基于GA_BP神經網絡的地鐵車站深基坑變形預測研究

（河南科技大學應用工程學院，河南 三門峽 472000）

0 引言

地鐵車站深基坑工程由于開挖工期長、施工難度大、地質條件和周邊環境復雜、施工過程中各種不確定的因素多等特點，致使地鐵車站深基坑工程施工具有很高的風險性，為了保證工程施工順利實施，開展變形監測和預測工作具有重要的意義。近年來，諸多學者運用時間序列、灰色系統、ARMA模型、BP 神經網絡等多種方法進行基坑監測數據的處理及預測。BP 神經網絡在非線性映射、自適應學習、輸入輸出靈活等方面具有優良性能，因而被廣泛應用于基坑變形預測。但通過研究發現，BP 神經網絡在應用過程中出現收斂速度慢、容易陷入局部極小值、隱含層神經元不確定等不足，而導致預測結果不理想。基于此，本文以鄭州市地鐵5 號線某車站深基坑變形監測實測數據為基礎，利用GA 遺傳算法在全局尋優上的強大搜索能力，優化BP神經網絡，避免預測過程陷入局部極小，通過工程實證分析，表明GA_BP組合預測模型能夠有效提高預測精度。

1 變形預測BP 神經網絡

1.1 變形預測BP 神經網絡模型簡介

變形預測BP 神經網絡是一種人工神經網絡的誤差逆向傳播訓練算法[1]，其學習過程由信號的正向傳播和誤差的反向傳播兩個過程構成，正向傳播時，在輸入層輸入樣本數據，經過隱含層處理后，傳向輸出層，若輸出層的實際輸出與變形監測實際值不符時，則轉向誤差反向傳播階段，將輸出誤差通過隱含層向輸入層傳播，并將誤差分攤給各層的神經元，獲取各層神經元的誤差信號，作為修正各個神經元權值的重要依據[2]。BP 神經網絡的拓撲結構如圖1所示。

圖1 BP 神經網絡拓撲結構圖

1.2 BP 神經網絡預測模型的缺陷

BP 神經網絡預測模型算法決定了誤差函數存在多個局部極小值，不同的網絡初始權值直接決定了BP 神經算法在收斂于局部最小值還是全局最小值，則會產生不同的預測結果。因此，為了得到理想的預測結果，必須通過計算來確定收斂于全局極小值的網絡初始權值，遺傳算法優化BP 神經網絡能夠解決初始權值選取問題。

2 基于遺傳算法的GA-BP 神經網絡

遺傳算法主要基于Darwin 的進化論和Mendel 的遺傳學說，Darwin 的進化論的核心觀點是適者生存，Mendel 的遺傳學說的主要觀點是基因遺傳原理Mendel 的遺傳學說[3]。它從一組隨機產生的初始解開始訓練、優化，通過對遺傳序列的選擇、交叉以及變異篩選，保留下來適應度好的個體，新的群體不僅繼承了上一代的優點，又使得新的群體優于上一代，如此反復循環，最后收斂于最適應環境的某個個體上，既得到了問題的最優解[1][4]。遺傳算法的實施流程圖如圖2所示。

圖2 遺傳算法的實施流程圖

3 工程案例

3.1 工程概況

鄭州地鐵5 號線某車站結構型式為地下三層三跨箱型框架結構，島式車站，站臺寬13m，有效站臺長度140m，車站外包總長170.2m，標準段外包總寬22.3m。車站頂板覆土4.0m，主體結構標準段基坑深24.0m，寬22.3m；盾構井段基坑深25.7m，寬26.5m。擬建工程場地屬于A 區地貌，車站在開挖過程中不可避免會對周圍地層、地下管線、建（構）筑物等造成影響，為了保證施工期間道路暢通，周邊環境安全穩定以及工程結構自身安全，必須對監測數據進行預測，指導施工和改進設計方案。

3.2 模型建立

取地面沉降監測點DBC-9-3 2016年3月4日到2016年7月22日的累計變形監測數據作為訓練樣本，建立深基坑地表沉降經遺傳算法優化的BP神經網絡模型，并運用該模型對DBC-9-3監測點7月29日、8月5日、8月12日的累計變形量進行預測。首先利用遺傳算法優化BP算法程序尋找全局最優解，確定最優的初始權值和閾值，然后利用選取的訓練樣本訓練該神經網絡，達到預設的約束條件后，利用該模型進行預測。輸入值為前三期累計變形量、隱含層節點數設為5、輸出值為第四期累計變形量，以此類推，迭代次數設為200。計算結果如表1所示。

表1 GA-BP模型與BP模型回歸值對比

表2 GA-BP模型與BP模型預測對比

3.3 結果分析

通過表1、表2可以看出，BP 神經網絡模型模擬最大絕對誤差值為-4.03mm，最大相對誤差為19.68%，模擬值相對誤差平均值為5.84%，相關系數R2為0.9690，模型預測最大絕對誤差為1.53mm，最大相對誤差為3.26%；GA-BP 模型模擬最大絕對誤差值為-1.96，最大相對誤差為6.68%，相關系數R2為0.9902，模型預測最大絕對誤差為0.82mm，最大相對誤差為1.76%。從上述數據可以看出，GA-BP 神經網絡模型能夠有效提高預測精度。

4 結論

（1）采用經過遺傳算法優化的BP 神經網絡模型來預測地鐵車站深基坑施工周邊地表沉降值，誤差小，收斂速度快，證明該模型與方法分析此類時間序列數據有較好的適用性和準確性。

（2）GA-BP 模型精度很大程度上依靠訓練樣本的數量，訓練樣本越多，預測精度就越高，應該及時將新的監測信息添加到訓練樣本中，及時更新模型以便得到更好的預測效果。