基于BP神經網絡算法的頂管下穿地表沉降預測研究

李永杰

（中國電子工程設計院股份有限公司）

1 引言

近年來，作為節地型城市基礎設施，城市地下綜合管廊已經開始在全國大力推廣，并且取得良好的經濟效益。作為常見的地下管道施工方法，在頂管下穿過程中，地層的沉降和變形是一個重要的研究問題。因此頂管下穿過程中的位移監測對整個工程施工的安全和質量至關重要，而監測數據能夠真實反映頂管下穿過程中地層的變形情況，能夠有效的控制頂管下穿過程中的頂進速度和注漿壓力。同時，通過監測數據的實時分析，對頂管頂進過程中施工參數進行及時的調整，能夠預先判斷頂進過程中地層變化是否穩定，繼續施工是否安全可靠，若出現問題也能夠提早制定方案并采取有效措施，防止出現地表坍塌、陷落等情況，確保頂進過程中周圍環境的安全。因此，需對頂管施工過程中地表沉降位移進行嚴格控制，通過對監測數據的處理和分析，對其變形值進行預測，研究其變形規律并對可能出現預警信號采取措施。

目前，關于頂管下穿地層的沉降和變形預測研究已經有一定的成果，包括基于經驗公式、數值模擬方法、統計學方法等。然而，這些方法在預測精度和適用性方面存在一些局限性。為了克服現有方法存在的問題。本論文將基于BP 神經網絡原理構建數學模型，以某市某矩形頂管施工地表沉降監測數據為例，通過BP神經網絡算法進行頂管下穿地層變形的預測，并與實測值進行比對，驗證該方法的可行性，從而得出地表沉降規律，為矩形頂管下穿過程中地表沉降控制提供參考依據。

2 BP神經網絡

2.1 BP神經網絡基本原理

BP 神經網絡（Back Propagation Neural Network，BPNN）一種按照誤差逆向傳播算法訓練的多層前饋神經網絡[1]，是目前應用最廣泛的神經網絡模型之一。BP 神經網絡模型[2]是由輸入層、輸出層和若干隱含層組成的前向連接模型，同層各神經元間互不連接，相鄰層的神經元通過權值連接且為全互連結構（見圖1）。

圖1 BP神經網絡結構

神經網絡解決現實問題的原理是通過對輸入數據進行有效組織和調整模型參數，以提高模型對數據的預測能力。神經網絡通過將輸入數據轉換成矩陣形式，并將其傳遞給模型的不同層之間的權重和偏置參數進行計算和調整。這些參數決定了神經網絡對輸入數據的響應方式。通過對參數進行調整，模型可以自動學習到輸入數據中的相關特征，并建立一種映射關系，從而實現對數據發展情況的預測。在訓練過程中，神經網絡使用反向傳播算法，根據預測結果和真實數據之間的差異，計算損失函數，并自動調整模型的參數。通過迭代訓練和參數調整，神經網絡能夠逐漸優化自身的預測能力，在輸入新數據時能夠做出更準確的預測。

2.2 BP神經網絡算法

BP 神經網絡算法主要由信號的正向傳播和誤差的反向傳播[3]兩個過程組成。在正向傳播時,輸入信號從輸入層經過隱含層的非線性變換，傳遞到輸出層，通過與預期輸出進行比較計算誤差。若誤差不滿足預定的要求，則將誤差以此進行反向傳播[3]。在反向傳播過程中，輸出層的誤差通過逐層反向傳遞回輸入層，根據誤差調整網絡各層之間的權重和偏置，不斷減小誤差，完成一次循環。正向傳播和反向傳播過程交替進行，直到網絡輸出的誤差達到要求或達到預設的訓練次數[4]。經過訓練后，BP 神經網絡能夠處理類似的輸入信號。將數據輸入已經訓練過的神經網絡中，即可得到相應的預測結果。BP神經網絡算法的核心是通過調整神經網絡各層之間的權重和偏置，以最小化輸出誤差。通過反向傳播算法實現誤差的逆向傳遞和調整，使網絡能自動學習輸入數據的特征，并對未知數據進行準確地預測。

3 工程案例應用及分析

3.1 工程概況

本工程起于市政道路西側始發井，終于市政道路東側接收井，頂管頂進長度126m，矩形頂管上方為城市主干道，車流量較大，下穿市政道路段頂管覆土厚度16m。該綜合管廊為單艙形式，管廊采用6.00mx4.3m 的斷面，內部設有給水管和通信管線。本管廊頂管工程自西向東頂進施工，穿越地層主要為中砂層及粉土層，地質條件較差，施工時易發生涌砂涌水、坍塌，易造成地表沉降。擬建場區淺部局部分布有上層滯水，深部砂層內仍分布有承壓水。本工程段潛水屬滲入開采型，補給方式以大氣降水入滲和地表水體滲漏補給為主，以人工開采和蒸發為主要排泄方式。本工程段承壓水屬滲入開采型，主要接受地下水側向徑流和越流補給，以人工開采及地下水側向徑流為主要排泄方式。

3.2 BP神經網絡的建立

BP 神經網絡模型用Matlab R2018b軟件編寫程序，建立模型并進行預測。本工程選取市政道路兩側監測數據為研究對象，在頂管下穿穿越施工影響范圍內，道路東、西兩側邊坡及路肩位置各布設1個主測斷面，每個主測斷面布設11 個監測點，與頂管軸線垂直，路肩、邊坡監測點1-11平面內水平間距分為5m、8m、6m、5m、3m、3m、5m、6m、8m、5m。

將各監測斷面同一天的11 個監測點的數據分別編為一組，共四組，整理得到總樣本。將每個觀測點的數據按照70:15:15 的比例分成訓練樣本、測試樣本以及驗證樣本，設置最大迭代次數為1000 次，學習率u=0.2，目標誤差為0.001，隱含層層數為35。

在使用BP神經網絡進行訓練之前，首先需要導入輸入和輸出數據。其中，輸入可以是觀測的期數，而輸出數據是對應該期的地表沉降累積值。這些數據將被用作訓練網絡的樣本。在網絡設置參數后，開始對網絡進行訓練。BP神經網絡的訓練過程中，常常使用均方誤差（MSE）和模型的相關系數作為評價指標來評估模型的好壞。均方誤差是計算預測值與實際值之間的差異的一種常用指標。它衡量了網絡輸出與實際輸出之間的方差，值越小表示網絡的預測越準確。而模型的相關系數是評價模型擬合優度的指標之一。它衡量了預測值與實際值之間的線性關系程度，取值范圍在-1 到1 之間。相關系數越接近1，表示模型的預測能力越強。因此，通過監控均方誤差和模型的相關系數，可以評估BP神經網絡的性能，判斷模型的優劣，并根據需要進行參數調整和優化，以提高模型的準確性和泛化能力。

3.3 地表沉降預測結果與分析

通過運用Matlab R2018b軟件建立BP神經網絡模型，從圖2可以看出：經過312次迭代計算后，達到設定的約束條件，網絡收斂，趨于穩定，于363 次迭代計算后，訓練停止。

圖2 地表沉降訓練過程圖

圖3 為預測沉降量與實際沉降量對比，由圖3可知，道路西側邊坡預測沉降量與實際沉降量相差較大，經過對現場施工記錄分析,頂管機頂進階段，千斤頂壓力、刀盤的電流強度、減阻注漿量等參數都在不斷摸索調整，進入穩定推進階段，各項參數只有小幅變化。頂管機施工對土體產生擾動，是地表沉降的直接因素，在試頂進階段，頂管機施工參數的不穩定造成了地表沉降變化的不規律。由圖3 可知，道路邊坡東側、道路路肩東側和道路路肩西側的預測模型的擬合值曲線均與實測值曲線變化規律基本一致，不過部分節點擬合數據同樣存在較明顯的波動性，在實測值上下范圍內波動，偏差在0.5mm以內。

圖3 預測沉降量與實際沉降量對比

4 結語

采用BP 神經網絡算法，構建出基于BP 神經網絡算法的地層變形預測模型，通過調節神經網絡的設置參數，并經BP 神經網絡訓練，能夠利用其自學習、自適應的特點，尋找地表沉降復雜規律，能使模型預測結果誤差在頂管施工可以接受的范圍內，具有較好的工程指導意義。