基于BP神经网络基坑支护结构变形预测研究

合集下载

基于AFSA—BP神经网络的基坑变形预测模型研究

的要求，对于下一步施工具有良好的指导作用，所以ＡＦＳＡ－ＢＰ模型是一种有效的基坑变形预测模型。
关键词基坑变形预测；ＢＰ神经网络；ＡＦＳＡ－ＢＰ神经网络
中图分类号ＴＰ３０１ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ１６７２ — ９７２２．２０１３．１２．００７
ｐｒｏｖｅｄｍｏｄｅｌｉｓｕｓｅｄｔｏｐｒｅｄｉｃｔｄｅｆｏｍａｒｔｉｏｎ．Ｂｙｃｏｍｐａｒｉｎｇｔｈｅｐｒｅｄｉｃｔｅｄｖａｌｕｅｓａｎｄｔｈｅｍｅａｓｕｒｅｄｖａｌｕｅｓ，ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔＡＦＳＡ－ＢＰｍｏｄｅｌｐｒｅｄｉｃｔｉｏｎｉｓｍｏｒｅａｃｃｕｒａｔｅｔｈａｎＢＰｍｏｄｅｌ，ｍｅａｎｗｈｉｌｅ，ｔｈｅｍｏｄｅｌｗｈｉｃｈｐｒｅｄｉｃｔｓｓｔａｂｌｅ，ｆａｓｔａｎｄｐｒｅｄｉｃｔｅｄｅｒｒｏｒｃａｎｍｅｅｔｅｎｇｉｎｅｅｒｉｎｇｎｅｅｄｈａｓｇｏｏｄｇｕｉｄａｎｃｅｆｏｒｔｈｅｎｅｘｔｓｔｅｐ，ｓｏＡＦＳＡ－ＢＰｍｏｄｅｌｉｓａｎｅｆｆｅｃｔｉｖｅｄｅｆｏｒｍａｔｉｏ பைடு நூலகம் ｐｒｅｄｉｃｔｉｏｎｍｏｄｅ１．ＫｅｙＷｏｒｄｓｄｅｆｏｒｍａｔｉｏｎｐｒｅｄｉｃｔｉｏｎ，ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ，ＡＦＳＡ－ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ

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

第筠卷第ｌＯ蟆２００８年ｌＯ嚣
肇南理工大学学掇（盎然耪学版）
ＪｏｕｒｎａｌｏｆＳｏｕｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ
（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）
Ｏｃｔｏｂｅｒ蝴Ｖｄ。３６Ｎｏ。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

王旭东，赵建平，余闯，杨晓东
（京工业大学土木工程学院，苏南京２００）南江１０９
摘
要：以ＢＰ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
ＢＰ网络是通过将网络输出误差反馈回传（ａｋＢｃ
Ｐｏａａｏ）对网络连接权进行修正，而实现网ｒｐｇｔｎ来ｉ从
络的映射功能。９９年，ｏｅｔｃｔＮｅｏ１８ＲｂｒＨｅｈ— ｉｌｎ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：０２０ — １２０ — ７０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。ＢＰ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８３６ｍ，６１×１开挖深度２．３１０４。围护结构为地下连续墙，墙体深为
部分地面沉降观测点，ＩＳＯ距西侧墙体２ｍ，１Ｓ１距西侧墙体５ｍ，Ｓ２距西侧墙体８ｍ，３１￥２距东侧墙体３Ｉ，２Ｉ３和￥５分别位于基Ｔ￥２
坑南墙体外１３１ｌ￥７位于￥５以南６ｉ。０１和６ｎ，２１２ｎ处
１３．５
２．Ｏ５３．４６
１１ ቤተ መጻሕፍቲ ባይዱ．１
１２．１１３．１
１７０４
ｌ４３５１０３．９
１２７
１２．８１２．９
３．４４９
３７．０９３７１１
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
６９８６６２６ｏ．９４２．１
６．６７
日期／．日月
１２．２１２．３１２．４１２５

基于BP神经网络的深基坑变形预报研究

基于BP神经网络的深基坑变形预报研究本文在综述了深基坑变形监测数据处理研究现状的基础上，提出了采用神经网络算法进行数据分析和预报。

文中详细介绍了神经网络算法，并重点阐述了BP神经网络算法的原理。

针对传统BP神经网络算法存在的缺陷，通过对初始权值选取进行了改正，并将小波基函数作为改进算法的激活函数，这样有效的避免了神经网络陷入局部过小。

最后，确认预测结果更加精确。

标签：深基坑变形预报BP神经网络0引言深基坑变形监测作为变形监测中十分重要的内容，其技术和方法也在随着科技的发展而发生积极的变化。

科学、准确、及时地分析和预报工程及工程建筑物的变形情况，对工程建筑物的施工和运营管理极为重要，变形监测工作的意义重点表现在两方面：首先是实用上的意义，主要是掌握各种建筑物和地质构造的稳定性，为安全性诊断提供必要的信息以便发现问题并采取措施：其次是科学上的意义，包括更好地理解变形的机理，验证有关工程设计的理论和地壳运动的假说，进行反馈设计以及建立有效的变形预报模型[1]。

本文主要阐述了如何将BP神经网络应用于基坑变形监测的数据处理，预测未来变形值，并结合工程实例改进优化算法。

1神经网络算法神经网络又称为人工神经网络，它是人类在充分认识人脑的结构和功能的基础上，对人脑的神经网络系统进行模拟的一种计算网络[2]。

神经网络在两个方面与人脑相似：神经网络获取的知识是从外界环境中学习得来的；互连神经元的连接强度，即连接权值，用于储存获取的知识。

BP网络学习算法探索人类认知的微结构后提出来的，其网络结构如图1所示。

网络除输入层、输出层外，还有一层或多层隐含层。

对于输入信号，要先向前传播到隐节点，经过激活函数后，再把隐节点的输出信息传播到输出节点，最后输出结果。

节点的激活函数通常都选取标准的Sigmoid型函数。

BP算法的学习过程由正向和反向传播两部分组成[3]：第一阶段（正向传播过程）：给出输入信息通过输入层经隐含层逐层处理并计算每个单元的实际输出值。

基于BP神经网络的深基坑围护变形预测

基于BP神经网络的深基坑围护变形预测孟凡丽;郑棋;李燕;卢成原【摘要】根据工程经验较全面地分析和总结了影响深基坑围护变形的主要因素,采用层次分析法建立了深基坑围护变形的评价指标体系,并列出评价体系的量化标准.选取杭州市钱江新城区域某深基坑工程作为实例,利用工程数据对建立的模型进行训练与验证,最终确定了48个网络模型以预测不同深度下围护结构深层土体的水平位移.最后,在另一深基坑工程中两个测斜孔不同工况下,利用建立的BP神经网络模型分别预测深基坑围护产生的深层土体水平位移,为工程安全建设提供依据.【期刊名称】《浙江工业大学学报》【年(卷),期】2014(042)004【总页数】6页(P367-372)【关键词】BP神经网络;层次分析法;变形预测;Matlab仿真【作者】孟凡丽;郑棋;李燕;卢成原【作者单位】浙江工业大学建筑工程学院,浙江杭州310014;浙江工业大学建筑工程学院,浙江杭州310014;浙江工业大学建筑工程学院,浙江杭州310014;浙江工业大学建筑工程学院,浙江杭州310014【正文语种】中文【中图分类】TU443在地下深基坑工程施工中，受施工条件、荷载条件、水文条件、工程地质条件和其他周围环境因素的影响，基坑变形已经成为一个随机、模糊、复杂的工程问题.如果在基坑开挖与基础施工的过程中，支护结构受到破坏，则将带来十分严重的后果.因此，监测工作在基坑工程施工过程中是非常重要的.在基坑开挖过程当中，基坑围护的变形量不但可以很直观地反映出土体与支护结构之间的相互作用，也可及时发现各种突发工程事故的先兆.若利用一定的工程监控方法对基坑围护的变形量进行事先预测，那么，对地下深基坑安全施工的保证将带来十分重要的实际意义.因此，以围护结构的变形量为控制措施的设计方法已越来越受人们的重视.而BP神经网络是一个非线性的自适应动态系统，并且具备并行处理多而复杂数据的能力、自适应强等多个特点，国内外已有众多学者用其进行深基坑围护变形预测及其他土木工程领域的研究[1-9].笔者就是在此背景下进行了关于BP神经网络对基坑围护变形的研究.1 建立评价指标体系1.1 影响因素分析影响深基坑围护变形的因素多而复杂，不同因素对深基坑围护变形的影响程度和影响方式都不相同，具体表现在不同区域、不同土质和不同工况下围护结构的变形都不尽相同.笔者结合工程实际总结了影响深基坑围护变形的7个方面因素，每个方面又可细分为若干个子影响因素，如图1所示.图1 深基坑围护变形的层次结构模型Fig.1 Gradation structure model of the deep foundation pit1.2 权重值的计算采用层次分析法(AHP)[10]计算各个层次结构模型中的权重值，主要计算过程大体可分为以下两个步骤：1) 确定判断矩阵，进行单排序向量及一致性检验.采用1—9标度来构造各层的判断矩阵，运用求合计算，计算结果见表1—7.表1 A-B判断矩阵与一致性检验1)Table 1 Judge array of A-B and uniformity examineAB1B2B3B4B5B6B7WB1111/222340.185 8B2111/222340.1858B322133450.304 7B41/21/21/311230.107 9B51/21/21/311230.1079B61/31/31/41/21/2120.065 2B71/41/41/51/31/31/210.042 7注:1)λmax=7.078 9, CI=0.013 16, RI=1.32, CR=0.01<0.1.表2 B1-C判断矩阵与一致性检验1)Table 2 Judge array of B1-C and uniformity examineB1C11C12W1C11120.666 7C121/210.333 3注:1)λmax=2, CI=0, RI=0, CR=0,完全一致.表3 B2-C判断矩阵与一致性检验1)Table 3 Judge array of B2-C and uniformity examineB2C21C22C23C24W2C21121/21/20.1819C221/211/41/40.090 9C2324110.363 6C2424110.363 6注:1) λmax=4, CI=0, RI=0.90, CR=0,完全一致.表4 B3-C判断矩阵与一致性检验1)Table 4 Judge array of B3-C and uniformity examineB3C31C32C33W3C311230.539 0C321/2120.2972C331/31/210.163 8注:1) λmax=3.009 2, CI=0.004 6, RI=0.58,CR=0.008<0.1.表5 B4-C判断矩阵与一致性检验1)Table 5 Judge array of B4-C and uniformity examineB4C41C42C43C44W4C4112340.465 8C421/21230.2772C431/31/2120.161 0C441/41/31/210.096 0注:1) λmax=4.031 1, CI=0.010 4, RI=0.90, CR=0.011 5<0.1.表6 B6-C判断矩阵与一致性检验1)Table 6 Judge array of B6-C and uniformity examineB6C61C62W6C61130.75C621/310.25注:1) λmax=2,CI=0, RI=0, CR=0,完全一致.表7 B7-C判断矩阵与一致性检验1)Table 7 Judge array of B7-C anduniformity examineB7C71C72C73W7C711230.539 0C721/2120.2972C731/31/210.163 8注:1) λmax=3.009 2, CI=0.004 6, RI=0.58,CR=0.008<0.1.2) 对目标层的总排序和总的一致性检验.目标层的权重值计算及层次总排序一致性检验过程，如表8所示.1.3 建立评价指标体系取权重值大于0.015的影响因素作为深基坑围护变形的主要影响因素，去除不满足要求的施工质量、周边动载、道路管线3个因素，则剩下16个影响因素作为层次结构模型中的主要指标因素。

深基坑变形的优化神经网络预测分析

深基坑变形的优化神经网络预测分析深基坑变形的优化神经网络预测分析引言：随着城市化进程的加速，高层建筑和地下工程的建设需求不断增加，而深基坑作为地下工程的重要组成部分，承担着支撑建筑物和周边地质环境的重要任务。

然而，深基坑施工过程中的变形问题却给工程安全带来了许多挑战，因此，准确预测深基坑变形成为了提高工程质量和安全性的重要手段。

本文旨在探讨利用优化神经网络进行深基坑变形预测分析的方法。

1. 深基坑的变形机理深基坑在施工过程中所受到的力学和地质环境的影响是造成其变形的原因。

深基坑的变形机理主要包括土体的强度和刚度特性、地下水位的变化、周边建筑物的荷载以及地下构造的影响等。

理解深基坑变形机理对于建立准确的预测模型至关重要。

2. 神经网络在深基坑变形分析中的应用神经网络作为一种模拟人脑神经系统工作方式的模型，在深基坑变形预测分析中具有广泛的应用价值。

通过巨量的输入数据和大量的隐含层节点，神经网络能够学习和发现隐藏在输入数据中的模式和关联性，并能够实现非线性映射关系的拟合。

因此，利用神经网络建立深基坑变形预测模型可以更准确地预测基坑的变形情况。

3. 优化神经网络方法为了进一步提高深基坑变形预测的准确性，研究学者开始应用优化算法来优化神经网络的结构和参数。

目前，常用的优化算法包括遗传算法、粒子群算法、模拟退火算法等。

这些算法可以通过调整神经网络的连接权重、节点数目和隐藏层的大小等参数，帮助神经网络更好地拟合深基坑变形数据，并提高预测的准确性。

4. 优化神经网络预测分析的实例研究为了验证优化神经网络在深基坑变形预测分析中的有效性，我们选择了某个城市正在施工的一个深基坑工程进行了案例研究。

首先，收集了大量的施工过程监测数据，包括地表沉降、深层水平位移和周边建筑物的变形等。

然后，根据收集到的数据，建立了优化神经网络模型，并利用优化算法对其进行了训练。

最后，利用训练得到的模型对深基坑的变形进行了预测分析，并与实际监测数据进行了对比。

基于BP神经网络的基坑变形预测

基于BP神经网络的基坑变形预测
曹正
【期刊名称】《公路交通科技·应用技术版》
【年(卷),期】2014(010)006
【摘要】基坑工程施工中,需要根据现场实际情况、周围环境、建筑安全等级等对变形进行严格控制.通过对基坑实测变形数据进行整理和分析,对未来变形量作出预测,保证基坑安全.结合BP神经网络的高度非线性映射能力,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.在基坑开挖过程中,采取滚动预测的方法,不断利用前期已有实测数据建模预测后期变形量,以实现信息化施工和动态控制.实例分析表明,BP神经网络模型具有较高的预测精度,并能获得满意的预测结果.
【总页数】4页(P43-46)
【作者】曹正
【作者单位】云南省交通规划设计研究院,云南昆明650031
【正文语种】中文
【中图分类】U416.1
【相关文献】
1.基于BP神经网络的深基坑围护变形预测分析
2.基于优化支持向量机-混沌BP神经网络的基坑变形预测研究
3.基于BP神经网络模型的大型深基坑变形量预测
4.基于BP神经网络的膨胀土地区深基坑变形预测
5.基于GA_BP神经网络的地铁车站深基坑变形预测研究
因版权原因，仅展示原文概要，查看原文内容请购买。

深基坑支护结构变形预测的神经网络方法

利用人工神经网络方法（ｒｆｉｌｕａＮｔｒｓＡｔｃＮｅｒｌｅｗｏｋ，ｉａｉ
ｅｇｎｅｎ，ｕａｎｖｒｉ，ｈ３０２ＣｉａｎｉｅｒｇＷｈｕｉｅｓｔＷｕａ４０７，ｈ）ｉｎｙｎｎ
［ｓｒｃ］ｍｉｇａｅｉｏｔｎｅｏｅｒｔｎｃｎｏＡｂｔｔＡｉｎｔｈａｔｍｐｒｃｆｆｍａｉｏｔｌｎａｄｏｏｒｉ
ｓｌｅｈｃｕｌｒｂｅｕｃｓｆｌ．ｏｖｅｆｔａｏｌｍｓｃｅｓｕｌｔａｐｓｙ
缩写ＡＮ）强大的非线性大规模并行处理能力对Ｎ深基坑支护结构的变形进行动态的ＡＮ预测，Ｎ不同于一般采用的单测点预测模型，本文提出同时考虑不同测点的观测值的ＡＮ预测模型，Ｎ以提高
■ 张海涛 ’何亚伯１江汉大学建筑工程系，，（．武汉４０５；．３０６２武汉大学土建学院，武汉４０７）３０２
【要】摘针对深基坑支护结构变形控制的重要性，出了基提
态向被动和主动土压力状态转变，基坑开挖引起
ＺＨＡＮＧｉｔｏ，－ｏＨａ．ＨＥＹａｂａ
（、ｐｒｍｅｔｆｒｈｔｃｕａｇｎｅｎ，ｉｎｈｎＵｎｖｒｉ，１ＤｅａｔｎａｃｉｔｒｌｎｉｅｒｇＪａｇａｉｅｓｔｏｅｅｉｙＷｕａ３０６Ｃｈｎ；Ｓｈｏｆｉｄａｃｉｃｕａｈ４０５，ｉａ２．ｃｏｌｃ￣ｌｎｏｎａｈｔｔｒｌｒｅ

基于遗传算法优化BP神经网络的基坑变形研究

第19卷第4期中国水运Vol.19 No.4 2019年 4月 China Water Transport April 2019收稿日期：2019-03-05作者简介：颜恩锋（1975-），甘肃环县人，天津市市政工程设计研究院高级工程师，主要从事工程勘察、检测及监测工作。

基于遗传算法优化BP 神经网络的基坑变形研究颜恩锋（天津市市政工程设计研究院，天津 300051）摘要：随着我国经济建设的快速发展，大面积基坑施工工程越来越多。

基坑的变形会对周围的建筑物等造成危险，影响施工的安全性，通过对基坑施工过程中的变形情况进行现场检测并建立预测模型预测基坑的变形趋势就显得尤为重要。

本文以天津文化中心交通枢纽工程的基坑变形监测数据为基础，利用遗传算法对经典的BP 神经网络进行优化，对基坑的变形进行预测。

结果显示，基于遗传算法优化后的GA-BP 网络输出的基坑变形预测结果较基本BP 网络更精确，同一时刻同一测点各深度处墙体变形预测误差在大多数情况下都有所降低。

关键词：遗传算法；GA-BP 神经网络；基坑工程；变形预测中图分类号：TU46 文献标识码：A 文章编号：1006-7973（2019）04-0072-03近十几年来，随着我国经济持续快速发展，城市化进程也不断加快，城市居民对建筑空间需求不断增长。

各类大规模的地下工程特别是深基坑的开挖和降水将对周边建筑物和道路的稳定性构成威胁。

因此有必要对基坑变形情况进行现场监测和提前预测，保证基坑施工的安全性[1-4]。

针对基坑变形的各种神经网络模型中，BP 神经网络结构简单，具有良好的非线性拟合能力和自学习能力，在工程上得到广泛的应用[5-7]。

但是在实践解决问题的过程中，BP 神经网络仍存在着各种缺陷，如收敛速度慢、可能出现局部极值等[8-9]。

因此本文尝试采用遗传算法改进BP 神经网络的网络结构，以天津文化中心交通枢纽工程建立模型，预测未来多天的基坑变形情况并进行对比分析，为基坑的施工提供准确的指导建议。

基于神经网络的基坑变形监测分析及应用

基于神经网络的基坑变形监测分析及应用随着城市建设的发展，基坑工程在城市建设中起着重要的作用。

然而，基坑变形问题一直是工程施工中关注的难点之一。

为了解决基坑变形监测与分析问题，神经网络作为一种人工智能技术，开始被广泛应用于基坑工程领域。

本文将探讨基于神经网络的基坑变形监测分析及其在工程实践中的应用。

一、神经网络的特点及优势神经网络是一种人工智能技术，其模仿人脑神经系统的结构和工作方式，具有以下特点和优势：1. 非线性映射能力：神经网络能够处理非线性问题，并具有强大的数据建模和学习能力。

2. 自适应性：神经网络能够自动调整权值和偏置，从而适应不同的输入数据。

3. 并行处理能力：神经网络可以同时进行多个输入的处理，加速计算速度，提高效率。

4. 容错性：神经网络具有一定的容错性，对于一些噪声和干扰具有一定的鲁棒性。

二、基坑变形监测方法1. 传统监测方法：传统的基坑变形监测方法主要包括测点法、测区法和测线法等。

这些方法需要固定测点并进行定期测量，然后通过计算分析来得到基坑变形情况。

然而，传统方法繁琐且易受人为误差和环境干扰影响。

2. 基于神经网络的监测方法：利用神经网络技术可以实现基坑变形的实时监测与分析。

通过部署传感器采集大量变形数据，结合神经网络的数据处理和模型建立能力，可以实现对基坑变形的精确监测和预测。

相较于传统方法，基于神经网络的方法更加准确、稳定且具有较高的自动化水平。

三、神经网络在基坑变形监测中的应用1. 变形预测：通过基坑施工前的数据采集和神经网络的训练，可以建立基坑变形的预测模型。

在施工过程中，结合实时监测数据，可以实时预测基坑变形趋势，并及时采取相应的措施，从而保障施工的安全与质量。

2. 异常监测与预警：基于神经网络的基坑变形监测系统可以实时监测基坑变形参数，并与预设的安全阈值进行比较，一旦发现异常情况，系统能够及时发出预警信息，提高基坑施工的安全管理能力。

3. 数据分析与优化设计：通过神经网络分析大量基坑变形数据，可以提取出变形规律和影响因素，为基坑设计和工程施工提供科学依据，优化设计方案，降低工程变形风险。

基于时间序列ACO-BP神经网络在基坑变形预测中的应用研究

０引言
蚁群算法解决优化问题的基本思路为：用蚂蚁
的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放较多的信息素，经过一定时间，信息素
近几年来，随着对ＢＰ神经网络技术的深入研究，发现ＢＰ神经网络算法存在一些问题，主要表现为¨ 。：①收敛速度慢、训练时间长。② 始权阈值对
题的最优解。蚁群算法具有以下特点：
解，很可能是一个局部最优解，当网络为复杂网络时，其误差函数曲面是多维空间的，所以在网络训练中可能会陷入小谷区，由谷点向任何方向变化其误差都会不断变大，使得训练陷入局部最优解，造
成预测不稳定且预测误差较大。
（１）蚁群算法采用正反馈机制，使得搜索过程不断收敛，最终逼近最优解；
（２）蚁群算法在搜索过程采用分布式的计算方式，多个个体同时并行计算，大大提高了算法的全局搜索能力和运行速率；
收稿日期：２０１４—０６—１７作者简介：杨爱婷（１９８８一），女，天津人。硕士研究生，研究方
向：地质工程。Ｅ－ｍａｉｌ：ｌｅｎｇｙａｎｇｇｕａｎｇ＠１６３．ｔｏｍ。
优化ＢＰ神经网络，对基坑变形进行预测，并与ＢＰ神经网络进行比较。结果表明：ＡＣＯ—ＢＰ神经网

基于BP神经网络及其改进算法的基坑变形预测研究

基于BP神经网络及其改进算法的基坑变形预测研究基于BP神经网络及其改进算法的基坑变形预测研究摘要：基坑变形对地下工程安全具有重要影响，为了准确预测基坑变形，本文基于BP神经网络及其改进算法进行了研究。

首先，利用传统的BP神经网络建立了基坑变形预测模型。

然后，针对传统BP神经网络的训练速度慢以及易陷入局部极小值的问题，提出了改进算法。

最后，通过仿真实验，对比了传统BP神经网络和改进算法的预测精度。

1.引言随着城市化进程的加快，地下空间的利用越来越广泛，基坑工程的数量也大幅增加。

然而，基坑变形是地下工程施工过程中面临的一个严重问题。

基坑变形不仅会导致周围建筑物的损坏，还会危及施工人员的生命安全。

因此，准确预测基坑变形对于地下工程的安全至关重要。

2.BP神经网络的原理BP神经网络是一种有监督学习的前馈式人工神经网络。

BP神经网络通过模仿人脑神经系统的工作原理，通过不断调整权值和偏置，从而达到学习的目的。

BP神经网络具有非线性映射能力和逼近任意函数的能力，因此被广泛应用于各个领域。

3.基坑变形的预测模型基于BP神经网络的基坑变形预测模型首先需要对输入层和输出层进行设计。

输入层可以选择与基坑变形相关的因素，如周围土体的参数、施工方式等。

输出层选择基坑变形的指标，如基坑边坡的位移、周边土体的沉降等。

然后选择适当的隐层神经元个数，搭建BP神经网络模型。

根据训练数据，通过不断调整BP神经网络的权值和偏置来达到预测基坑变形的目的。

4.BP神经网络的改进算法传统BP神经网络具有训练速度慢以及易陷入局部极小值的问题。

为了解决这些问题，本文提出了一种改进的BP神经网络算法。

在训练过程中，采用了动态调整学习率的方法，随着迭代次数的增加，逐渐减小学习率，从而加快了训练速度。

同时，引入了动量因子的概念，通过给权值增加一个动量来防止神经网络陷入局部极小值。

通过实验比较，证明了改进算法的有效性。

5.实验结果与分析本文通过对比传统BP神经网络和改进算法在基坑变形预测中的应用，发现改进算法具有更快的训练速度和更好的预测精度。

基于神经网络的基坑变形动态预测研究

Ｖ０１．１２Ｎｏ．１Ｆｅｂ．．２０１４
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７２—１１４４．２０１４．０１．０１３
基于神经网络的基坑变形动态预测研究
王颖，刘勇健，刘意美
第１２卷第１期
２０１４年２月
ＪｏｕｒｎａｌｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＡｒｃｈｉｔｅｃｔｕｒａｌＥｎ￣ｎｅｅｉｆｎｇ
水利与建筑工程学报
中图分类号：ＴＵ４７文献标识码：Ａ文章编号：１６７２一ｌ１４４（２０１４）０１ —００６２ —０５
ＲｅｓｅａｒｃｈｏｎＤｙｎａｍｉｃＰｒｅｄｉｃｔｉｏｎｏｆＦｏｕｎｄａｔｉｏｎＰｉｔＤｅｆｏｒｍａｔｉｏｎ
ｔａｂｌｉｓｈｅｄｂｙｇｅｎｅｒａｌｉｚｅｄｒｅｇｒｅｓｓｉｏｎｎｅｕｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｈｔｅｄｙｎａｍｉｃｐｒｅｄｉｃｔｉｏｎ ’ Ｓａｃｃｕｒａｃｙｉｓ
预测的精度明显高于多步预测模型；在变形数据随时问递增的情况下，ＢＰ神经网络比广义回归网络动态预测精度高，泛化能力强，平均预测误差约３．３％，能满足实际工程要求。