基于BP神經網絡方法的基坑變形觀測數據分析與預測

劉柏松 趙丹冬

【摘要】本文以花橋世紀城項目為例，采用BP神經網絡方法，對花橋世紀城基坑的水平方向隨時間的位移值進行了預測，并與實測數據比較，證明了BP神經網絡在項目基坑水平位移變形監測中的有效性。

【關鍵詞】BP神經網絡 變形監測 數據處理

在高層建筑物設計施工中，一般需要開挖深基坑，隨著建筑高度的增加和規模的擴大，基坑深度也不斷加大，基坑的變形監測也越來越重要。基坑設計時常運用。法和有限元法來進行變形值計算，但理想模型由于受實際工況差別、計算參數等不確定因素的影響，計算得到的變形值與實際變形量往往相差比較大。人工神經網絡憑借良好的非線性映射能力及自適應能力等特點，尤其是在包含多因素、不精確和模糊的信息問題處理上的優勢為深基坑工程問題的解決提供了一個新方法。

一、工程數據分析

花橋世紀城項目位于花橋鎮蓬青路北、外青松公路西，基坑北側和東側均為本工程前期己建工程。項目場地自然地面標高約為-0.70m，地下車庫坑底標高為-6.65m，基坑開挖深度為5.95m。高層建筑坑底標高為-7.3m，基坑開挖深度為6.6mo本工程基坑開挖內邊線周長約為500m，基坑開挖面積約為14200m2。

基坑的開挖會影響周圍建筑物的穩定性，研究建筑物周圍的基坑變形程度也能反映出建筑物所受變形的影響，本項目中對基坑的水平位移進行監測，共設置12個水平位移點，監測頻率隨著基坑開挖的深度而改變。當開挖深度小于3米時2天監測一次，3到10米時每天監測1次。研究選取水平位移監測數據為6月18日到7月13日共25日內的水平位移量變化進行研究。

二、BP神經網絡模型

BP （Back Propagation）神經網絡是一種由輸入層、中間層、輸出層組成的階層型神經網絡，相鄰層之間各神經元進行全連接，而每層神經元之間無連接，網絡按有教師示教的方式進行學習。當一對學習模式提供給網絡后，各神經元獲得網絡的輸入響應產生連接權值，然后按減小希望輸出與實際輸出誤差的方向，從輸出層經各中間層逐層修正各連接權，回到輸入層。此過程反復交替進行，直到網絡的全局誤差趨向給定的極小值，即完成學習的過程。MATLAB神經網絡工具箱集成了大量的不同的學習算法，為神經網絡理論的實現提供了一種便利的仿真手段。本文利用MATLAB神經網絡工具箱，選取水平位移監測數據為6月18日到7月13日共25日內的水平位移量建立預測模型，進行7月14日水平位移值的預測。

三、網絡的建立

（1）首先導入整理好的的Excel文件。函數形式為load （‘fi-lename），xlsread（‘filename）。

（2）數據歸一化函數，歸一化函數有premnmx、tramnmx、post-mnmx等，premnmx函數用于將網絡的輸入數據或輸出數據進行歸一化歸一化后的數據將分布在[-1，1]區間內。

（3）網絡函數的創建，newff是創建BP神經網絡的函數，也是最常用的函數，其結構為enet=newff （PR，[S1 S2…SN]，{TF1TF2...TFN}，BTF，BLF，PF），建立3層BP神經網絡。

（4）網絡參數的設置。net.trainParam.show用于設置顯示間隔；net.trainParam.1r用于設置網絡學習速度；net.train-Param.me用于設置動量系數net.trainParam.epochs用于設置訓練單位時間；net.trainParam.goal用于設置目標誤差。

（5）網絡初始函數，采用默認參數。

（6）網絡訓練函數，用于對設定參數的網絡進行訓練。

（7）網絡仿真函數，Sim函數對輸入數據進行仿真計算。

四、程序的實現

程序具體實現如下：

Load（‘c：/Users/Administrator/Document/MATLAB/12訓練點）

P=Yzdzb；

T=Yzdgcyc；

[PN，minp，maxp，TN，mint，maxi]=premnmA（P，T）；

net=newff（minmax （PN），[10 1]，{tansig，tansig}，traingd）；

net.trainPar視.1r=0.05；

net.trainParam.epochs=10000；

net.trainParam.goal=0.01；

net=train （net，PN，TN）；

A=sim（net，PN）；

E=T-postmnmx（A，mint，maxt）；

MSE=mse（E）；

Tes=Wzdzb；

Ts=tramnmx（Tes，minp，maxp）；

Wzdgcyc=sm（net，Ts）；

Wzcyc=postmnmx（Wzdgcyc，mint，maxt）；

jggeyc=Wzcyc

模型采用3層神經網絡，一個輸入層，一個隱含層，一個輸出層，輸入層為12個監測點6月18日到了月13日共25日內的水平位移量，輸出層為為12個監測點7月14日水平位移值。模型采用postmnmx函數為數據歸一化函數，newff函數為網絡創建函數，以tansig函數為傳遞函數，以trangdx函數為訓練函數，設置網絡學習速率為0.05%，隱含層結點數目設為10，網絡訓練參數設定最大訓練次數為10000，網絡訓練目標誤差為0.001進行網絡的訓練。當訓練進行到137次時訓練停止，訓練過程使程序達到誤差0.001。采用此網絡模擬后，獲得7月14日基坑的水平位移預測值。

五、數據的預測與分析

利用上述神經網絡程序來驗證模型并與真實值對比，用6月18日到7月13日共25日內的水平位移量作為訓練樣本數據來預測7月14日的水平位移并與真實監測值作比較，結果如圖1所示，其中橫軸表示基坑頂部設置的12個水平位移監測點，縱軸表示水平位移值，藍色柱狀圖形表示預測值與真實值的差值。可以看出，12個監測點中，1、2、9、12號點預測誤差幾乎為零，4、5、6號預測值低于真實值，3、7、8、10、11號點的預測值高于預測值，其中10號點的預測誤差最大，為1.17mm。本文采用BP神經網絡，利用MATLAB神經網絡工具箱編程實現花橋城小區基坑水平位移監測的預報。通過誤差的對比，可以看出12個水平位移監測點中，BP神經網絡模型獲得的預測值與實際監測值均比較接近，最大誤差值為1.17mm，最小誤差為0.01mm，預測結果比較理想。