基于BP神经网络的深基坑沉降预测

单 红 喜

(江苏省盐城市大丰区小海水利管理服务站，江苏 盐城 224100)

基于BP神经网络的深基坑沉降预测

单 红 喜

(江苏省盐城市大丰区小海水利管理服务站，江苏 盐城 224100)

为了分析深基坑的沉降规律，以某实际工程为例，利用BP神经网络对该工程的深基坑沉降数据进行拟合和预测分析，采用C语言编写程序进行预测。结果表明，利用BP神经网络方法的预测结果合理，误差在允许范围内，满足工程要求，并且对类似的工程施工具有指导作用。

深基坑沉降，神经网络，预测，C程序

1 概述

近年来，随着我国经济的高速发展，我国中高层和超高层建筑数量日益增长，这些高层建筑大都有地下室，基坑开挖较深，通常为6 m～15 m，更有个别已超过30 m。由于复杂的水文地质、施工条件和周边环境，基坑开挖过程中会遇到许多未知的变数，这使基坑开挖和支护工程具有投资多、难度大、风险大的特点[1]。然而我国关于深基坑开挖和支护的理论和技术还不成熟，仅仅依靠深基坑支护理论分析和经验分析不足以完成安全可靠的深基坑开挖和支护设计施工，因此，施工监测、变形控制以及沉降预测对完成深基坑施工工作就显得十分重要[2,3]。

本文结合某深基坑施工，采用C语言编写算法，建立神经网络预测模型，并与现场监测数据对比分析，预测变形发展过程，为深基坑的施工和设计提供依据和保障。

2 BP神经网络工作原理

学习算法是人工神经网络主要的特征之一[4]。关于各类学习算法的研究已有很多，误差修正法因其简便、快捷的算法特性，已广泛应用于许多行业[5]，本文也将采用此方法进行网络学习。

进行神经网络学习，首先要给定数据样本，在确定学习数据样本之后，随机设定网络权重和阈值。对于第i个神经元，xj为输入矢量的第j元素，那么其相应的权重值是wij。在训练过程中，wij需要进行动态调整：

wij(t+1)=wij(t)+a(di-yi)xj或

Δwij=wij(t+1)-wij(t)=a(di-yi)xj。

其中，a为调整步幅系数,a>0;di为期望输出;yi为实际输出。

对比预期结果与实际结果差值大小，调整wij的大小，反复调整，最后收敛，求出最合理的wij的值。

3 工程应用

3.1深基坑沉降预测的BP模型

基坑沉降涉及因素较多，无法用理论公式去表达沉降深度。而神经网络是一个模糊、灰色的计算过程，可以较好的预测基坑的沉降深度。本文通过对基坑开挖现场的调研，采用基坑长度、基坑开挖深度、内支撑个数、土体重度、土体内摩擦角、粘聚力六个指标，建立神经网络模型，预测基坑沉降情况[6]。

建立深基坑沉降预测模型通过以下几步得到:

1)收集各影响指标的实测数据和沉降实测数据组成样本，将实测数据x1,x2,…，xn分成m组，分为学习样本和预测样本，神经网络输入数据与期望输出结果形成输入模式对。

2)设置网络模型相关参数。

神经网络模型需要设置相关控制参数，如学习样本个数、预测样本个数、输入层神经元个数、输出层神经元个数、隐含层神经元个数等。

3)样本数据归一化处理。

为了消除不同指标之间的差异性，增强可比性，需要将数据样本进行标准化处理。处理公式为:

4)通过学习样本训练神经网络模型，将预测样本数据输入已经训练完毕的BP模型，并将预测数据还原，即可得到最终预测值。

3.2基于C语言编程的BP神经网络预测

由于已有的研究成果表明[7]，一个隐含层的BP神经网络，就能较好地解决非线性映射问题，因此，本文预测模型采用一个隐含层。

本文采用C语言编写深基坑沉降BP网络预测模型，分别选取基坑长度、基坑开挖深度、内支撑个数、土体重度、土体内摩擦角、粘聚力6个影响指标建立输入节点。选取某深基坑现场沉降实测的25组数据，前15组数据作为神经网络学习训练样本，见表1，对后10组数据进行预测对比分析。

表1 学习测点数据样本

输出节点1个，代表土体沉降量。隐层单元个数Hn仍未知，即6-Hn-1结构。一般采用公式：

L=(m+n)/2+c。

当网络训练结束之后，将C程序得到的预测值与实测值进行比较，来检验神经网络的性能，图1为C程序预测结果。

在神经网络对上述数据样本训练之后，对后10次的沉降值进行预测，在此处只给出预测值、实测值及相对误差，结果如图2，表2所示。

表2 基坑沉降预测结果对比表

由表2可见，模型的预测误差较小，相对误差绝对值在3%以内，对于深基坑的变形来说，这样的误差属于可接受范围之内，完全能够满足工程信息化施工及设计的要求，能够为工程设计施工提供技术支持。

4 结语

1)本文在综合考虑现场地质条件和施工条件之后，选取基坑长度、基坑开挖深度、内支撑个数、土体重度、土体内摩擦角、粘聚力6个影响指标建立BP神经网络模型，收集现场实测数据预测基坑沉降量，预测结果较为准确，具有较高的可信性。

2)本文的学习样本只有15组，不可能对后期所有沉降进行准确预测，提高学习样本数量，可提高神经网络预测的精确性。

3)本文采用C语言编程，开发深基坑沉降预测软件，预测结果较好，并且应用简单、高效，适用于现场使用，具有较高的应用价值。

4)对于许多岩土工程问题，如基坑沉降等，理论模型不能够很好的解决此类问题，而人工神经网络具有较好的非线性映射能力，能够全面地考虑各因素之间的相互关系，对解决岩土工程领域中的非线性问题有很好的应用前景。

[1] 黄宏伟,边亦海.深基坑工程施工中的风险管理[J].地下空间与工程学报,2005,1(4):611-614.

[2] 陈 龙,黄宏伟.岩石隧道工程风险浅析[J].岩石力学与工程学报,2005,24(1):110-115.

[3] 包小华,付艳斌,黄宏伟.深基坑开挖过程中的风险评估及案例分析[A].全国基坑工程研讨会[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.神经网络原理[M].第2版.北京：机械工业出版社,2006.

[6] 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.

[7] 石 云.BP神经网络的Matlab实现[J].湘南学院学报,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

单红喜(1965- )，男，工程师

TU433

A