基于RBF神經網絡模型的盾構施工地表沉降預測

余　朔　盧國勝

(西南科技大學環境與資源學院)

?

基于RBF神經網絡模型的盾構施工地表沉降預測

余朔盧國勝

(西南科技大學環境與資源學院)

摘要盾構施工引起的地表沉降是造成周邊建筑物及管線變形的重要因素。針對BP神經網絡在預測地表沉降中具有收斂速度慢、精度誤差大的缺點，結合蘇州地鐵2#線友聯—桐涇公園段地質工程資料，建立了RBF神經網絡模型對地表沉降進行預測。結果表明：RBF神經網絡模型的預測精度優于BP神經網絡模型，與實測曲線吻合度較好，具有一定的實用價值。

關鍵詞盾構施工地表沉降BP神經網絡RBF神經網絡預測精度

近年來，盾構施工由于具有作用范圍小、適應條件廣，工作周期短等特點，在我國的軌道交通領域得到了廣泛應用。然而盾構開挖土體會改變周邊地層的應力狀態，引起地表變形，不論對橋梁樁基，還是鄰近建筑物、管線等設施都會產生較大的影響[1]。因此在盾構施工時有必要掌握和分析地層移動規律及地表沉降的影響因素。總體來說，地表變形是一個比較復雜的非線性動態系統，利用BP神經網絡模型可預測地表沉降，但該模型是一種靜態前向型網絡，具有學習收斂速度慢、精度誤差大、隱含層節點個數不易確定等缺陷[2]。RBF神經網絡模型則是一種典型的局部逼近神經網絡，在逼近能力和學習速度等方面均優于BP神經網絡模型[3-4]。為此，本研究基于蘇州地鐵2#線友聯—桐涇公園段地質工程資料，結合Matlab軟件，采用RBF神經網絡模型對地表沉降進行預測。

1RBF神經網絡模型

相對于BP神經網絡模型而言，RBF神經網絡模型的優點有：①具有較強的輸入和輸出映射功能，特別在前向網絡中具有最佳的映射功能；②隱含層單元的半徑不僅可預先設定，而且網絡的連接權值與輸出層呈線性特性，模型參數調節較容易，不存在局部極小的問題；③學習速度快，且隱含層的結點數目也可在訓練中自動確定，因此具有良好的收斂性能；④無需輸入大量的訓練樣本數據，且對于每個輸入、輸出樣本附近都具有良好的泛化能力。RBF神經網絡的拓撲結構為單隱層的前饋神經網絡，主要由輸入層、隱含層、輸出層構成，其中輸入層的操作等效于將所研究問題的要素輸入，并未進行數據交換；隱單元層通過激活高斯型徑向基函數進行非線性學習及反饋，該函數為一個徑向對稱且雙向衰減的非負非線性映射函數；輸出層將隱單元層的輸出值進行簡單的線性加權，得到所需數值[5-6]。

2預測模型構建

2.1影響因子選擇

盾構隧道施工引起的地表沉降主要受土質參數、施工參數等因素的影響。結合蘇州市已有的數據資料，選取了盾構的千斤頂推力F、盾構的直徑D、土層覆蓋厚度H、土層變形模量Es，土層凝聚力C、孔隙率n等參數作為輸入量，地表沉降s作為輸出量。

2.2樣本數據預處理

本研究采用Matlab軟件中的歸一化函數“premnmx”作為樣本的輸入處理函數。經歸一化處理后的樣本數據基本分布于[-1,1]區間內，語法格式為：[pn, minp, maxp, tn, mint, maxt]= premnmx(p, t)(“p”為輸入的原始數據，“t”為輸出的期望數據)。

2.3RBF神經網絡訓練

RBF神經網絡訓練的函數代碼為net= newrb(pn, tn, goal, spread)(“goal”為RBF函數的均方誤差，“spread”為RBF函數的分布范圍)。RBF神經網絡模型構建無需估計隱含層的神經元數、動量因子大小等信息，訓練較收斂速度較快，如圖1所示。由圖1可知：訓練7次可達到精度要求，可見RBF神經網絡模型構建較BP神經網絡模型簡便。

圖1　RBF神經網絡訓練

2.4輸出數據還原處理

為使輸出值還原為歸一化處理前的數據，在RBF神經網絡訓練完成后，引用“postmnmx”函數，具體語句為[pn,tn]=postmnmx(pn,minp,maxp,tn,mint,maxt)。

3工程應用實例

本研究選取蘇州地鐵2#線友聯—桐涇公園盾構區間為研究對象，選取20 組數據作為訓練樣本進行RBF神經網絡學習(表1)，5組作為檢驗樣本(表 2)，實測數據與BP、RBF神經網絡模型的預測結果見表3。

表1　訓練樣本

表2　檢驗樣本

表3　實測數據與BP、RBF神經網絡模型的預測結果比較

由表3可知：RBF神經網絡模型的最大絕對誤差為0.9 mm，最大相對誤差率小于3%，遠小于工程規范的警戒值，可見采用RBF神經網絡模型可對盾構施工引起的地表沉降進行高精度預測。

4結語

以蘇州地鐵2#線友聯—桐涇公園盾構區間為例，通過建立RBF神經網絡模型對盾構施工引起的地表沉降進行了預測，結果表明，所得的預測值與實測值基本吻合，預測精度優于BP神經網絡模型，實用性較強。

參考文獻

[1]DALGIC S, SIMSEK O.Settlement predictions in the Anatolian motorway,Turkey[J].Engineering Geology,2002, 67(1): 185-199.

[2]張文鴿，吳澤寧.BP神經網絡的改進及應用[J].河南科學，2003(2)：202-206.

[3]焦李成.神經網絡系統理論[M].西安：西安電子科技大學出版社，1996.

[4]韓力群.人工神經網絡理論、設計及應用——人工神經細胞、人工神經網絡和人工神經系統[M].北京: 化學工業出版社，2002.

[5]畢衛華，譚曉慧，侯曉亮，等.基與RBF神經網絡的邊坡穩定可靠度分析性[J].地下空間與工程學報，2010(2)：423-428.

[6]金長宇，馬震岳，張運良，等.神經網絡在巖體力學參數和地應力場反演中的應用[J].巖土力學，2006，27(8)：1263-1271.

(收稿日期2015-07-13)

余朔(1991—)，男，碩士研究生，621010 四川省綿陽市涪城區青龍大道中段59號。