地鐵車站基坑變形監測及預測模型分析研究

項 陽

（合肥市軌道交通集團有限公司，安徽 合肥 230000）

0.引言

近年來，隨著社會經濟的發展，科學技術水平的提高，更多先進的技術應用到現代城市的發展建設中，各大城市均著眼于地下空間的開發利用[1]，尤其是城市地鐵建設，發展愈加迅猛。基坑工程作為地鐵建設的基礎性工作，施工安全性直接影響了地鐵工程及周邊環境的安全。因此，為了保證建筑物的安全，需要采用一定的監測方法對基坑進行安全監測，通過對基坑施工過程中的變形數據的實時獲取及預處理，判斷現階段的基坑的安全狀態[2]。同時以多期觀測數據為基礎，建立基坑變形趨勢預測模型，對基坑變形趨勢有一個較為準確地預測，合理地指導施工，確保基坑工程安全施工[3]。尤其是對于地鐵車站基坑而言，普遍位于市區地段，周邊建構筑物相對較為復雜，同時基坑開挖普遍較深，施工期間基坑自身的安全和周邊環境的安全尤為重要，因此，需要對此類基坑進行重點監測。

地鐵基坑監測時，應采用一些數學方法對后續基坑變形狀態進行合理預測，以便提前采取相關措施規避風險。人工神經網絡就是因為該模型與人類大腦神經細胞的結構和功能相似，并且是動態變化的，所以在對復雜性數據進行處理時，十分合適[4]。由于該模型根據訓練樣本進行訓練，所以是目前預測較準確的模型，這也使得模型具有很大的不確定性，另外因為人工神經網絡是一種內部不可見的操作系統，這使得無法直觀看到內部輸入對象之間變化關系，缺乏直觀性。小波去噪可以有效降低原始數據中的異常值[5]，使得原始數據更為科學合理，從而提高預測模型精度。本文將結合小波去噪和BP神經網絡實現變形監測數據分析和預測，并對預測結果進行精度分析。

1.地鐵車站基坑沉降監測

某地鐵車站基坑規模為485.9m×21.54m（不含結構內襯墻），站中心處頂板覆土約4.73m，車站中心底板埋深約25.288m。站中心軌面標高為-19.040m，為雙柱三跨現澆鋼砼箱形結構。工程建筑的基坑監測是利用高精度的測繪測量儀器進行長期多次重復觀測的過程。具體的實施方法如下：使用高精度水準儀對基坑主體及周邊建筑物進行沉降監測，首先需要在建筑物周圍設置相應的基準點，在固定基準點測量各監測點的高程。根據工程的需要，共設置基坑主體周圍觀測點11個，外圍水準基點3個，采用二等水準測量方法對監測點進行周期性監測，基坑開挖期間監測頻率為一天一測，基坑開挖完成后至基坑主體結構施工期間監測頻率為三天一測，匯總監測數據成果，作為原始監測數據，對其進行分析研究。

2.BP 神經網絡

2.1 BP神經網絡原理

BP（Back Propagation）神經網絡是以誤差值逆向傳播修正權值的多次有限的迭代算法，達到訓練標準的多層前饋神經網絡，由三層構成輸入層、隱含層和輸出層構成（如圖1所示）。BP神經網絡的基本思想是利用梯度下降法快速分配誤差，以達到網絡的輸出值與期望輸出值差值滿足精度需求。BP神經網絡的算法分為信號的前向傳播和誤差的反向傳播兩個過程：

（1）信號的前向傳播：樣本數據經輸入層按不同的權重傳遞到隱含層，由激活函數計算輸出值，上層的輸出值作為下層的輸入值，以此計算類推，直到輸出層；

（2）誤差的反向傳播：根據網絡輸出值與期望值的誤差建立損失函數，求解誤差梯度，修正每層的權重值。再按前向傳播解算實際輸出值，直到輸出值及期望值滿足停止準則，迭代計算終止，網絡訓練完成。

圖1 BP神經網絡模型圖

2.2 BP神經網絡具體算法實現

式（8）和式（9）中，η為學習效率；ek和ej表示期望輸出和實際輸出的差值。

（6）迭代結束判定

重復循環（4）—（6）步訓練過程，直到滿足精度要求或訓練次數達到最大訓練次數，循環終止即網絡模型訓練完成。BP神經網絡流程（如圖2所示）：

圖2 BP神經網絡流程圖

3.小波－BP 神經網絡設計

選取地鐵車站基坑具有代表性的某個監測點進行分析研究，對該觀測點進行了47期的觀測，累計沉降量數據（如表1所示）：

表1 觀測點累計沉降量數據表

3.1 數據預處理

采用小波去噪算法將原始數據進行預處理，去噪效果對比（如圖3所示）。在實際測量數據中，由于測量誤差或記錄失誤等原因造成數據出現異常時值（圖3中虛線標記處），若采用原始數據進行網絡模型訓練難以達到預期精度，經小波去噪后的數據消除了異常值的影響，并將該數據作為后續的網絡訓練樣本數據。

圖3 小波去噪對比效果圖

3.2 BP神經網絡設計

本文采用一個隱含層進行BP神經網絡設計，將1—40期數據作為網絡訓練數據，41—47期為測試數據；沉降數據具有明顯的時間序列特征，在網絡運行中采用滑動窗口的方式迭代前進，將每4期數據作為樣本輸入組，以下一期數據作為輸出的目標數據，依次迭代，直至訓練或預測完成終止，網絡模型中輸入輸出模式（如表2所示），訓練參數（如表3所示）：

表2% BP神經網絡的訓練過程輸入輸出模式

表3 訓練參數表

3.3 模型精度評價方法

BP神經網絡預測模型成果精度分析主要可分為三個方面，分別為平方和誤差、均方誤差以及平均絕對百分比誤差，各自計算過程分別如式（10）、式（11）和式（12）所示：

4.實驗效果展示及精度分析

針對小波去噪對神經網絡訓練效果及預測效果的影響問題，實驗采用了經小波去噪和未經小波去噪的兩種數據作為訓練數據，對小波去燥效果進行分析研究。訓練階段的擬合趨勢對比（如圖4所示）、預測結果對比（如圖5所示）、模型精度分析（如表4所示）：

圖4 訓練結果對比圖

由圖4分析可知：未去噪的BP神經網絡擬合數據波動性較大，相比之下基于小波去噪的BP神經網絡的擬合程度更高。

圖5 預測結果對比（左）和預測誤差對比（右）

表4 預測結果精度分析表

由圖5可知：小波去噪前BP神經網絡預測模型的各期預測成果均大于真實測值，而經小波去噪后，各期預測成果與真實測值較為貼近，沉降變形預測曲線基本與真實測值曲線相重合；通過對去噪前后預測成果的殘差絕對值進行對比分析可知，經小波去噪后，BP神經網絡預測模型的每一期預測成果，其預測誤差均得到了較大程度改善，遠小于去噪前預測誤差。

由表4可知：在進行小波去噪前，BP神經網絡模型的預測成果最大殘差為-0.17mm，SSE數值為0.1325mm，MSE數值為0.0189mm，MAPE數值為0.78%；當采用小波去噪處理后，BP神經網絡模型預測成果最大殘差為-0.07mm，SSE數值為0.0105mm，MSE數值為0.0015mm，MAPE數值為0.19%，相較于小波去噪前，去噪后的預測成果精度得到了大幅度提升。小波去噪前后的BP神經網絡預測模型最大殘差均在0.2mm以內，預測成果準確度較高，滿足工程應用要求；基于小波去噪BP神經網絡模型，預測成果精度遠高于未去噪的預測模型，數據波動較小，與實測結果的貼合度更高。

5.結束語

地鐵基坑變形監測是地鐵工程項目安全施工及周邊環境安全的重要保障，對監測對象變形趨勢的科學合理預測，有利于及時發現地鐵基坑工程的潛在風險，做好規避工作。本文通過對BP神經網絡預測模型和小波去噪進行詳細闡述，對小波去噪前后的BP神經網絡預測模型預測結果進行對比分析，驗證了去噪前后的預測模型均滿足工程需求，且小波去噪可以過濾測量數據中的異常值，去噪后的預測模型精度遠高于去噪前預測模型，預測成果具有較高的穩定性，更貼近實測數據。