基于BP神經網絡的深基坑變形預測研究

【摘 要】 為了探究深基變形規律，提高深基坑變形預測精度。本文采用最近比較熱門的BP神經網絡對某深基坑工程中的現場沉降進行擬合和預測處理，運用Python語言編程進行實現。結果表明，采用BP神經網絡進行預測時，精度較高，滿足工程實際要求，有助于指導深基坑施工。

【關鍵詞】 深基坑 變形預測 BP神經網絡

0 引言

隨著國民經濟的迅猛發展，國內不斷涌現大量的高樓和地鐵，深基坑隨之出現。深基坑深度通常為6米以上，個別已經超過30米。由于深基坑工程通常出現在較發達城市，多建于繁華地段，故受到眾多因素影響，如：地下管線、水文地質、周邊環境以及地面交通流量等。于是，使得深基坑變形規律復雜，若以傳統預測法進行預測，則無法滿足深基坑施工要求。

于是，單紅喜[1]、高兵[2]、方林勝[3]、崔棟歌[4]等均采用BP神經網絡對深基坑進行變形預測，結果較優。本文在前人基礎上，運用Python語言，建立BP神經網絡模型，對深基坑進行變形預測分析，為深基坑的設計和施工提供指導依據。

1 BP神經網絡預測模型構建

基于BP神經網絡的深基坑變形預測模型的構建主要有以下幾個步驟：

（1）監測數據獲取。采用測量機器人在深基坑相應控制點上進行數據采集，采集數據在整理之后方采用。

（2）數據預處理。由于人為或環境等因素影響，數據可能存在噪聲點或異常數據，所以在分析及處理之前，要進行異常值檢驗，檢驗后并剔除，在進行插值處理。只有經過預處理的數據才能進行后續預測。

（3）樣本數據歸一化。歸一化的作用是降低網絡模型訓練難度，加快網絡收斂，減少訓練時間。

（4）數據集劃分。將歸一化好的數據進行劃分，分為訓練集和測試集。訓練集用于網絡訓練，測試集則用來和預測數據進行對比，驗證預測精度。

（5）網絡訓練。設置好相應的參數，如：隱藏層數、輸入輸出神經元數量、學習率等。再將訓練集數據放入輸入層，進行網絡訓練，直到訓練誤差滿足要求，方可結束。若訓練誤差不滿足條件，則網絡會通過反向傳播算法進行誤差修正，即通過損失函數計算出訓練誤差，再由反向傳播算法，通過修正各神經元權值以調節誤差，直至誤差滿足限差。

（6）網絡預測。通過網絡訓練得到的BP神經網絡最佳收斂參數，直接求解預測結果，在將數據反歸一化，便求得實際預測值。

2 工程實例

本文以徐州地鐵2號線某深基坑現場沉降數據為例，結合BP神經網絡模型，對其變形規律進行預測分析。

共有25期監測數據，采用前20期數據用于模型訓練，后5期數據用于預測。原始數據如表1。

從監測值可以看出，深基坑現場沉降值變化緩慢，且一直處在地面一直處在沉降過程中，故應該在其達到允許限差前進行監測和預測。對后5期變形預測結果見表2。

由表2可以看出，BP神經網絡預測模型精度較高，在深基坑變形預測方面，發揮出期較強的非線性擬合能力以及超強的非線性泛化能力，完全滿足深基坑施工要求。

3 結論

研究表明，BP神經網絡在深基坑變形預測方面具有良好的預測效果，相比于其它傳統預測模型有著無可比擬的優勢，具有高精度、快速、智能化和預測步數較長等特點。適合用于深基坑的變形預測與分析，能為深基坑施工過程提供保障，以便其安全運營。但BP神經網絡對初始參數等依賴性大，極易造成網絡局部最優解，為防止此類情況發生，應和其它智能算法結合使用。

【參考文獻】

[1] 單紅喜.基于BP神經網絡的深基坑沉降預測[J].山西建筑，2017，43（28）：78-79.

[2] 高兵，尚美珺.基于BP神經網絡的深基坑圍護變形預測分析[J].門窗，2017（08）：207.

[3] 方林勝，何國偉，羅長明，熊夢馨.灰色理論和BP神經網絡理論在地鐵深基坑變形預測方面的應用[J].施工技術，2017，46（S1）：57-60.

[4] 崔棟歌. 深基坑變形監測與預測研究[D].湘潭：湖南科技大學，2017.

作者簡介：許寧（1994-），男，漢族，江西宜春人，碩士研究生，江西理工大學測繪與建筑工程學院，測繪科學與技術。