基于人工神經網絡的軟土路基沉降預測

王 浩

(山西省公路局長治分局，山西 長治 046011)

基于人工神經網絡的軟土路基沉降預測

王 浩

(山西省公路局長治分局，山西 長治 046011)

為分析路基的沉降變形規律，采用人工神經網絡對軟基路基的沉降進行了預測,通過Matlab建立了人工神經網絡模型，同時與實際檢測結果對比驗證模型的準確性,對比結果表明該方法具有較高精度。

路堤沉降,人工神經網絡,軟基路堤,預測方法,特殊地區道路

0 引言

近年我國公路建設發展迅速，在軟土地基上修筑的公路日趨增加。軟土的工程特性(易壓縮、高含水率、強透水能力、固結變形所需時間長)導致在軟土路堤沉降變形難以預測。軟土路堤沉降變形過程變化復雜，影響因素眾多，主要影響因素包括土體的基本性質(含水率、孔隙比、壓實度等)、荷載、沉降時間、填土高度。

目前軟土路基沉降預測的方法主要包括經驗公式法、灰色理論法、有限元計算等。經驗公式法[1-3]是擬合實測沉降曲線來預測曲線的未知部分，這種方法對沉降的預測需要實測數據作為依據，不具有普遍性。灰色理論法[4-6]是將相似路段一定時間內觀測沉降總量認為是白色單元，將待預測路基各個時間段內的沉降總量認為是灰色單元，通過數據的灰色處理獲取沉降發展規律，進而預測軟土路基在每個時間段內的沉降變化量和最終沉降量，這種方法無法充分考慮不同影響因素對路基沉降的影響。有限元計算[7-9]是通過有限元軟件依據路堤的尺寸、材料、邊界條件等信息建立有限元模型計算路堤沉降，然而現階段的有限元計算尚不成熟，很難充分考慮各種因素對沉降結果的影響，因此計算結果存在較大偏差。上述方法雖然能實現軟土路基的沉降預測，但是由于適用條件、計算水平等因素，在工程中未廣泛使用。

因此，本文以人工神經網絡為技術手段，通過現有軟土路基的沉降觀測數據為訓練樣本訓練神經網絡，通過訓練完成的人工神經網絡實現了軟基路堤的沉降預測。

1 人工神經網絡模型

1.1影響因素選取

軟土路基沉降變形受眾多因素影響，如土體的基本性質(含水率、孔隙比、壓實度等)、沉降時間、填土高度。因此，本文選取路基含水率、壓實度、沉降時間和填土高度作為輸入樣本，設計4個輸入神經元。本文研究路堤的沉降規律，因此將每個時段的路基沉降量作為神經網絡的輸出結果。

為了滿足使用人工神經網絡激活函數取值范圍的條件，同時減少不同數量級數據對精度的影響，在神經網絡訓練之前應該對數據進行歸一化處理，對應的對結果應該采取反歸一化處理。MATLAB中已經提供了對應的語言進行處理，本文中樣本歸一化采用語言如下：

[Pn,minP,maxP]=premnmx(P)——輸入輸出樣本的歸一化；

[An]=tramnmx(A,minA,maxA)——預測樣本的歸一化；

A=postmnmx(An,minP,maxP)——預測樣本的反歸一化。

1.2人工神經網絡模型

圖1為本文設計的人工神經網絡模型。模型輸入層共有4個神經元，分別代表訓練樣本中路基的含水率、壓實度、沉降時間和填土高度。模型共有兩個隱含層，每層各含有5個神經元。模型輸入層有1個神經元，代表訓練樣本某時刻的路基沉降。

圖2為人工神經網絡模型的訓練樣本。訓練過程中將路基的含水率、壓實度、不同時刻、填土高度作為訓練樣本的輸入值，將路基對應時刻的沉降值作為訓練樣本的目標輸出值。為滿足工程上對路基沉降預測的精度，設置訓練的目標精度為0.005 mm。

2 結果與討論

2.1網絡訓練結果

表1 網絡測試結果檢測表

圖3為人工神經網絡訓練結果。由圖3可見，通過5次訓練神經網絡對訓練樣本的計算精度達到0.002 735 92 mm的平均誤差精度，滿足0.005 mm的精度誤差要求。由此可以認為神經網絡的訓練完成，訓練完成的神經網絡可以用于其他路段路基的沉降預測。

2.2網絡測試結果

網絡的測試是采用訓練完成的人工神經網絡預測非訓練樣本路基某時刻的沉降。為驗證神經網絡預測結果的準確性，將神經網絡的預測結果與實測結果進行對比。如表1所示為山西省侯平高速K47+100的路基實測結果和神經網絡預測結果。由表1可見除了在施工填土初期的階段網絡誤差較大以外，訓練的網絡對于后期沉降測試結果的誤差可以滿足要求。對于施工階段的沉降測試出現的問題，在實踐中會在施工中直接測量得到，本就無需測試，故其誤差大小不存在太大的實際意義。由此可知本網絡對實測數據的擬合效果很好。

3 結語

為分析路基的沉降變形規律，采用人工神經網絡對軟基路基的沉降進行了預測。通過Matlab建立了人工神經網絡模型，同時與實際檢測結果對比驗證模型的準確性。結果表明本文實現了軟土路基沉降的自動預測。軟土路基的含水率、壓實度、沉降時間和填土高度被作為訓練樣本進行人工神經網絡的訓練。通過將神經網絡的預測結果與實測結果進行對比驗證訓練完成的人工神經網絡的精度，結果表明人工神經網絡預測的軟土路基工后沉降準確率高于90%，基本滿足工程要求。

[1] 董愛民.基于隨機有限元的路基沉降可靠度研究[J].中外公路,2015(3):31-34.

[2] 王敬賓,楊永新,梁麗娟.經驗公式法預測砂巖高速鐵路路基沉降[J].內蒙古科技大學學報,2014(3):295-298.

[3] 孟廣文.指數曲線模型在公路路基沉降預測中的應用研究[J].價值工程,2014(20):81-82.

[4] 張耀鋒.動態灰色理論模型在路基沉降預測中的應用[J].公路,2010,35(4):45-47.

[5] 鄒明琦,沈志勇.基于有限元法的路基沉降計算分析[J].山西建筑,2009，35(20):120-121.

[6] 吳 俊,陳開圣,龍萬學.高填方路基沉降變形有限元數值模擬[J].公路工程,2009(2):27-29,33.

[7] 張曉倫.灰色理論在軟土路基沉降分析中的應用[J].路基工程,2008(1):40-41.

[8] 姜 鵬,張德軍.灰色理論在路基沉降預測中的應用及其改進[J].山西建筑,2007,33(20):88-89.

[9] 王福勝.對軟土路基沉降系數的探討[J].公路,1991(11):10-13,44.

Predictionofsubgradesettlementonsoftsoilbasedonartificialneuralnetwork

WangHao

(ShanxiProvincialHighwayBureauChangzhiBranch,Changzhi046011,China)

To analyze subgrade settlement, artificial neural network was utilized in the prediction of subgrade settlement on soft soil. An artificial neural network model was built by Matlab. Meanwhile, the prediction was compared with the results of measurement. The comparison results showed the artificial neural network has a great accuracy.

subgrade settlement, artificial neural network, roadbed on soft ground, prediction technique, special district road

U416.1

A

1009-6825(2017)27-0118-03

2017-07-15

王 浩(1981- )，男，工程師