基于BP神經(jīng)網(wǎng)絡(luò)算法的高層建筑物地基沉降預(yù)測分析

趙 鶴，李向群，孫 昊(.吉林建筑大學(xué)測繪與勘查工程學(xué)院，吉林長春 308；.潤德建設(shè)投資有限公司，吉林長春 30000)

基于BP神經(jīng)網(wǎng)絡(luò)算法的高層建筑物地基沉降預(yù)測分析

趙 鶴1，李向群1，孫 昊2
(1.吉林建筑大學(xué)測繪與勘查工程學(xué)院，吉林長春 130118；2.潤德建設(shè)投資有限公司，吉林長春 130000)

BP神經(jīng)網(wǎng)絡(luò)算法具有很好的非線性推理能力及優(yōu)越的自組織、自適應(yīng)、容錯性能。利用該方法對高層建筑地基沉降數(shù)據(jù)進(jìn)行分析，可不考慮地基沉降影響因素與沉降之間的對應(yīng)關(guān)系，而直接根據(jù)已知時(shí)間內(nèi)實(shí)際沉降數(shù)據(jù)構(gòu)建模型對未知時(shí)間的沉降進(jìn)行預(yù)測推理。將該方法應(yīng)用于西安市某高層建筑的地基沉降數(shù)據(jù)預(yù)測分析，并與多項(xiàng)式擬合方法的分析結(jié)果進(jìn)行對比可知，BP神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測推理能力更強(qiáng)，應(yīng)用前景廣闊。

BP神經(jīng)網(wǎng)絡(luò)；高層建筑物；地基沉降預(yù)測

近年來，我國經(jīng)濟(jì)飛速發(fā)展，城市中高層建筑日益增多。在高層建筑開始施工到竣工驗(yàn)收，定期進(jìn)行地基沉降監(jiān)測和變形趨勢預(yù)測，對于確保工程安全施工以及建筑正常使用具有重要意義。為此，人們提出很多解決地基沉降變形預(yù)測問題的模型和方法，這些方法大致可分為兩類，即理論計(jì)算法和基于實(shí)測數(shù)據(jù)的實(shí)測數(shù)據(jù)分析法。其中，理論計(jì)算法又可以細(xì)分為經(jīng)驗(yàn)法和數(shù)值分析法，前者簡單實(shí)用，一般根據(jù)室內(nèi)試驗(yàn)測試成果結(jié)合相關(guān)經(jīng)驗(yàn)進(jìn)行確定，計(jì)算出的結(jié)果與實(shí)測值偏差一般較大。后者是近代力學(xué)研究的產(chǎn)物，隨著計(jì)算機(jī)技術(shù)的進(jìn)步而逐步發(fā)展起來。但由于實(shí)際的地基沉降變形影響因素復(fù)雜多變，各種地質(zhì)條件參數(shù)的取值很難確定，這就導(dǎo)致分析人員很難建立符合實(shí)際工程情況的數(shù)值模型，使該方法在實(shí)際中的應(yīng)用受到很大限制。實(shí)測數(shù)據(jù)分析法包括回歸分析、灰色系統(tǒng)分析、Kalman濾波和人工神經(jīng)網(wǎng)絡(luò)方法。其中，人工神經(jīng)網(wǎng)絡(luò)方法是一種典型的“黑箱型”學(xué)習(xí)模式，具備較好的自適應(yīng)性、非線性及容錯性等特點(diǎn)，有較強(qiáng)的解釋推理功能，從而在非線性問題領(lǐng)域得到廣泛關(guān)注和應(yīng)用。其中BP(Back Propagation)算法是神經(jīng)網(wǎng)絡(luò)模型在實(shí)際使用最多的一種算法。本文結(jié)合西安市某高層建筑的地基沉降監(jiān)測數(shù)據(jù)，利用BP神經(jīng)網(wǎng)絡(luò)算法對此高層建筑地基沉降量進(jìn)行預(yù)測分析。

1 BP神經(jīng)網(wǎng)絡(luò)算法簡介

圖1給出了由輸入層、隱含層和輸出層構(gòu)成的3層BP神經(jīng)網(wǎng)絡(luò)模型。其中輸入層包含3個節(jié)點(diǎn)，輸出層有1個節(jié)點(diǎn)。ωik、ωk分別為輸入層節(jié)點(diǎn)到隱含層節(jié)點(diǎn)、隱含層節(jié)點(diǎn)到輸出層節(jié)點(diǎn)的連接權(quán)值，由輸入、輸出的觀測數(shù)據(jù)通過網(wǎng)絡(luò)的學(xué)習(xí)過程進(jìn)行估計(jì)。n表示隱含層節(jié)點(diǎn)數(shù)量，取值一般由設(shè)計(jì)者給定。

假定網(wǎng)絡(luò)的輸入為x=(x1,x2,x3)T，目標(biāo)輸出為d，而實(shí)際輸出為y，BP網(wǎng)絡(luò)的學(xué)習(xí)步驟為：

步驟一，隨機(jī)生成作為節(jié)點(diǎn)間連接權(quán)值的初值和閾值。

步驟二，計(jì)算網(wǎng)絡(luò)的實(shí)際輸出Y。

圖1 網(wǎng)絡(luò)模型結(jié)構(gòu)

(1)對于輸入層節(jié)點(diǎn)，其輸出Oi與輸入數(shù)據(jù)xi相等，即Oi=xi,i=1,2,3。

步驟三，能量函數(shù)E=(d-y)2。

如果E小于規(guī)定的值，轉(zhuǎn)步驟五，否則繼續(xù)步驟四。

步驟四，調(diào)整權(quán)值。

(1)對于輸出層節(jié)點(diǎn)與隱含層節(jié)點(diǎn)的權(quán)值調(diào)整為

其中，η為訓(xùn)練速度，一般取0.01～1。

(2)對于隱含層節(jié)點(diǎn)與輸入層節(jié)點(diǎn)的權(quán)值調(diào)整為

步驟五，進(jìn)行下一個訓(xùn)練樣本，直至訓(xùn)練樣本集合中的每一個訓(xùn)練樣本都滿足目標(biāo)輸出，則BP網(wǎng)絡(luò)學(xué)習(xí)完成。

2 工程實(shí)例分析

西安市某高層建筑高74.8m，在建筑物基礎(chǔ)底部施工完成后開始進(jìn)行沉降變形監(jiān)測。監(jiān)測前期，由于施工速度不同所造成的豎直方向荷載施加速度的不同，沉降速率有所波動。隨后相鄰施工建筑基坑開挖，并采用井點(diǎn)降水的方法降低地下水位，使得本建筑地基沉降加速。當(dāng)荷載不再增加以及地下水位逐漸穩(wěn)定后，地基土體略有回彈，至竣工驗(yàn)收后，變形發(fā)展緩慢，沉降趨于穩(wěn)定，如圖2所示。

為了揭示本高層建筑地基沉降發(fā)展變化內(nèi)在規(guī)律，本文選擇BP神經(jīng)網(wǎng)絡(luò)算法對其進(jìn)行預(yù)測分析。由于地基沉降變形的機(jī)理較為模糊，影響因素高度復(fù)雜，所以很難建立影響因素與沉降之間的具體關(guān)系式，這也是常規(guī)分析方法應(yīng)用受到限制、效果不理想的根本原因。考慮到實(shí)測沉降數(shù)據(jù)中已包含影響因素的信息，將一定時(shí)間段內(nèi)的沉降數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，將預(yù)測的未知時(shí)間段內(nèi)的數(shù)據(jù)作為輸出數(shù)據(jù)。根據(jù)文獻(xiàn)[6]，利用前3個監(jiān)測數(shù)據(jù)來預(yù)測下一個數(shù)據(jù)，并確定BP網(wǎng)絡(luò)結(jié)構(gòu)為：輸入層節(jié)點(diǎn)數(shù)為3，隱含層節(jié)點(diǎn)數(shù)為5，輸出層節(jié)點(diǎn)數(shù)為1。根據(jù)本工程實(shí)測的30個地基沉降值，建立27個樣本。將前17個樣本作為訓(xùn)練樣本用于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，后10個樣本作為預(yù)測樣本，用來檢驗(yàn)已建立的BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測推廣能力。應(yīng)用上述過程中獲得的BP神經(jīng)網(wǎng)絡(luò)模型對所有27個樣本的預(yù)測結(jié)果如圖2所示。圖2同時(shí)給出了利用多項(xiàng)式擬合分析對實(shí)測地基沉降值的預(yù)測結(jié)果。不難看出，與多項(xiàng)式擬合分析結(jié)果相比，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果精度更高，該模型具有更強(qiáng)的非線性推理預(yù)測能力。

圖2 地基沉降實(shí)測數(shù)據(jù)以及BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值、多項(xiàng)式擬合分析結(jié)果

3 結(jié)語

本文利用BP神經(jīng)網(wǎng)絡(luò)算法對西安市某高層建筑地基沉降數(shù)據(jù)進(jìn)行推理預(yù)測，與多項(xiàng)式擬合分析結(jié)果進(jìn)行對比。不難看出，BP神經(jīng)網(wǎng)絡(luò)方法預(yù)測誤差小，精度高，推廣能力強(qiáng)，應(yīng)用前景廣闊。鑒于初始權(quán)值的選取對最終模型的性能有較大影響，故建議在確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)后，利用訓(xùn)練樣本建立BP神經(jīng)網(wǎng)絡(luò)模型時(shí)，選擇合適的優(yōu)化算法確定網(wǎng)絡(luò)的初始權(quán)值,而不是隨機(jī)生成初始權(quán)值，可能會得到更合理的網(wǎng)絡(luò)模型。

[1]王穗輝,潘國榮.人工神經(jīng)網(wǎng)絡(luò)在隧道地表變形預(yù)測中的應(yīng)用[J].同濟(jì)大學(xué)學(xué)報(bào):自然科學(xué)版,2001(10):1147-1151.

[2]孫鈞,袁金榮.盾構(gòu)施工擾動與地層移動及其智能神經(jīng)網(wǎng)絡(luò)預(yù)測[J].巖土工程學(xué)報(bào),2001(3):261-267.

[3]岳榮花.小波神經(jīng)網(wǎng)絡(luò)在沉降預(yù)測中的應(yīng)用研究[D].南京:河海大學(xué),2007.

[4]錢思眾,樊育豪.高層建筑物地基沉降監(jiān)測與分析[J].西安科技大學(xué)學(xué)報(bào),2014(3):284-289.

[5]宋克志,王夢恕,宋克勇.邊坡位移預(yù)測的神經(jīng)網(wǎng)絡(luò)模型研究[J].巖石力學(xué)與工程學(xué)報(bào),2003(C1):2382-2385.

[6]王蕊穎,王清,張穎,等.基于時(shí)間序列—動態(tài)神經(jīng)網(wǎng)絡(luò)吹填土沉降預(yù)測研究[J].工程地質(zhì)學(xué)報(bào),2013(3):351-356.

Prediction and Analysis of Foundation Settlement of High-rise Building Based on BP Neural Network

ZHAO He1, LI Xiang-qun1, SUN Hao2

(1.Jilin Jianzhu University, Changchun Jilin 130118, China;2.Runde Construction Investment Co.Ltd.Changchun Jilin 130000, China)

BP neural network algorithm possesses the advantages of nonlinear reasoning ability, predominant self-organizing, adaption and fault tolerance. Analyzing foundation settlement of high-rise building based on this method can avoid considering the relationship between foundation settlement and influence factors. The method can construct the prediction model which forecast the future settlement using current monitoring data. It is used to infer the foundation settlement of a high-rise building in Xi’an, the prediction result is compared with that obtained by polynomial method. The result computed by BP neural network has higher precision and this method has more application prospect.

BP neural network; high-rise building; foundation settlement prediction

2016-11-04

吉林省教育科學(xué)“十二五”規(guī)劃重點(diǎn)課題“測繪工程專業(yè)學(xué)生測量數(shù)據(jù)處理能力訓(xùn)練平臺建設(shè)”(ZD15078)。

趙 鶴(1983- )，女，講師，從事BP神經(jīng)網(wǎng)絡(luò)算法研究。

李向群(1962- )，男，教授，博士，從事測繪與勘查工程研究。

TU433

A

2095-7602(2017)04-0031-03