地铁车站基坑变形监测及预测模型分析研究

项 阳

（合肥市轨道交通集团有限公司，安徽 合肥 230000）

0.引言

近年来，随着社会经济的发展，科学技术水平的提高，更多先进的技术应用到现代城市的发展建设中，各大城市均着眼于地下空间的开发利用[1]，尤其是城市地铁建设，发展愈加迅猛。基坑工程作为地铁建设的基础性工作，施工安全性直接影响了地铁工程及周边环境的安全。因此，为了保证建筑物的安全，需要采用一定的监测方法对基坑进行安全监测，通过对基坑施工过程中的变形数据的实时获取及预处理，判断现阶段的基坑的安全状态[2]。同时以多期观测数据为基础，建立基坑变形趋势预测模型，对基坑变形趋势有一个较为准确地预测，合理地指导施工，确保基坑工程安全施工[3]。尤其是对于地铁车站基坑而言，普遍位于市区地段，周边建构筑物相对较为复杂，同时基坑开挖普遍较深，施工期间基坑自身的安全和周边环境的安全尤为重要，因此，需要对此类基坑进行重点监测。

地铁基坑监测时，应采用一些数学方法对后续基坑变形状态进行合理预测，以便提前采取相关措施规避风险。人工神经网络就是因为该模型与人类大脑神经细胞的结构和功能相似，并且是动态变化的，所以在对复杂性数据进行处理时，十分合适[4]。由于该模型根据训练样本进行训练，所以是目前预测较准确的模型，这也使得模型具有很大的不确定性，另外因为人工神经网络是一种内部不可见的操作系统，这使得无法直观看到内部输入对象之间变化关系，缺乏直观性。小波去噪可以有效降低原始数据中的异常值[5]，使得原始数据更为科学合理，从而提高预测模型精度。本文将结合小波去噪和BP神经网络实现变形监测数据分析和预测，并对预测结果进行精度分析。

1.地铁车站基坑沉降监测

某地铁车站基坑规模为485.9m×21.54m（不含结构内衬墙），站中心处顶板覆土约4.73m，车站中心底板埋深约25.288m。站中心轨面标高为-19.040m，为双柱三跨现浇钢砼箱形结构。工程建筑的基坑监测是利用高精度的测绘测量仪器进行长期多次重复观测的过程。具体的实施方法如下：使用高精度水准仪对基坑主体及周边建筑物进行沉降监测，首先需要在建筑物周围设置相应的基准点，在固定基准点测量各监测点的高程。根据工程的需要，共设置基坑主体周围观测点11个，外围水准基点3个，采用二等水准测量方法对监测点进行周期性监测，基坑开挖期间监测频率为一天一测，基坑开挖完成后至基坑主体结构施工期间监测频率为三天一测，汇总监测数据成果，作为原始监测数据，对其进行分析研究。

2.BP 神经网络

2.1 BP神经网络原理

BP（Back Propagation）神经网络是以误差值逆向传播修正权值的多次有限的迭代算法，达到训练标准的多层前馈神经网络，由三层构成输入层、隐含层和输出层构成（如图1所示）。BP神经网络的基本思想是利用梯度下降法快速分配误差，以达到网络的输出值与期望输出值差值满足精度需求。BP神经网络的算法分为信号的前向传播和误差的反向传播两个过程：

（1）信号的前向传播：样本数据经输入层按不同的权重传递到隐含层，由激活函数计算输出值，上层的输出值作为下层的输入值，以此计算类推，直到输出层；

（2）误差的反向传播：根据网络输出值与期望值的误差建立损失函数，求解误差梯度，修正每层的权重值。再按前向传播解算实际输出值，直到输出值及期望值满足停止准则，迭代计算终止，网络训练完成。

图1 BP神经网络模型图

2.2 BP神经网络具体算法实现

式（8）和式（9）中，η为学习效率；ek和ej表示期望输出和实际输出的差值。

（6）迭代结束判定

重复循环（4）—（6）步训练过程，直到满足精度要求或训练次数达到最大训练次数，循环终止即网络模型训练完成。BP神经网络流程（如图2所示）：

图2 BP神经网络流程图

3.小波－BP 神经网络设计

选取地铁车站基坑具有代表性的某个监测点进行分析研究，对该观测点进行了47期的观测，累计沉降量数据（如表1所示）：

表1 观测点累计沉降量数据表

3.1 数据预处理

采用小波去噪算法将原始数据进行预处理，去噪效果对比（如图3所示）。在实际测量数据中，由于测量误差或记录失误等原因造成数据出现异常时值（图3中虚线标记处），若采用原始数据进行网络模型训练难以达到预期精度，经小波去噪后的数据消除了异常值的影响，并将该数据作为后续的网络训练样本数据。

图3 小波去噪对比效果图

3.2 BP神经网络设计

本文采用一个隐含层进行BP神经网络设计，将1—40期数据作为网络训练数据，41—47期为测试数据；沉降数据具有明显的时间序列特征，在网络运行中采用滑动窗口的方式迭代前进，将每4期数据作为样本输入组，以下一期数据作为输出的目标数据，依次迭代，直至训练或预测完成终止，网络模型中输入输出模式（如表2所示），训练参数（如表3所示）：

表2% BP神经网络的训练过程输入输出模式

表3 训练参数表

3.3 模型精度评价方法

BP神经网络预测模型成果精度分析主要可分为三个方面，分别为平方和误差、均方误差以及平均绝对百分比误差，各自计算过程分别如式（10）、式（11）和式（12）所示：

4.实验效果展示及精度分析

针对小波去噪对神经网络训练效果及预测效果的影响问题，实验采用了经小波去噪和未经小波去噪的两种数据作为训练数据，对小波去燥效果进行分析研究。训练阶段的拟合趋势对比（如图4所示）、预测结果对比（如图5所示）、模型精度分析（如表4所示）：

图4 训练结果对比图

由图4分析可知：未去噪的BP神经网络拟合数据波动性较大，相比之下基于小波去噪的BP神经网络的拟合程度更高。

图5 预测结果对比（左）和预测误差对比（右）

表4 预测结果精度分析表

由图5可知：小波去噪前BP神经网络预测模型的各期预测成果均大于真实测值，而经小波去噪后，各期预测成果与真实测值较为贴近，沉降变形预测曲线基本与真实测值曲线相重合；通过对去噪前后预测成果的残差绝对值进行对比分析可知，经小波去噪后，BP神经网络预测模型的每一期预测成果，其预测误差均得到了较大程度改善，远小于去噪前预测误差。

由表4可知：在进行小波去噪前，BP神经网络模型的预测成果最大残差为-0.17mm，SSE数值为0.1325mm，MSE数值为0.0189mm，MAPE数值为0.78%；当采用小波去噪处理后，BP神经网络模型预测成果最大残差为-0.07mm，SSE数值为0.0105mm，MSE数值为0.0015mm，MAPE数值为0.19%，相较于小波去噪前，去噪后的预测成果精度得到了大幅度提升。小波去噪前后的BP神经网络预测模型最大残差均在0.2mm以内，预测成果准确度较高，满足工程应用要求；基于小波去噪BP神经网络模型，预测成果精度远高于未去噪的预测模型，数据波动较小，与实测结果的贴合度更高。

5.结束语

地铁基坑变形监测是地铁工程项目安全施工及周边环境安全的重要保障，对监测对象变形趋势的科学合理预测，有利于及时发现地铁基坑工程的潜在风险，做好规避工作。本文通过对BP神经网络预测模型和小波去噪进行详细阐述，对小波去噪前后的BP神经网络预测模型预测结果进行对比分析，验证了去噪前后的预测模型均满足工程需求，且小波去噪可以过滤测量数据中的异常值，去噪后的预测模型精度远高于去噪前预测模型，预测成果具有较高的稳定性，更贴近实测数据。