基于模糊神經網絡模型的廣西炭質巖地區高填筑地基沉降預測研究

何俊輝 張博宇 駱俊暉

摘要：對于路基沉降預測來說，指數曲線和雙曲線延擬合法都有其局限性，不能很好地反映路基沉降的真實情況。神經網絡可用于已有大量沉降數據的路基沉降預測，然而目前所使用的模型較少采用TS模糊神經多層網絡。文章同時結合了TS模糊系統與神經網絡的特點，實現了兩種方法相互兼容的目的，并以河池至百色高速公路炭質巖高填筑路基現場實測數據建立路基沉降預測模型，驗證其適用性。結果表明：該方法適用于大數據分析，短期沉降預測結果準確，最終沉降預測結果具有較大工程實用價值。

關鍵詞：神經網絡;TS模糊模型;炭質巖;沉降

0 引言

在公路工程建設中，高填路基沉降問題較為顯著，通車期間路基不均勻沉降對車輛的安全運行造成較大影響，因此，準確預判路基沉降可為公路工程的“建、管、養、運”提供參考資料。在路基沉降計算方法中，有規范法、經驗法、有限元法等，其中，人工神經網絡法適合對已有的大量沉降數據進行分析，通過自我訓練得出沉降曲線，并準確預測可能發生的沉降問題，是一種效率較高、適用大數據分析的計算方法。

人工神經網絡是人工智能領域的研究熱點，其是從信息處理角度建立某種計算模型，按不同的方式組建差異網絡，從而進行分布式并行信息處理算法的數學模型。然而，在工程應用中較難用準確的術語表達參數，因此需要通過模糊邏輯系統與神經網絡有機結合，形成一種協作體——模糊神經網絡，即以模糊規則為基礎，具有模糊信息處理能力的計算模型[1]。基于神經網絡，可以建立模糊神經網絡沉降預測模型，為公路工程路基沉降分析提供研究手段，具有顯著的經濟效益和社會效益。

1 模糊神經網絡概述

1.1 模糊神經網絡系統

人工神經網絡有強大的學習能力和自適應能力，但其計算過程不能表達，類似一個黑箱，缺少透明度。而模糊神經網絡（FNN， Fuzzy Nuearl Network）的發展建立在神經網絡和模糊神經系統的基礎上，具有顯著的優點，可用于求解不確定非線性問題[2]。與其他神經網絡系統方法相比較，模糊神經網絡具有更便捷高效、易于理解推理過程、人工干預少、精度較高、對樣本的要求較低、收斂速度快、突出的逼近性能等優點，在實踐中表現出良好的性能[3]。

1.2 TS型模糊神經網絡原理

TS型模糊神經網絡原理修改系統由TKagi Sugneo（Takagi Kanno）提出并廣泛應用于模糊神經網絡[4]，其特點為系統輸出值為精確值。其標準前饋模糊網絡結構如圖1所示。

TS模糊神經網絡屬于多層網絡類型[5]，由輸入層、模糊化層、規則層、去模糊化層和輸出層組成。輸入層是連接所有節點和輸入向量，x=[x1…xn]T，然后輸入x到模糊化層。模糊化層的功能是：如果每個輸入變量是用m個模糊集合定義的，則模糊層被劃分成n組，并且該組由m個節點組成。如果用高斯函數表示i組中m個節點的輸出，則有公式（1）：

1.3 TS型模糊神經網絡計算步驟

TS型模糊神經網絡計算步驟具體如下：

（1）將樣本分成兩部分，一部分用來訓練TS網絡，另一部分用來測試網絡性能[6]。

（2）使用類聚法對訓練樣本歸類，每類對應一條模糊規則。

（3）訓練神經網絡。在隸屬度函數值組成的矩陣基礎上分析輸出結果和輸出誤差，根據梯度下降法進行更新、迭代計算。

結合以上步驟通過MATLAB軟件編程[7]，可以預測地基沉降量。

2 依托工程研究

2.1 工程概況

河池至百色高速公路線路主要途經炭質巖區域，沿線有1/3的炭質巖路段。炭質巖易崩解、遇水軟化，物理力學性質差，對工程影響較大。

2.2 廣西炭質巖分布與巖性

廣西炭質巖地區主要分布于桂西北地區，面積約1.51 萬m2，約占廣西面積的6.4%。炭質泥（頁）巖浸水后巖體強度軟化，遇水后易崩解。

廣西河池至百色高速公路炭質泥頁巖主要為深灰色薄～中層狀泥頁巖及灰黑色薄厚層狀炭質泥頁巖、泥灰巖，灰色中厚層狀灰巖、砂巖、硅質巖，巖性變化較大。其中，炭質泥頁巖、泥灰巖具崩解性。

采用炭質巖填料填筑的路基，如果路堤長期浸水或路面開裂地表水入滲，會導致炭質巖路堤變形和不均勻沉降。

2.3 炭質巖地基設計、處理與優化

依托工程為河百路炭質巖高填筑路基試驗地段，樁號為K16+750～K16+850，全長100 m，屬剝蝕丘陵溝谷地貌，地形起伏較大，填筑前地面高程約為350 m，填筑高度約25 m，該路段為高填方路堤，長年累積淤泥，承載力弱。在施工中，突遇大雨，已填路堤發生滑坡，危害嚴重，后更改施工設計，在填筑前，將地基基底的淤泥挖除，采用碎石進行換填，而碎石的松鋪度較大，并采用震動式壓路機進行碾壓，之后進行填土。考慮本段填土均為炭質巖，同時穩定性較差，遇水則軟遇風則散，沒有充足的時間予以自然沉降，填筑至4 m高時，采用強夯法進行強夯處理，以保證該段路基填筑的沉降與穩定。

2.4 炭質巖路基高填筑處置效果評價

炭質巖路基沉降監測數據是路基填筑速率控制和確定路面鋪筑時間的重要依據，合理準確地分析加載期間沉降量的發展變化趨勢，對指導路基施工具有十分重要的意義。在炭質巖填筑路基路段（樁號k16+800）左、右兩側路基分別設置了沉降板，用以監控路基施工期間的沉降。根據監測結果，將各個斷面的沉降數據進行整理。

隨著填土高度的增加，累積沉降量增加，路基的分級荷載也同時增大。前期地基沉降速率發展較快，而后緩慢下降，趨于穩定。隨著填土厚度的增加，上覆荷載也隨之增加，導致路基初始變形較大，填筑期沉降變化較小，是炭質巖的固結變形特征。

3 炭質巖地基填筑沉降計算與分析

通過MATLAB軟件編程，采用TS模糊神經網絡對含炭質巖地基沉降進行了研究。通過對預測結果的誤差分析和評價，得出最終結論。MATLAB軟件的運行步驟如下：將178 d的數據進行差分，迭代步驟被設置為0.000 3。使用N-1，N-2，N-3，預測N。在輸入層中有3個點，在分類中有4個，在隱含層中有4個[8]。

通過MATLAB軟件分析獲得數據，利用Origin軟件進行數據處理，得到K16+800左側道路的沉降監測結果，如圖2～5所示。

從圖2～5的K16+800左側路基沉降曲線及誤差分析可以看出，T-S模糊神經網絡適合用于預測和分析炭質巖路基的沉降，分析結果令人滿意，誤差較小[9-10]。

通過對K16+800左右側的炭質巖路基沉降監測結果的分析，說明利用TS模糊神經網絡對炭質巖路基進行分析是可行的，其預測結果與實際情況非常接近[11]。迭代速度快，誤差小，樣本量對預測精度有很大影響，使用該技術時，樣本量越大，精度越高。通過工程實例分析，可以看出TS模糊神經網絡具有很強的預測能力和快速的計算過程，可應用于工程實踐中[12]。

4 結語

本文以廣西河百路K16+800段炭質巖高填筑路基段沉降分析為例對實際測量值進行比較，取得較理想的效果，由此可以得出：

（1）利用神經網絡強大的學習能力和模糊神經網絡的規則，可以簡化其模型建立過程，大大減少其規則匹配難度，加快計算速度，極大提高模型的自適應能力。

（2）模型采用大量現場實測數據進行計算，避免了人為因素干擾，弱化了隨機性，使預測具有很大的相關性，精度相對較高。

（3）TS模糊神經多層網絡模型在計算過程中對樣本要求不高，具有很強的容錯能力，可以減少測量誤差和施工帶來的影響，結果相對精確，可以指導施工。

（4）計算結果和施工現場進行對比，正確率高，其預測值具有代表性，可為設計、施工中的沉降提供更科學的預測方式。

參考文獻：

[1]王琛艷， 鄭 治.人工神經網絡在預測高速公路路基沉降中的應用[J].公路交通技術， 2004（3）：7-10.

[2]Chen C L P ， Liu Y J ， Wen G X .Fuzzy Neural Network-Based Adaptive Control for a Class of Uncertain Nonlinear Stochastic Systems[J].IEEE Transactions on Cybernetics， 2014， 44（5）：583-593.

[3]郭秀霞.神經網絡在軟基沉降預測與處理方案智能評價中的應用[D].長沙：湖南大學， 2012.

[4]金智濤.基于神經網絡的軟土路基最終沉降量的分析研究[D].武漢：武漢理工大學， 2006.

[5] 孔繁盛， 張彥拓.改進的BP神經網絡在路基沉降預測中的運用[J].山西交通科技， 2014（5）：1-3.

[6] 周曉恒， 岳曉光.基于廣義回歸神經網絡的路基沉降預測[J].交通科技， 2014（6）：73-75.

[7] 彭立順， 蔡 潤， 劉進波，等.基于遺傳優化神經網絡的高速公路路基沉降量預測[J].地震工程學報， 2019，41（1）：124-130，207.

[8] 郭亞宇， 孫立功，蘇兆仁.改進的BP神經網絡在路基沉降預測中的應用[J].勘察科學技術， 2010（5）：28-31.

[9] Cho M J， Martinez W L.Statistics in MATLAB： A Primer.Cladistics[J].the International Journal of the Willi Hennig Society， 2014， 32（4）：335-350.

[10] Hass H ， Kreutz C ， Timmer J ， et al.Fast integration-based prediction bands for ordinary differential equation models[J].Bioinformatics， 2015， 32（8）：1 204.

[11] 王江榮， 趙 睿， 袁維紅，等.基于遺傳算法因素篩選的BP神經網絡在軟土路基沉降數據處理中的應用[J].礦山測量， 2016， 44（5）：87-90.

[12] 蒲興波， 魏 靜， 錢耀峰，等.基于改進神經網絡的路基沉降預測[J].路基工程， 2012（3）：17-19.

作者簡介：何俊輝（1981—），高級工程師，主要從事交通建設與管理工作;

張博宇（1984—），高級工程師，主要從事交通建設與管理工作;

駱俊暉（1985—），高級工程師，主要從事交通建設方面的科研工作。