神经网络在深基坑变形预测中的运用

神经网络在深基坑变形预测中

的运用

摘要：人工神经网络具有很强的非线性映射能力和高度的容错性，适合于处理那些模糊信息或不确定因素的知识,其推理方式类似于人类的思维方式,是处理不确定性、非线性和其它不确定问题的有利工具。而深基坑变形的影响因素是非常复杂的,深基坑变形与其影响因素之间的关系也是极为复杂的非线性关系。本文总结了近年来神经网络在深基坑变形预测中的运用，旨在对神经网络的智能预测有一个初步的了解。 关键词：神经网络；深基坑变形：预测；总结

引言

随着我们国家城市建设的不断发展,深基坑工程在数量和难度上都有大幅度的提高,这使得在深基坑工程中的事故频繁发生,给我国的经济造成了重大的损失。深基坑工程的实施工程中存在许多问题，而其中最大问题是开挖引起周围土体的变形,从而导致周围的建筑物和地下管线等设施的破坏。目前,基坑设计时主要运用m法和有限元等两种常用的方法来进行变形估算,但理想模型与实际工况的差别、计算参数等都难以正确确定。受到这些不确定因素的影响,使得计算得到的变形值与实际变形量往往相差比较大。因此,寻求一种对基坑变形的一种有效预测方法是至关重要的。人工神经网络可以克服这些困境，它具有解决复杂的、不确定性的、非线性问题的能力,非常适合解决岩土工程问题。在基坑变形预测方面比常规方法有明显的优

[1]

势。

[2]

另外，深基坑开挖引起的围护结构变形是受到多种因素的影响,如围护结构方式、开挖方式、工程地质及水文地质条件等。围护结构的变形与它的每一个影响因素之间均存在着极其复杂的非线性关系,如何判断基坑变形的趋势对于施工自身安全和保护周边既有建(构)筑物的运营安全具有重要意义。而神经网络是一种高度自适应的非线性动力系统,通过神经网络学习可以得出输入与输出之间的高度非线性映射,能比较有效的预测基坑变形。相对于数值分析法、解析法等传统的岩土计算方法,神经网络在处理数据预测方面具有容错能力强、预测或识别速度快的优势, 避开了特征因素与判别目标的复杂关系描述,特别是公式的表

述。国内外学者对神经网络在基坑工程中的运用进行了大量研究,将人工神经网络应用在基坑围护结构水平变形的预测中。

[3]

研究表明,该法不仅可以综合考虑各种因素的影响,而且可以十分有效地处理常规方法难以解决的问题。利用人工神经网络理论对深基坑支护结构的变形量进行分析和预测,能够建立预测支护结构最大变形量的网络预测模型,表明神经网络系统有很高的预测精度,可应用于实际工程[4]

。

1神经网络预测深基坑变形的优缺点

1.1神经网络简介

人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型[5]

。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。神经网络是采用物理可实现的器件或通过计算机来模拟人脑中神经网络的某些结构和功能，并反过来应用于工程及其他领域。 1.2神经网络的优点

神经网络由大量且简单的处理单元（神经元）广泛地相互连接形成复杂系统，具有很强的容错能力和学习能力。不需要任何数学模型，只依靠以往的经验

来学习，其本身具有的自适应性，非线性和容错性等特点非常适合于处理模糊的，非线性的，含有噪声的数据。此外，人工神经网络具有很强的非线性映射能力和高度的容错性,模糊系统适合于表达处理那些模糊信息或不确定的知识,其推理方式较类似于人类的思维方式,是处理不确定性、非线性和其它不确定问题的有利工具。人工神经网络近几十年在土木工程领域内得到大力研究并取得重要进展, 已有大量的工程实例, 取得了广泛的应用成果。可用于预测、分类、模式识别、非线性回归和过程控制等各种数据处理的场合。且在大多情况下，其应用效果极大优于传统的数据处理方法。目前应用较多的是BP网络。

BP网络是通过将网络输出误差反馈回传(Back Propagation)对网络连接权进行修正以实现网络的映射功能。一个隐层的3层BP网络可以有效地逼近任意连续函数，这个3层BP网络包括输入层，隐层和输出层[6]

。应用神经网络解决具体问题，包括四个基本步骤：

(1)分析具体问题以确定合适的网络结构；

(2)收集整理训练和测试样本；

(3)将训练样本输入网络进行训练，并用测试样本检验网络性能；

(4)将训练好的网络提供给用户用以解决实际问题。

在神经网络这种预测方法的研究领域，国内众多学者已经取得了不错的成绩。王旭东等以BP神经网络为基础，建立深基坑支护结构最大侧向位移的预测模型；袁金荣等利用BP神经网络建立了基坑沉降时间序列预测的神经网络模型；张小凌利用神经网络建立了深基坑沉降的预报模型，拟合监测时间和监测位移的关系曲线，在利用实测数据进行网络训练的基础上，对沉降位移进行预测，结果表明预测值与实测值吻合较好，显示出该方法在基坑沉降预测的有效性[7]

。

1.3神经网络的不足

神经网络的不足首先在于，在利用神经网络进行预报时，网络的学习训练对预报效果很关键，训练次数的多少直接影响工作的效率。训练次数多，预报精度就越高，相应所需要的时间就越长，致使工作效率变低；反之则会精度低，时间短，效率高。其次，神经网络模型一般需要大量的数据样本，如果数据量较少，就会出现预测值与实测值相差较大的状况，而增加样本数据量必然使得工作量增加。一般在基坑施工的前期样本少，使得网络预测的精度也降低。

2研究现状

2.1神经网络在基坑支护变形中

的应用

2001年，华瑞平等人利用人工神经网络理论对城市深基坑支护结构的变形量进行分析和预测，建立了预测支护结构的最大变形量网络预测模型，预测结果表明，该网络系统有很高的预测精度，可应用于实际工程

[8]

。

2002年，袁金荣等人利用

神经网络(ANN)和模糊控制(FC)理论，采用预测控制的思想，建立了一套集基坑施工变形预测和控制于一体的智能化施工控制系统，该系统由神经网络预测器和模糊控制器组成。神经网络预测器对基坑变形进行连续滚动的多步预测，模糊控制器根据预测结果对施工参数进行决策控制。在MATLAB 软件的支持下，研制了相应的基坑变形控制软件系统[9]

。结果表明：该智能控制系统对深基坑的安全施工过程具有较好的控制效果，真正做到了施工过程的实时、动态和智能化控制。软件系统操作界面简单、直观，便于实际工程应用。

2002年，王旭东等人以BP人工神经网络为基础, 利用其强大的非线性映射能力, 建立深基坑支护结构最大侧向位移的预测模型

[10]

。在利用实测数据

进行网络训练的基础上,对悬臂支护结构最大侧向位移进行预测, 结果表明预测值与实测值

吻合较好,显示了该方法进行深基坑变形预测的有效性。

2005年，吴贤国等人指出由于土体固有性质的复杂性和不确定性,深基坑支护变形与其影响因素之间的关系是极为复杂的非线性关系

[11]

。将神经网络和模糊系统相结合,采用模糊神经网络对深基坑支护变形进行预测,计算实例表明该方法具有较高的预测精度。

2.2神经网络在深基坑变形预测中的应用

2004年,刘勇健等人根据深基坑变形的基本特征，运用遗传-神经网络建立了深基坑变形的实时预报模型，并对刘屋洲泵站深基坑变形进行了建模预报，预报值与实测值基本吻合，预测精度高，证明该方法用于深基坑变形实时预报的有效性和实用性

[12]

。

2005年,陶津提出了深基坑

变形预测的神经网络法,详细介绍了该方法的建模过程,并用MATLAB语言加以实现,最后用实例论证了神经网络方法用于基坑工程变形预测的可靠性和实用性

[13]

。

2008年，程楠提出位移监测预报在深基坑工程信息化设计与施工中具有非常重要的意义。针对深基坑工程变形监测预报问题,将人工神经网络理论应用于深基坑工程的变形预测,建立了深基坑工程变形预报的改

进人工神经网络模型, 并编制了基于MATLAB的预报程序。最后以上海某深基坑工程为例,进行了深基坑开挖引起的地表沉降预测, 预测结果表明,该方法具有较高的预测精度

[14]

。

2008年，贺志勇结合某深基坑工程,以桩体水平位移实际监测数据为样本,建立BP神经网络时间窗口预测模型,采用Matlab平台编写程序,采用Sim函数对网络进行仿真,采用Plot函数进行仿真误差分析,预测围护结构桩体的水平位移.结果表明,预测值同监测值、设计计算值吻合,表明了该预测方法的可行性

[15]

.

2010年，郑知斌根据基坑变形影响到自身安全及周边建(构)筑物的安全, 通过神经网络分析预判基坑变形和预警方法的应用, 提供一种新的风险控制措施。 神经网络可以有效地进行基坑变形预测, 起到预判基坑变形稳定性的作用；本工程把时间序列作为输入层的预测结果更接近于实测值,说明把时间序列作为输入层元素更能体现出基坑围护结构变形与时间的内在非线性关系；从实际施工来看施工工序的转变, 基坑围护结构的变形实测值出现突变,神经网络预测结果误差偏大, 这可能与神经网络样本少而导致训练效果不佳有关

[16]

。

2010年，陈尚荣等人提出

了基坑变形预测与分析的BP神经网络方法,建立了基坑变形预测分析的模型,应用MATLAB语言编制计算程序进行计算并与实际工程监测值进行比较,从而验证了神经网络在基坑变形预测分析中的可行性、有效性

[17]

。

2011年，徐进等人利用人工神经网络具有极强的非线性映射能力，利用神经网络的特性，建立基于神经网络的盾构机掘进隧道地表沉降预测模型，并选取实际的工程数据作为学习训练和预测样本，利用该模型进行学习和预测 研究结果表 明，在盾构机掘进隧道地表沉降预测问题上，该方法具有很好的适应性和较高的精度

[18]

。

2011年，李水兵等人建立深基坑变形监测数据处理的BP神经网络模型,采用双曲正切S形函数进行输入和输出层传递,选择批处理梯度下降法训练前向网络,并采用附加动量法和学习速率自适应调整进行改进,运用Matlab建立BP神经网络模型。预测结果表明,改进的BP神经网络模型预测精度更高,提高了学习速度并增加了算法的可靠性

[19]

。

3结论及展望

3.1结论

前人将人工神经网方法引入深基坑变形的预测问题,他们的研究结果表明:利用大量的深

基坑工程现场实测资料,采用BP人工神经网方法可以较为准确地预测深基坑变形量,预测值与实测值吻合较好, 具有较高的可信度

[20]

。影响深基坑变形的因

素具有复杂性和多变性,采用人工神经网以根据需要充分考虑各因素的影响, 提高预测的准确度。对于基坑变形等岩土工程问题,采用人工神经网进行预测分析时,随着训练数据量的增加,在一定范围内求解精度也将随之提高

[21]

。特别适用于已积累大

量基坑工程实测资料的地区建立预测模型,对实际工程有一定的指导意义。 3.2前景

人工神经网络具有良好的非线性映射能力。在考虑的影响因素较多时, 它比其它方法如线性相关法、经验公式法等具有较大的优越性。它通过优化运行策略的自学习, 自动识别因变量和自变量之间复杂的非线性关系, 全面综合地考虑各因素之间的相互影响, 对解决岩土工程领域中的非线性问题具有良好的应用前景。

（1）利用神经网络对实际工程进行预测时,只需监测人员将当天的实测位移输入网络,结合前几天输入计算机的数据,即可对第二天的桩的位移进行预测, 并根据预测结果采取相应措施,因此,利用BP网络对支护结构位移的动态预测有很好的

实用价值。

（2）对于深基坑问题,若要获得较为准确的结果,必须有大量的实测数据,随着训练数据量的增加,求解精度也随之提高,采用的训练样本包括了自基坑开始施工到开挖到第二道锚杆位置处的位移监测数据,这样学习出来的网络,对各个工况具有很好的适应性,预测精度足够高。

（3）对于其它的变形预测可以根据需要相应地改变神经网络模型的输入参数或数据样本, 因此前人提出的神经网络预测模型可应用于变形预测的各个方面。

参考文献

[1] Peck R B. Deep excavation and tunneling

in

soft

ground.

In

Proceedings of the 7th International Conference on Soil Mechanics and Foundation Engineering [C] State-o-f the-Art-Volume, Mexico City, 1969: 225-290.

[2] Rourke T D. G round movements caused by braced excavation [J]. Journal

of

the

Geotechnical

Engineering Division, ASCE1981, 107 (9): 1159-1178. [3]Clough W,

Rourke

T

D.

Construction induced movements of

insitu-walls. Proceedings, ASCE

Conference on Design and Performance

of

Earth

Retaining Structures, Geo-technical

Special

Publication,

ASCE, New York, 1990, 25: 439-470. [4]Long M. Database for retaining wall and ground movements due to deep excavation [J]. Journal of Geotechnical and Geo-environmental Engineering, ASCE, 2001, 127 (33): 203-224. [5]NeaupaneKM, AdhikariNR. Prediction of Tunneling Induced Ground

Movement

with

the

http://yer.Perception [J] Tunneling and Underground Space Technology, 2006, 21: 151-159.

[6]Benardos A G, Kaliampakos D C. Modeling TBM Performance with Artificial

Neural

Networks[

J].

Tunneling an Underground Space Technology, 2004, 19: 597-605. [7]Ghaboussi J, Sidarta D.New method ofmaterialmodeling using neural network

[R].

Montrea:l

Proc

Numogv,1997:393-400.

[8]JaehoLee, Kamalarasa Sanmugarasa, Michael Blumen-stein. Improving the reliability of

a

bridge managementsystem(BMS) using an

ANN-based

backward

prediction

model(BPM)[J].Automation in

Construction,2008,17(6): 758-772. [9]Bao Hongjun, Li Zhijia. Rainfal-l runoff Simulation with Artificial Neural Network [J].The 1st Nternational Conference

of

Modeling

and

Simulation, 2008,1(1):143-149. [10]陶津,刘燕,贺可强.神经网络在深基坑变形预测中的应用研究[J].青岛理工大学学报,2006, 26(6): 39-42.

[11]袁金荣,池蔚,刘学增.深基坑墙体位移的神经网络动态预测[J].同济大学学报, 2000,28(3): 282- 286. [12]高浪,谢康和.基于人工神经网络理论的深基坑土钉墙变形预测[J].岩

石力学与工程学报 2001,21(1): 1107-1110.

[13]潘洪科,饶运章.神经元网络在基坑工程变形预报中的应用研究[J]. 南方冶金学院学报, 2000, 21( 4): 239-243.

[14]王锦山.基于神经网络深基坑桩排支护设计及地表沉降研究[J].沈阳工业大学学报,2001,23(1): 79-82. [15]周文献,李明利, 孙立军.基于改进神经网络的水泥路面使用性能预测模型[J]. 同济大学学报, 2006, 34( 9): 191-195.

[16]徐建新,张亮, 丘林,等. 用改进的BP算法预报灌区地下水位[J]. 华北水利水电学院学报, 2003, 24(1): 1-4.

[17]孙海涛,吴限.深基坑工程变形预报神经网络法的初步研究[J].岩土力学, 1998,19(4): 63-68.

[18]崔江余,梁仁旺.建筑基坑工程设计计算与施工[M].北京:中国建筑工业出版社,1999

[19]林鸣,徐伟.深基坑工程信息化施工技术[M].北京:中国建筑工业出版社,2006

[20]刘勇健,李彰明,张建龙等.基于

遗传-神经网络的深基坑变形实时预报方法研究[J].岩石力学与工程学报,2004,23(6):1010-1014 [21]李爱荣,王增道.人工神经网络技术在深基坑信息化施工中的应用[J].建筑技术,2005,36(12):891-893 [22]高隽.人工神经网络原理及仿真实例[M].第二版.北京:机械工业出版社,2007

[23]周开利,康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出版社,2005

[24]袁金荣,赵福勇.基坑变形预测的时间序列分析[J].土木工程学报,2001, 34(6): 55-59.

[25]潘健,刘利艳,林慧常.基于BP神经网络的砂土液化影响因素的综合评估[J].华南理工大学学报:自然科学板, 2006, 34(11):76-80. [26]王宁,黄铭.开挖作用下的深基坑变形神经网络监测模型[J].上海交通大学学报,2009,43(6):990-993. [27]王玉雯,陈颖辉,师庭飞.改进的BP网络在深基坑变形预报中的应用[J].科学技术与工程,2010,10 (15):792-794.