徑向基神經網絡在地鐵沉降預測當中的應用

周星勇

摘 要：利用徑向基神經網絡構建起前N期沉降量與N+1沉降量之間存在的非線性關系，從而實現徑向基神經網絡對地鐵隧道施工上方地面沉降量預測的功能。利用成都地鐵7號線某盾構區間地面的沉降監測數據建立RBF預測模型并且與BP預測模型進行對比。仿真實驗結果表明，RBF預測模型預測結果的平均誤差率、誤差中誤差、迭代次數均小于BP神經網絡，說明了RBF神經網絡在地鐵沉降預測分析中的有效性、優越性。

關鍵詞：地鐵盾構施工 沉降預測 RBF神經網絡

中圖分類號：TU43 文獻標識碼：A 文章編號：1672-3791（2017）07（b）-0093-02

地鐵盾構法施工已成為當前城市地鐵隧道施工的一項重要技術，它是指在地面下暗挖隧道的一種施工方法[1]。隨著地鐵盾構施工的進行，必然會對周圍土質應力情況造成影響，進而引起施工隧道上方地面的變形。變形嚴重時，將會對地下管線設施、地面道路、周圍建筑物等造成嚴重破壞[2]。因此在地下盾構施工的過程中，對地面變形進行實時監測，構建起形變預測模型，從而對施工預警防護工作提供指導，這對于地鐵盾構安全施工是十分有必要的。

人工神經網絡是一種具有適應外界條件能力的系統，具有強大的自護學習能力，能夠建立起自變量和應變量之間高度非線性映射關系，因此人工神經網絡常用于工程的變形監測預測當中[3]。其中徑向基（RBF）神經網絡具有收斂速度快且唯一最佳逼近的特點，因此該文選取RBF神經網絡作為地鐵盾構施工上方地面變形的預測模型。通過所建立的RBF預測模型得到沉降預測值與實測值進行對比，可驗證RBF預測模型的可行性與精確性。

1 徑向基神經網絡的原理與結構

徑向基神經網絡設計原理與BP神經網絡截然不同。其中徑向基神經網絡的隱藏層將輸入數據進行變換，將非線性問題從低維投射到高維從而變得線性可分。這樣就避免了BP神經網絡中容易陷入局部最優值的缺點。此外徑向基神經網絡還具有結構簡單，訓練簡潔并且收斂速度快的優點。理論上徑向基神經網絡能夠逼近任意非線性函數[4]。

徑向基神經網絡是一種前饋神經網絡，網絡結構分為輸入層、隱含層和輸出層三層。輸入層由輸入信號源節點組成。隱含層節點數由問題需求而定，隱含層中的轉換函數即徑向基函數是對中心點徑向對稱且衰減的非負非線性函數。與其他向前型網絡不同，徑向基神經網絡的轉換函數為局部響應函數。常用的高斯徑向基函數可表示為：

2 基于徑向基神經網絡的沉降預測

2.1 工程區概況

以成都地鐵7號線某盾構區間左線地面沉降為例。采用二等水準測量規范對監測點進行高程測量，每24 h的監測次數由沉降速率來決定，沉降速率快則相應要提高監測頻率。從2016年5月28日開始至6月16日結束，對18號監測點進行了35期沉降數據采集。利用Matlab軟件構建RBF預測模型，其中利用前30期數據構建模型對后5期數據進行仿真預測，將得到的預測值與實測值進行比較，分析RBF預測模型的預測效果。

2.2 仿真預測

該文選取了18號監測點的數據，建立預測模型，并對最后五期監測數據進行預測。同時我們將RBF神經網絡預測模型與BP神經網絡的預測結果進行對比，分析RBF模型的精度及優越性。

表1記錄了18號監測點31～35期數據實測值與預測值的對比。表中RBF神經網絡各期預測值的誤差率均小于同期BP神經網絡的預測結果，這說明RBF神經網絡在地鐵盾構施工地表沉降的預測中，絕對預測精度要高于BP神經網絡預測方法。表2則記錄了兩種預測算法在兩次預測過程當中預測值的中誤差，以及迭代至收斂所需要的次數。可以看出，RBF神經網絡后五期預測值的中誤差為0.22，小于BP神經網絡的0.74，說明RBF神經網絡預測值的精確度更高。此外從迭代次數能夠看出RBF神經網絡的收斂速度也優于BP神經網絡。

3 結論

（1）Matlab所構建的徑向基神經網絡預測模型預測值的平均誤差率為0.98%，遠低于BP神經網絡預測模型的4.21%，而且徑向基神經網絡預測模型預測值中誤差比BP神經網絡預測值中誤差降低了71.43%。各項精度指標證明徑向基神經網絡更適用于地鐵盾構施工地表沉降預測當中。

（2）徑向基神經網絡與BP神經網絡相比，比容易陷入局部最優值并且收斂速度更快，程序耗時更短。

（3）由于地鐵盾構施工方法的特殊性，任何施工不當都有可能會對地面下的管線設施造成破壞，也可能危及地面上車輛行人的安全。因此在地鐵盾構施工過程中進行實時監測并對累計沉降量進行預測具有重要意義。徑向基神經網絡預測方法在其他類型的變形預測中也有很好的推廣價值。

參考文獻

[1] 謝雄耀，李軍，王強.盾構施工地表沉降自動化監測及數據移動發布系統[J].巖土力學，2016（S2）：788-794.

[2] 趙建飛，張俊中，李東輝，等.加權GM（1.1）模型在地鐵沉降監測中的應用[J].測繪與空間地理信息，2015（5）：56-58.

[3] 郝飛.基于時序思想BP網絡的地鐵地表沉降預測[J].山西建筑，2016，42（20）：170-172.

[4] 黃祿文，劉海卿.建筑物基礎沉降徑向基神經網絡預測[J].遼寧工程技術大學學報，2016（8）：836-840.