基于人工神經網絡的地基長期沉降變形預測

唐 凱 湖南省第五工程有限公司

1 引言

建筑物及構筑物在服役期中，其地基常產生顯著的長期沉降，而由于地基長期沉降變形的存在，易導致建筑物或構筑物在服役期間產生許多安全問題。因此，如何精準的預測地基的長期沉降變形并針對該問題進行及時處理就變得十分重要。目前，國內外已經有許多學者針對地基長期沉降變形問題展開了十分深入的研究[1-6]。魏星等[7]已針對長期交通荷載作用下的軟土地基沉降變形進行有限元分析，并在此基礎上得到可合理表征軟土地基長期沉降變形的經驗公式；黃文華等[8]采用數值試驗和室內試驗結合的方式針對某工業建筑地基長期沉降變形進行深入研究，結果表明地基最大沉降位置為建筑物中心位置，其研究結果為工業建筑的長期服役性能優化提供了科學指導。除上述方法外，考慮到地基長期沉降變形的影響因素較多，其各因素之間的相關性不明確，韓汝才[9]和夏江[10]等嘗試采用人工智能算法對地基沉降進行預測，并取得了較好的成果，在此基礎上，張慧梅等[11]利用神經網絡算法構建模型對軟土地基沉降進行預測，并認為網絡模型可較好地反應地基沉降變形特征，且可反應多個因素對地基沉降變形的影響。

綜上所述，目前雖已經有諸多學者針對地基沉降預測進行了深入研究，但考慮到實際工程情況較為復雜，且仍缺乏精準的地基長期沉降預測方法，仍需針對軟土地基長期沉降預測開展深入研究。因此，本研究擬結合人工神經網絡算法，構建可實現地基長期沉降預測智能化模型，并結合實際工程案例進行深入分析。

2 人工神經網絡模型的建立

2.1 人工神經網絡工作原理

人工神經網絡算法基于生物神經網絡結構提出，其具有智能化特征。一般而言，神經網絡算法以多個因素作為輸入變量，當輸入變量輸入進神經網絡后，輸入變量將通過多個網絡節點最終達到輸出層，在整個網絡模型運算過程中，各個網絡節點將按某種設定方式對輸入數據進行數學化處理，實現最終輸出結果與實際結果的誤差最小化。區別于一般的數學模型，神經網絡模型將直接建立輸入變量與輸出變量之間高度的非線性關系，并進一步對構建的對應關系實現預測。

2.2 網絡模型結構設計

一般而言，神經網絡模型包含三個類型的層次結構，分別為輸入層、隱含層以及輸出層。針對不同類型的工程實際情況，其每一個模型層所包含信息均不一致，本研究結合某工業區具體情況，構建得到含單個隱含層的網絡模型，其最終網絡拓撲結構如圖1所示。需要說明的是，在進行研究過程中，輸入層變量分別設定為時間（t/天），填土厚度（H/cm），處理層填土厚度（H-c/cm）以及土體綜合模量（M/MPa），輸出層變量則為地基監測沉降量（S）。

圖1 網絡模型拓撲結構

根據以上所建立的網絡模型，其中隱含層節點數目需要進一步計算得到，其具體計算方式見公式（1）。

在進行模型訓練及預測過程中，需要采用歸一化方法對輸入變量數據Ii進行預處理。在本研究中，所采用的歸一化方法如公式（2）所示。

將預處理后變量Ii輸入網絡，與此同時，將采用所設置完畢的初始權重（Wi）j、偏置以及傳遞函數對下層輸出值（h）j進行計算，其計算流程如公式（3）所示。

式中：

[（fx）]——傳遞函數。

在本研究中該函數采用tansig函數，如具體表達式如公式（4）所示。

當計算得到隱含層輸出值后，利用初始化后的隱含層與輸出層之間的連接權值（wjk）及偏置進一步計算得到輸出層輸出值（Ok），如公式（5）所示。

當輸入變量向前傳播至輸出層并計算得到輸出值后，進一步利用全局均方差誤差對模型訓練精度進行判斷，全局均方差誤差可由公式（6）計算得到。

式中：

S— —訓練樣本組數；

——第p組樣本輸出變量實測值。

當誤差無法符合預期，模型則利用梯度下降算法進行反向傳播以重新調整各個層間權值（w）、金額偏置（b），其調整方式如公式（7）和（8）所示。

式中α為學習效率。

3.1 工程實例概況及模型訓練

圖2 模型訓練誤差

本研究以株洲某工業區為例，所選取變量分別為時間（t/天），填土厚度（H/cm），處理層填土厚度（H-c/cm）以及土體綜合模量（M/MPa），其中處理層填土厚度以及土體綜合模量均為固定值，對于本工程而言，其處理層填土厚度為9.0cm，土體綜合模量為45.7MPa。針對該工程地基沉降進行長期監測后獲取327天沉降變形數據，在進行神經網絡模型計算時，選取前60天數據進行模型訓練，得到模型訓練誤差如圖2所示。從圖中可以看出，該模型訓練后誤差較小，可較好地反應該工程地基沉降情況。

3.2 預測結果分析

3 工程實例驗證

進一步采用訓練后模型對該工程地基長期沉降變形進行預測，得到最終結果如表1所示。從表中可知，整體而言，預測結果和檢測結果差距較小，在工程后94天以及327天時，其監測沉降變形分別為199.0mm和215.0mm，其預測結果分別191.0mm和210.0mm，絕對誤差均小于10%，可初步認為該網絡模型可較完備地反應地基長期沉降變形特征，且具有較高精度。

表1 預測結果

為更精準地分析該網絡模型的預測能力，進一步對比預測結果和實測結果得到如圖3所示的結果，從圖3中可知，整體而言，該模型輸出結果和實測結果匹配程度較好，表明該模型具有較為優越的預測能力，不僅可較好地反應短時期內的地基沉降變形特征，且能較好地表征地基長期變形特征，通過短期內實測數據進行模型訓練即可實現地基變形的長期預測，模型簡便，所需物理參數較少，具有重要的實際工程意義，可有效地指導實際工程。

圖3 預測結果與實測結果對比

4 結論

本研究針對實際工程施工過程中的地基長期沉降變形問題，將人工神經網絡算法引入進預測模型中，構建可實現地基長期沉降預測的神經網絡模型，并結合株洲某工業區實際案例，對其工程價值進行分析，得到主要結論如下。

a）結合實際工程情況以及地基沉降監測數據實現模型訓練，表明該模型可達到較高的預測精度，且可充分反應各個因素對地基沉降變形特征的影響，能有效地反應地基沉降變形特征。

b）將訓練完成模型用于地基長期沉降變形預測，結果表明該模型預測精度較好，其預測值和實測值誤差較好，該模型科學合理，原理簡便，具有重要工程意義。