经网络的输入参数,建立BP神经网络模型进行深基坑的变形预测.结果表明,模型的预测值与实测值之间的误差在5%以内,满足实际工程的要求.所建模型能够兼顾精度和效率,便于程序实现,能为深基坑的变形预测分析提供有效工具.【期刊名称】《南京工程学院学报(自然科学版)》【年(卷),期】2016(014)003【总页数】6页(P17-22)【关键词】深基坑;变形预测;BP神经网络;Matlab【作者】张世豪;朱德华【作者单位】中交隧道工程局有限公司第三工程公司,江苏南京211100;南京林业大学土木工程学院,江苏南京210037【正文语种】中文【中图分类】TV433近十几年来,城市地下空间的利用日益成为城市发展的方向,深基坑工程的应用也越来越广泛[1].随着基坑开挖的深度不断增加,对深基坑的施工安全的要求也越来越高,对深基坑的变形进行预测就显得尤为重要.但是,由于岩土是高度非线性的复杂地质体,常规的经验公式和有限元分析方法难以准确地预测基坑的变形.在认识到理论与数值模拟方法的不足后,BP神经网络分析方法开始应用于基坑工程的变形预测.BP(back-propagation)神经网络是一种按照误差逆传播算法训练的多层前馈网络,由于其强大的非线性映射和泛化的能力,BP神经网络日益成为工程界应用最广泛的神经网络之一[2].虽然BP神经网络在工程领域发展迅速,但在深基坑变形预测方面的应用还只是起步阶段,尚缺乏系统和全面的研究.因此,有必要结合实际工程进一步探讨BP神经网络在深基坑变形预测中的实用性.国内外学者对BP神经网络的理论和数值计算等方面进行了大量的研究.文献[3]阐述了BP神经网络的基本原理和结构设计,并将改进的BP神经网络应用于我国黑龙江省农机总动力的预测中,取得了预期的效果.文献[4]研究了BP神经网络的结构及算法,并对基于神经网络的优化方法进行了探讨.近年来,基于BP神经网络的深基坑的变形预测方面的研究受到了国内外学者和工程界的关注,文献[5]提出了一种基于BP神经网络的基坑变形时间序列预测方法,获得了预期的结果;文献[6]采用了粒子群优化算法对神经网络模型的初始权值和阈值进行优化,并应用于深基坑的实际监测中,具有较高的可信度.从既有文献中可以看出,深基坑变形的影响因素具有复杂性与多变性,建立BP神经网络模型时需要根据实际的情况来选择影响深基坑变形的主要因素,以提高模型的预测精度.本文以广州地铁4号线金隆站的深基坑工程为实例,采用有动量的梯度下降法,建立基于BP神经网络的深基坑变形预测模型.1.1 BP神经网络结构BP神经网络是一种带监督学习的多层前向网络,常用的是三层网络结构,如图1所示.BP神经网络适应性广、算法简单,具有很强的输入输出映射能力,而且事先不要求任何的输入输出数学关系.1.2 BP神经网络学习算法BP神经网络学习算法的基本思想是最小二乘算法.它采用梯度搜索技术,使网络的实际输出值与期望输出值的误差为最小.下面介绍典型的三层BP神经网络的学习算法[7].假定输入向量为X=(x1,x2,…,xi,…,xn)T,隐含层输出向量Y=(y1,y2,…,yj,…,ym)T,输出层输出向量为O=(o1,o2,…,ok,…,ol)T,期望输出向量d=(d1,d2,…,dk,…,dl)T.输入层到隐含层之间的权值矩阵用V表示,V=(V1,V2,…,Vj,…,Vm),其中Vj为隐含层第j个神经元对应的权向量;隐含层到输出层之间的权值矩阵用W表示,W=(W1,W2,…,Wk,…,Wl),其中Wk为输出层第k个神经元对应的权向量.当网络输出值与期望输出值不相等时,存在输出误差E,定义为广州地铁4号线金隆站为南延段首座车站,线路沿金隆路南北走向,为地下两层岛式车站,车站长度为200.8 m.主体基坑的端头井深度为17.94 m和19.08 m,标准段深度为17.08 m.基坑的主体围护结构采用厚0.8 m的地下连续墙;部分主体围护结构上部采用厚0.6 m的吊脚连续墙加锚索,下部中微风化岩段采用砂浆锚杆.沿基坑的深度方向设置三道支撑,其中第一道支撑采用700 mm×1 000 mm的混凝土支撑,水平间距为9.0 m;第二道支撑采用700 mm×1 000 mm和800 mm×1 200 mm的混凝土支撑,水平间距为9.0 m,支撑设置在600 mm×1 200 mm的混凝土腰梁上,局部采用混凝土板撑;第三道支撑除南端头井采用700 mm×1 000 mm的混凝土支撑外,其余均采用φ609×16的钢管支撑,钢支撑的水平间距为3 m.对整个基坑开挖过程中基坑变形进行监测,金隆站基坑的平面图如图2所示.3.1 确定网络各相关参数在建立BP神经网络模型时,首先要确定网络的各个相关参数.一般先确定网络的层数,然后确定各层中神经元的个数,再确定网络的初始值,最后是确定学习速率和期望误差值.BP神经网络的输出精度与层数有着密切的关系,随着层数的增加,神经网络的输出会更加精确.但是,层数的增加也会使网络更加复杂,影响训练速度.综合考虑上述因素,采用典型的三层网络结构.增加隐含层中神经元的个数可以提高网络的输出精度,但是,目前没有最佳的方法来确定隐含层中神经元的个数.因此,在实际工程中,一个合适的神经元的个数是需要通过反复的对比训练来确定的.参考常用的隐含层神经元个数的估算方法[8],拟定隐含层中神经元的个数为9个.神经网络初始权值的确定会影响网络的学习效果,初始权值的设定应使训练的误差逼近最小点.但是,由于工程的复杂性,目前只能随机设置初始权值,一般在-1~1之间选取,合适的学习速率能够提高网络的收敛速度,一般在0.01~0.8之间选取.拟定神经网络的学习效率为0.01.为了提高网络的精度,需要设置较小的期望误差值,但同时会增加网络训练的时间,综合考虑以上因素,拟定期望误差值为1×10-5.3.2 设计网络程序以广州地铁金隆站深基坑为实例,结合现场的监测数据,经过分析,在众多的因素中,施工工期、开挖深度、气温和地下水位的高度对围护结构变形的影响最为明显,因此选取这4个最具代表性的指标作为网络的输入,即输入层的神经元个数为4.选取该基坑范围内的测斜管的变形量S作为网络的输出,即输出层的神经元个数为1.按照上述确定的各个网络参数,建立一个三层的BP神经网络模型,该模型的输入样本P为一个4维的列向量,期望输出样本T为一个1维的列向量.神经网络程序的关键代码为:[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);net=newff(minmax(pn),[9,1],{'tansig','purelin'},'traingdm');net.trainParam.show=2000;net.trainParam.lr=0.01;net.trainParam.epochs=20000;net.trainParam.goal=1e-5;[net,tr]=train(net,pn,tn);d=sim(net,pnewn);f=postmnmx(d,mint,maxt).3.3 网络的训练过程BP神经网络的训练过程如图3所示.以金隆站深基坑工程开挖至基底并开始浇筑底板这一时间段内的测斜管为监测点建立9个样本,进行基于BP神经网络的深基坑变形预测分析,样本数据如表1所示.从现场的监测数据中选取7组样本数据进行训练,由上述分析选取施工工期、开挖深度、气温和地下水位的高度作为评价指标体系,然后对这4个参数进行赋值,样本数据的输入是一个4×7的矩阵,测斜管的变形量S作为网络的输出,其期望输出的样本数据均为1×7的矩阵.然后在Matlab中利用已有的BP神经网络工具箱对样本数据进行学习训练[9].经过大量调试,确定该BP神经网络隐含层的节点数为9,动量常数为0.8,学习率为0.01,设置网络的显示频率为2 000,训练次数为20 000次,在此情况下,训练结果与实际结果拟合效果最佳.取2014年7月25日至10月25日的7组现场实测数据作为该BP神经网络模型的训练样本数据,建立输入矩阵P和目标矩阵T,并将数据输入BP神经网络进行训练.表2列出了训练样本数据和预测结果,结果对比表如图4所示.由表2和图4可知,建立的BP神经网络模型预测的结果与实测结果吻合得很好,最大误差仅为0.29%,具有很高的预测精度.以金隆站深基坑的测斜孔CX12测点在10 m深度处,在2014年10月25日、11月10日和11月25日的3组现场实测数据作为该BP神经网络的预测样本数据,将这三组预测样本数据作为输入矩阵,运用已经建立好的BP神经网络模型进行学习训练,然后进行深基坑的变形预测分析,最后得到变形预测结果,金隆站深基坑测斜孔CX12测点的水平位移在10 m深度处的预测值与实测值的误差计算结果如表3所示.结果对比如图5所示.从表3和图5可以看出,BP神经网络模型的预测值与现场的实测值之间的相对误差在5 %以内,其中最大误差为4.86 %,没有超过工程中规定的误差限值范围,能够满足工程的需要.因此,建立的BP神经网络模型能够很好地预测深基坑的变形,也可以用于其它工况下的深基坑变形预测.1) 基坑变形是评价基坑开挖过程中安全性的一个重要参数.建立BP神经网络模型进行变形的预测分析时,需要结合现场获得的实测数据,合理确定基坑变形的影响因素.因此,合理地确定网络的各个相关参数对BP神经网络模型的预测效果至关重要.2) 采用有动量的梯度下降法,建立基于BP神经网络的深基坑的变形预测模型.将该模型成功应用于广州地铁金隆站的深基坑中,预测值与现场实测值之间的误差在5 %以内,满足实际工程的需要.所建模型既保证了算法的客观性,又兼顾了精度和效率,通过编制程序能为深基坑的变形预测提供有效工具.。
基于BP神经网络的深基坑变形预测

肇南理工大学学掇(盎然耪学版)
Journal of South China University of Technology
(Natural Science Edition)
October蝴 Vd。36 No。10
文章编号:1000-565X(2008)10—0092-05
算使吻合.表明了该预测方法的可行性.
关键溺:深基坑;变影;BP砖经网络;预溅
中图分类号:TP473。2
文献标浚蜀:A
2l世纪是地下空间大发展的时代,随着经济的 发展,城市基础设施建没落后予城市化进程的矛爝 目盏突圭,齐发建下空霾建设立{攀纯城市已戎磐然 趋势.高层建筑和地下结构建筑工程实践的增多,必 然带来深基坑工程的开挖与支护问题.近年来,人们 已意识到现场监测和预测的茕黉性.由于基坑工稷 现场监测的对间序列数据中蕴禽着系统演化的傣 患,,夫爱朝鎏裁获这些数撂孛我臻其蕴含豹篾律,势 利用己知的燃测数据来预测系统未来的发展动 态。1“.在深攮坑变形预测研究方面,以往的研究太 多侧重于预测基坑施工地面沉降,有关深基坑围护 结构桩体整体水平位移预测建梗方面的研究则较 多,久工毒枣经弱绦楚一羹迅速兴越酶j≥线性秘学,在 处理深基坑变形预测相关盼信息复杂、背景知识举 清楚、推理规则不明确等问题时,姓示出了独特的优 越性[3].Ghaboussi等H。最早提出用人工神经网络研 究岩土材料的本构模型,随后又掇如了一个神经网 络羧模承砂主的应力瘟燮关系;雾红耩狰1将拳波神 经网络用予预测深基坑周隧地嵌流降,并构造了预 测沉降的小波神经网络模型;张树光等m1针对杭州 及上海软土地区的基坑围护工程,构造了基坑周网 地表沉降的人工神经网络预测横型.文中结合某深 基境藏工,泼糖俸瘩乎蕴移实际鍪测数据势基硇,建 立BP摔经网络时闻窗日预测模搿,并结合Matlab
基于BP神经网络模型的大型深基坑变形量预测

BP神经网络就是通过这两种传播特性的不断进行,实现 对各层对应权值的不断修改,这也正是一种学习的过程,称为 神经元的学习训练,其目的是使网络的输出误差达到最小,或 者输出值达到预期的要求为止叫
2 BP神经网络数学模型
BP神经网络的算法是一种有监督的学习,BP算法的核心 是数学中的负梯度下降理论,通俗的讲就是其算法往下进行的 方向总是沿着误差下降最快的方向。其最大的特点是正向传 播和反向传播不断的反复进行”完成对神经元各层权值的不 断改变以使得信息输出值与期望输出值的误差达到最小或者 达到预期,通过不断的反复训练,训练出可靠的网络。
的值,然后将其交给中间层进行数据的处理分析,并且实现前 后信息的交换,可以按照神经元的信息变化能力,确定出中间 层需要的隐含层的数量,经过中间层的处理,将输出的传给输 出层继续交给输出层的进一步处理,这样就完成了一次信息
的正向传播,并且可以获取信息处理的结果并将其输出。 最重要的也是区别与其他神经元的功能,也就是反向传
对于人工神经网络来说,其不需要知道输入值和输出值 之间的关系,只是通过对大量数据进行统计分析,也称为训练, 通过训练,学习到数据之间的某种关系,进而,当再一次输入 一个值时,就可以预测输出值是多少。对于所有的神经网络 而言其功能的核心是算法。本文使用的就是BP神经网络,BP 神经网络是一种按误差反向传播(简称误差反传)训练的多层 前馈网络,其算法称为BP算法叫它的基本算法思想是梯度下 降法,利用梯度技术进行搜索完成对输出值的预测,并且使得 实际输出值与期望输出值的误差均方差最小叫针对此,本文 提出了基于BP神经网络模型的大型深基坑变形监测。
1 BP神经网络基本结构
在现如今的神经网络之中,BP神经网络是在工程实际的 应用中运用的最多的神经网络,它是一种前馈型神经网络。BP
基于优化的BP神经网络算法的深基坑沉降预测

李篷王红梅王若锋熊靖飞(中化地质郑州岩土工程有限公司,河南郑州450011)摘要深基坑变形预测是进行施工参数调整和确保深基坑施工安全的重要手段,而如何对其变形进行有效、准确地预测是一个有待解决的技术难题。
BP神经网络是深基坑变形预测的常用方法,但存在易陷入局部最优的特点。
模拟退火算法(SA)是一种全局优化的启发式算法,但可能出现跳出全局最优的情况。
本文利用SA对BP神经网络的权值和阈值进行全局搜索优化,同时增加SA的记忆功能,可以有效克服两种算法的缺陷,并提高预测精度。
本文用SA优化BP神经网络算法对郑州市107辅道快速化工程深基坑沉降进行预测。
结果发现,经优化的BP神经网络能够跳出局部最优,预测精度提高,平均绝对误差(MAE)由056提高至0507;均方根误差(RMSE)由056提高至051;平均相对误差(MRE)由2.9%提高至0.08%。
关键词基坑变形;沉降预测;BP神经网络,模拟退火算法;记忆功能中图分类号P236文献标识码A文章编号2095-7319(2020)03-0101-040.引言经济的迅猛发展推动了城市基建项目不断向超大、超深规模发展,对于基坑变形的监测和预报要求也越来越高。
基坑变形的预测可以有利于后续在基坑的方案上不断地进行优化,针对深基坑变形预测的研究已有很多[1],主要的系统预测方法分为回归分析法寸间序列分析预测法冋、灰色系统预测法阴和人工神经网络预测法150等。
其中,人工神经网络具有强大的自学习能力,在处理非线性以及复杂时间序列问题中有独特的优势。
基坑监测数据多属于非平稳的复杂时间序列,运用BP神经网络进行基坑形变预测的研究受到了广泛关注叫2、、但是,BP神经网络存在训练收敛速度较慢,容易陷入局部极小值等问题#$%剧。
而模拟退火算法(SA)是一种全局搜索优化的人工智能算法,将二者有效结合能够充分发挥每种算法的优点,实现对时间序列数据更为精确的预测问。
本文在此基础上利用SA优化BP(BackPropagation)神经网络的权值和阈值,使其尽可能满足全局最优。
遗传算法BP网络在基坑变形预测中的应用

遗传算法BP网络在基坑变形预测中的应用【摘要】本文以珠海市香洲区前山港某基坑的监测数据为背景,采用BP神经网络和GA-BP神经网络两种方法对基坑支护结构进行变形预测,将变形预测值与实际监测数据进行对比分析,指出遗传算法优化的GA-BP神经网络模型能更精确的预测基坑变形。
【关键词】遗传算法;GA-BP神经网络;基坑变形预测【中图分类号】TQ320【文献标识码】A【文章编号】1002-8544(2017)22-0226-021.BP神经网络BP神经网络是一种包含输入节点、输出节点和隐含节点的误差逆向传播训练算法,呈现出从输入到输出整个流程的非线性映射。
输入层、隐含层、输出层构成了经典的BP神经网络。
为了使BP神经网络具备联想记忆与预测能力,在其进行预测之前要进行网络训练。
其训练过程主要包括以下四个步骤:(1)输入模式顺传播在输入层输入初始值,经过隐含层分析处理,最后顺向传播到输出层。
(2)误差逆传播过程BP网络的实际输出与希望输出之间会产生误差,将误差信息由输出层向隐含层进行传播,经隐含层分析处理后逆向传播到输入层,将连接权层层修正。
其计算流程如下:分别对n个样本进行正向顺序计算,经过隐含层分析处理,获取BP网络的实际输出值,此时求出误差值E(E为n个样本的误差平方和),将E作为更新权值的指标,来评价BP网络的计算精度。
若E满足精度要求则停止迭代,若不满足,则进行新一轮迭代计算。
(3)记忆训练过程BP网络要经过几百次到几万次的循环记忆才能使网络记忆此种模式,循环记忆的目的就是使误差值趋于极小值。
循环训练实质上就是输入模式顺传播和误差逆传播的反复交替循环。
(4)训练结果收敛性判别对网络的全局误差进行收敛判定,判定误差值是否趋于极小值。
[1-2]2.遗传算法优化的BP神经网络遗传算法是从一组随机产生的初始解开始进行训练、优化,通过对遗传序列的选择、交叉以及变异筛选,保留下来适应度好的个体,新的群体不仅继承了上一代的优点,又使得新的群体优于上一代,如此反复循环,直至满足要求为止,得到最优解[3]。
人工神经网络在深基坑变形预测中的应用

( 京 工 业 大 学 土 木 工 程 学 院 , 苏 南 京 2 00 ) 南 江 1 0 9
摘
要 :以 B P人 工 神 经 网 络 为 基 础 , 用 其 强 大 的 非 线 性 映 射 能 力 , 立 深 基 坑 支 护 结 构 最 大 侧 向 位 移 的 预 测 模 利 建
B P网 络 是 通 过 将 网 络 输 出 误 差 反 馈 回传 ( ak Bc
P o aa o ) 对 网络 连 接 权 进 行 修 正 , 而 实 现 网 rpg t n 来 i 从
络 的映 射 功 能 。 9 9年 , o et c tN e o 18 R b r Heh— il n证 明 了 s
坑 工 程 中 发 生 的 事 故 也 越 来 越 多 , 成 了 重 大 的 经 造 济 损 失 - 。深 基 坑 工 程 中 的 最 大 问题 是 由 于 开 挖 引 ] 起 周 围 土 体 变 形 , 而 导 致 周 围 的建 筑 物 和 地 下 管 从
线 等 设 施 的 破 坏 。 目前 , 坑 设 计 时 主 要 采 用 n 法 基 l
一
和 有 限元 等 方 法 进 行 变 形 估 算 , 由 于 理 想 模 型 与 但 实 际 工 况 的 差 别 、 算 参 数 难 以 正 确 确 定 等 因 素 的 计 影 响 , 得 计 算 得 到 的 变形 值 与 实 际 变 形 量 相 差 较 使 大。 因此 , 关 重 要 的是 寻 求 一 种 对 基 坑 变形 更 为 有 至 效 的 预 测 方 法 。 工 神 经 网络 则 具 有 解 决 复 杂 的 、 人 不
收 稿 日期 : 0 2 0 — 1 2 0 — 7 0 作者 简介 : 旭 东 (93)男 . 苏武 进人 , 教 授 , 要从 事 土与结 构物 相互作 用和 基坑工 程研究 。 王 16一 . 江 副 主
BP神经网络在基坑工程变形预测中的应用

响 。基 坑 变 形 和 安 全 性 受 地 质 条 件 、 土 体 性 质 、 地 环 境 、 候 岩 场 气 变化 、 地下水动态 等 因素影 响 , 常规统 计方 法难 以利用 监测 信 息 建模预测。B P神 经 网 络 具 有 较 好 的 非 线 性 拟 合 能 力 , 其 在 复 使 杂 非 线 性 系 统 的 分 析 和 预 测 中得 到 了广 泛 应 用 。
2. 39
1 工 程实例 分析
某基坑位于 市 区密集 道 路之 间的地 块 内, 境 保护 等 级 一 环 级… 。基坑 平面呈 组 合 矩 形 , 图 1所 示 , 平 面 主 体 尺 寸 为 如 其 8 3 6m, 61×1 开挖深度 2 .3 1 0 4 。围护结构为地下连 续墙 , 墙体深 为
部分地面沉降观测点 ,I S O距西侧墙 体 2m, 1 S 1距西侧 墙体 5m, S2距西侧墙体 8m,3 1 ¥2距东侧 墙体 3I,2 I 3和 ¥5分 别位 于基 T¥ 2
坑 南 墙 体 外 1 3 1 l¥7位 于 ¥5以南 6i 。 01 和 6n,2 1 2 n处
13 .5
2. O 5 3. 4 6
1 1 ቤተ መጻሕፍቲ ባይዱ.1
1 2 .1 1 3 .1
1 7 0 4
l 4 3 5 1 0 3. 9
12 7
12 .8 12 .9
3 .4 4 9
37. 09 37 11
泣 : 移 均表 示墙 体 向 坑 内移 动 位
表 2 两种方 法预测数据 比较
69 8 66 2 6o .9 4 2 .1
6. 67
日期 / .日 月
12 .2 12 .3 12 .4 12 5
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
D O I : 1 0 . 1 3 3 7 9 / j . i s s n . 1 0 0 3 ・ 8 8 2 5 . 2 0 1 5 . 0 2 . 2 2
・ 1 0 3・
基于 B P神 经 网络基 坑 支 护结 构 变形 预测 研 究
构水 平位 移和沉 降。结果表 明 :所提 出的方 法可以精确地 预测基 坑 变形 ,对 工程建 设具有 一 定的参
考价值 。
关键 词 :基坑 ;B P神 经 网络 ;隐含 层 ;水平 位移 ;沉 降 中图分 类号 :T U 4 3 3 文 献标 志码 :A 文章编号 :1 0 0 3— 8 8 2 5 ( 2 0 1 5 ) 0 2— 0 1 0 3— 0 4
模 型建立过程 包 括输 入层 、隐 含层 以及 输 出层
O7~S S 1 6 ;沉 降有 1 6个监测 点 ,为 S O 1 ~S 1 6 ,分别
布置在基坑 各 边 中部 或 有代 表 性部 位 ( 两项兼用)Βιβλιοθήκη 。 基坑监测点 布设 ,见图 2 。
代 仲 海
( 深 圳 地 质建 设 工 程 公 司 ,广 东 深 圳 5 1 8 0 2 3 )
摘
要 :为 了精 确的预测佛 山某建筑基 坑 变形情 况 ,提 出 了一种 B P神 经 网络 多数据 纵 向预 报
方 法 ,选取前三 次的 多个测 点数据进 行 预处理 ,然后 再 对 B P神 经 网络分析 、训 练、测 试 ,并 分析 隐含层数 对预测精度 的影响 ,通过 对 比试算确 定隐含层数 目,最终达到 能够 高精度 预测基 坑 支护结
监测数据 之间 的高 度非 线性 关 系 ,目前 很 难 有一
B P人工神经 网络对 数据 进行 融合 处理 ,实 现 了多传 感器数据横向融合预 报。结 合上述研究成 果 ,本 文提 出了一种 B P神经 网络多数据 纵 向预报 方法 ,选 取前
三次的多个测点数据 ,对佛 山某城 市广场基坑 支护结 构 的水平位移 和沉 降进行 了预测。
利用 已有 的基坑沉降数据 预测 了将来沉 降值 ;张庆华 等 利用地下水位变化量 、悬臂桩墙墙 顶位移 、若干 邻近地表测点沉降值 等 6个参数 预测基坑 的变形和稳
定性 ;罗云 采用 “ 3+1 模 式 ”进 行基 坑 预测 ,即 前三天 的实测数据预测后一 天 的变形 ;张冠 宇等 针
1 B P神经 网络
1 9 4 3 年 ,美 国数学 家 P i t t s 和心理学 家 M e C u l l o c h 创建 了 MP人工神 经 细胞模 型 ,B P神 经 网络是 在该
模型 的基 础上发展 而来 。B P神 经 网络 又称 为误 差反
套理论分析 的方 法能 较为 精确 地 预测 基坑 及 周 边环
收 稿 日期 :2 0 1 4—1 0—3 1 图1 B P 神 经 网 络 结 构 示 意
B P神经 网络模拟人 的大脑 的学 习过程 ,通过 外
部 的激励信息 而 自适 应学 习 ,最 终 达 到能 输 出期 望 结果 的 目的。其 主要思 想 分 为两 个 阶段 :第 一 阶段 为正 向学 习过程 ,即输 入 信 号 ,经 由权 值 和 阈值 调 整 ,并 通过传递 函数 变 换 计 算 ,输 出响应 值 ;第 二 阶段 为误差反 向传 播 过程 ,即计 算 期望 值 与 响应 值
0 引言
对基坑 开挖 过程 中多种 变形 的数 据采 集 情况 ,利 用
随着 国民经 济 建设 的发 展 ,城市 中心 区域 的 建 筑密集度 越来 越高 ,随之 带来 的问题 是 建筑 基 坑 开 挖 的安全 隐患越 来 越多 。基坑 开 挖过 程 中的安 全监 测及预警 ,已经 变成 了工 程设 计 与施 工 过程 中的 重 要环节 。基坑监 测 与预警 的 目的是 ,通 过对 以往监 测数据 的观察分 析 ,预测 未来 一段 时 间 内基 坑 及周 边环境 的变形 。然而 ,现 有 的各种 监 测 预警 都 是在 分析 已有数 据 曲线走 势 的基 础上 完 成 的 ,由于 各项
境的变形情 况 ,当监测 仪 器损 坏或 者 其他 原 因 而得
不到监测数 据时 ,就无 法通 过 常规 的手段 完 成 预测
工作 。
向传播 神经 网络 ,是一 种 由非 线性 变 换 单元 组 成 的
多层前馈 型神 经 网络 ,包 括 输 入层 、隐 含层 和 输 出
层三层 ,层 与层 之 间多采 用 全 连接 方 式 ,同一 层单 元之 间不存 在相互连接 ,其结构示 意 ,见图 1 。
输 层
针对上述 问题 ,1 9 8 6年 ,D P研究 小组 首次 提 出 B P神经 网络模 型 ,它具 有 强 大 的非 线性 映射 能 力 , 在工程上能够通过既有的数 据 ,对未来一 段时间 内的 变形进行较为精确的预测 。根据 B P神经 网络 的特
点 ,很多学者在该方 面做 了大量 的研究 :徐 鑫鑫等
作者简介 :代 仲海 ( 1 9 8 4一),男 ,湖 北 潜 江 人 。工 程 师 ,硕 士 ,从事 岩土工程研究和设计工作。E . ma i l :t u m u d a i @
1 6 3 . e o m。
・
1 04 ・
路 基 工 程 S u b g r a d e E n g i n e e r i n g
2 0 1 5年 第 2期 ( 总第 1 7 9期 )
的误差 ,如果 超 出规定 的误 差 范 围 ,则 利用 递 归算 法从 隐含层 向输人层逐层反 向算 出各层 引起 的误差 , 并据此调 整权值 。反 复循 环计 算 上述 两个 过 程 ,直 到期望值 和响应值 的误差 小 于规定 值 ,学 习过 程 自 动结束 。