基于GA-BP模型的临近深基坑桥墩变形预测

李昂，王旭，杨姝，蒋代军

(兰州交通大学土木工程学院，甘肃兰州730070)

基于GA-BP模型的临近深基坑桥墩变形预测

李昂，王旭，杨姝，蒋代军

(兰州交通大学土木工程学院，甘肃兰州730070)

基于杭州某近接桥墩深基坑开挖工程，以实际监测数据为样本，分别运用灰色GM(1，1)模型和GA-BP模型对桥墩的水平位移和沉降进行预测，并与实测数据进行对比。结果表明:灰色GM(1，1)模型要求数据线性程度较高，不适合由近接施工引起的变形预测;GA-BP模型预测临近深基坑既有桥墩的变形，无论短期还是中长期，其预测结果都具有较高的精度，该模型适用性较好。

既有桥墩变形;深基坑;变形预测;GA-BP模型;灰色系统

临近深基坑的既有桥梁桩基受侧向土压力的作用，使其向土体开挖一侧偏移，从而导致桥墩的变形，若变形量过大，则严重威胁桥梁的使用安全。目前，国内一些学者对桥墩变形预测做了相关研究。杨吉新等［1］以哈大客运专线运粮河特大桥墩台沉降观测为背景，运用灰色系统的新陈代谢GM(1，1)模型来分析沉降量，掌握其变形规律;龚循强等［2］分别采用最小二乘法和稳健最小二乘法的自回归模型、自适应过滤法及灰色预测法对高铁桥墩沉降数据进行模拟与预测;刘娜［3］以混沌理论为基础，采用混沌时间序列预测方法对桥梁的沉降变形进行预测。但是，对桥墩水平位移的预测还比较少。由于影响桥墩变形的因素很多，各种因素的影响程度又很难用量化指标准确表达，使其较难用传统的数学方法建立输入输出关系［4］。临近深基坑既有桥墩的变形和基坑施工密切相关，而基坑施工本身是一个动态的过程，线性规律不强。BP神经网络具良好的泛化能力、模糊推论能力和非线性的特点［5-6］;遗传算法则通过选择更适应新环境的个体，不断进化，从而得到全局最优解。利用遗传算法优化BP神经网络，即GA-BP模型，能够解决BP神经网络易陷入局部最优的问题，在近接施工变形预测方面具有独特优势。

本文采用GA-BP神经网络预测的方法，对一临近深基坑既有桥墩水平位移及沉降进行预测，通过与灰色GM(1，1)模型预测结果及实测数据对比，得出GABP模型预测结果精度更高，适用性更好。

1　灰色模型

1.1灰色GM(1，1)模型理论

设非负原始序列X(0)

Z(1)为X(1)紧邻均值生成序列，表示为

GM(1，1)模型的基本形式为

式中:a为发展系数;b为灰色作用量。

故GM(1，1)模型的解为

再经过1次累减处理，则可以得到预测量:

1.2遗传算法优化BP神经网络

遗传算法(Genetic Algorithms)是1962年由美国Michigan大学Holland教授提出的一种将自然界“优胜劣汰，适者生存”的生物进化原理引入优化参数，形成编码串联群体的随机化搜索方法。首先选择适应度函数，再通过选择、交叉和变异操作对个体进行筛选，保留适应度好的个体，淘汰适应度差的个体。因此，新的群体既继承了上一代的信息又优于上一代，反复循环，直至满足条件［7］。

遗传算法优化BP神经网络的基本思想是对BP神经网络的初始权值和阈值进行优化，避免陷入局部最优［8］。它弥补了BP神经网络的收敛速度较慢以及出现局部极小值的不足［9］，从而建立合理的施工管理评价模型。

遗传算法优化BP神经网络的计算步骤如下:

1)种群初始化。采用实数编码，将权值、阈值构成1个实数串，随机产生N个个体，构成1个群体。

2)将训练好的BP神经网络的预测输出和期望输出之间的误差绝对值作为个体适应度。计算每个个体的适应度fi

式中:F为神经网络的适应度;n为网络输出节点数; yi为神经网络第i个节点的期望输出;Oi为第i个节点的预测输出;k为系数［10］。

3)选择优良的个体，使其有机会作为父代进行下一代繁衍，保证种群的多样性。每个个体选择的概率pi为

4)以概率pc对染色体间进行交叉操作得到新的个体

式中:fmax为种群中适应度最大的染色体;fm为某一染色体的适应度值;favg为群体的平均适应度值。

5)在种群中随机选择个体以概率pm进行变异，改变基因中某个数据的值，使其适应度值提高，开拓问题解的新空间。

6)若找到满意的个体或达到迭代次数则算法结束，否则返回步骤2)重新计算。

遗传算法将得到的最优值分解为初始权值和阈值赋给BP神经网络。

2　工程实例与预测数据分析

2.1工程概况

本工程场地位于浙江省杭州市萧山区，场地区域构造稳定，未发现活动构造等影响稳定性的不良地质作用和因素，除中部有淤泥质土分布外，未发现其他不良地质现象。场地地形较平坦，地层较均匀，稳定性较好。新建建筑物基坑呈长方形，东西向长70 m，南北向宽30 m，开挖深度达9 m，紧邻既有桥梁12#桥墩，高8.5 m，既有桥梁为萧山一公路高架桥。

2.2桥墩变形测量与数据分析

在观测之前，布设桥墩变形监测控制网，在施工扰动范围外浇筑2个观测墩作为工作基点，2个工作基点能够互相通视、互相校核坐标位置。为了提高观测精度，在观测墩上安装强制对中基座，消除仪器对中误差。在桥墩正面按倒直角三角形固定3个微型棱镜作为水平位移观测点(记为H1，H2，H3)，观测仪器为莱卡TS-15型全站仪;桥墩2个侧面各布设1个沉降观测点(记为V1，V2)，观测仪器为莱卡DNA03型高精度水准仪。桥墩变形观测点布置如图1所示。

图1　桥墩变形观测点布置

2015年10月1日进行了初读数测量，基坑开挖从10月2日起，桥墩变形监测频率为每日1次，桥墩水平位移量取3个测点的平均值，记为H;桥墩沉降量取2个测点的平均值，记为V。桥墩水平位移、沉降累计变化量见表1。由于监测前期基坑处于开挖阶段，桥墩变形速率波动较大，中期趋于稳定，因此本文选取第21～30 d的数据，分别利用灰色模型和GA-BP模型对后10 d桥墩变形量进行预测，并分析2种方法的预测结果。

2.3灰色模型预测

利用表1中数据建立GM(1，1)模型，得到水平位移H的时间响应式:x(1)(t)=64.84e0.04t－62.50，其中，a=－0.04，b=2.50。沉降量V的时间响应式:x(1)(t)=41.94e0.05t－40.20，其中a=－0.05，b=2.01。预测结果见表2、表3。

表1　桥墩水平位移、沉降累计变化量

表2　GM(1，1)模型对桥墩水平位移预测结果

表3　GM(1，1)模型对桥墩沉降预测结果

2.4GA-BP模型预测

2.4.1选取GA-BP模型训练样本

本文采用桥墩水平位移和沉降的实际监测数据作为模型的输入量。对桥墩变形进行监测时，应停止大型机械作业，避免打桩等因素对观测仪器的扰动，减少人为干扰因素，从而能够较好地反映其变形规律。

2.4.2建立GA-BP模型

利用Matlab7.0建立GA-BP神经网络模型，对未来的桥墩水平位移和沉降进行预测。首先寻找全局最优解，即合适的初始权值和阈值，然后对遗传算法搜索到的最优解进行训练。以30组实测数据作为样本，前20组用来训练BP神经网络，后10组用来验证BP神经网络。遗传算法参数设置:初始种群M=20，交叉概率pc=0.2，变异概率pm=0.1，迭代次数为50。BP神经网络中构建网络函数为newff，输入层节点n=9，输出层节点m=3，隐含层节点l=9。隐含层节点由l=确定，式中:r为1～10的常数。经过多次训练误差结果对比，r取5时结果误差最小。预测结果见表4、表5。

表4　GA-BP模型对桥墩水平位移预测结果

表5　GA-BP模型对桥墩沉降预测误差

通过对比灰色GM(1，1)模型和GA-BP模型预测结果可知，GA-BP模型预测精度高于灰色GM(1，1)模型。GM(1，1)模型要求数据呈指数分布，比较适合作短期预测［11］，但中长期预测误差较大。由于临近基坑既有桥墩变形受外界环境影响大，数据的线性规律不强，且基坑开挖完成前期，桥墩变形较剧烈，而后期趋于平缓，故灰色GM(1，1)模型不适合预测临近基坑既有桥墩的变形。由表4、表5可知，GA-BP模型对原始样本后10 d的短期预测误差较小。为了研究GA-BP模型对临近基坑既有桥墩变形的中长期预测精度，对41～80 d进行预测并与实测数据作对比，见图2。可知，GA-BP模型在中长期预测方面误差并没有明显增大，最大绝对误差为0.12 mm，最大相对误差为2.4%，对既有桥墩变形的中长期预测精度也比较高。

图2　桥墩位移预测值与实测值对比

3　结论

1)灰色GM(1，1)模型要求数据线性程度较高，不适合由近接施工引起的变形预测。

2)用遗传算法优化的神经网络，即GA-BP模型对临近深基坑的既有桥墩变形进行预测，无论短期还是中长期，预测结果都具有较高的精度。

3)GA-BP模型使遗传算法和神经网络2种算法实现优势互补，在近接施工变形预测方面具有较强的优势。

［1］杨吉新，朱伟伟，丁兰．哈大客运专线桥梁墩台沉降观测与预测［J］．铁道工程学报，2010(7):42-47．

［2］龚循强，熊小容，周秀芳．高铁桥墩沉降预测方法研究［J］．测绘通报，2014(4):48-50．

［3］刘娜．基于混沌时间序列的桥梁变形预测分析［D］．青岛:山东科技大学，2011．

［4］JAMALI A，GHAMATI M，AHMADI B，et al．Probability of Failure for Uncertain Control Systems Using Neural Networks and Multi-objective Uniform-diversity Genetic Algorithms［J］．Engineering Applications of Artificial Intelligence，2013，26 (2):714-723．

［5］李彦杰，薛亚东，岳磊，等．基于遗传算法-BP神经网络的深基坑变形预测［J］．地下空间与工程学报，2015，11(增2):141-149．

［6］曾晖，胡俊，鲍俊安．基于BP人工神经网络的基坑围护结构变形预测方法［J］．铁道建筑，2011(1):70-73．

［7］王小川，史峰，郁磊．MATLAB神经网络43个案例分析［M］．北京:北京航天航空大学出版社，2013．

［8］YANG Y，WANG G，YANG Y．Parameters Optim ization of Polygonal Fuzzy Neural Networks Based on GA-BP Hybrid Algorithm［J］．International Journal of Machine Learning and Cybernetics，2014，5(5):815-822．

［9］袁朋伟，宋守信，董晓庆．基于灰色神经网络优化组合模型的火灾预测研究［J］．中国安全生产科学技术，2014，10 (3):119-124．

［10］唐军，黄筱调，方成刚．基于遗传算法和BP神经网络的花盘结构优化设计［J］．机械设计与制造，2011(7):27-29．

［11］安永娥，鲍学英，王起才．基于无偏灰色Verhulst模型的铁路货运量预测研究［J］．铁道科学与工程学报，2016，13 (1):181-186．

(责任审编 郑冰)

Prediction of Deformation of Bridge Pier Nearby Deep Foundation Pit Based on GA-BP(Genetic A lgorithm-Back Propagation)M odel

LI Ang，WANG Xu，YANG Shu，JIANG Daijun
(School of Civil Engineering，Lanzhou Jiaotong University，Lanzhou Gansu 730070，China)

Based on a certain excavation engineering of deep foundation pit nearby the bridge pier，the actual monitoring data were taken as a sample，the horizontal displacement and settlement of the bridge pier were predicted by the grey GM(1，1)model and GA-BP model respectively，and com pared with the actual monitoring data．The results indicate that the grey GM(1，1)model requires a high degree of linearity of the data，which is not suitable for the deformation prediction caused by close-connected construction．The prediction by GA-BP model of the deformation of existing bridge pier nearby a deep foundation pit，no matter to the short or medium and long term，has a higher accuracy and stronger applicability．

Existing bridge pier deformation;Deep foundation pit;Deformation prediction;GA-BP model;Grey system

U446

A

10．3969/j．issn．1003-1995．2016．11．22

1003-1995(2016)11-0084-04

2016-06-07;

2016-09-08

中国中铁重点课题(302566);长江学者和创新团队发展计划(IRT1139);多年冻土地基桩土界面形成机制的理论与实验研究(51268033)

李昂(1990—)，男，硕士研究生。