基于粒子群优化神经网络算法的深基坑变形预测方法_刘贺

第４４卷　第５期２０１４年０９月 吉林大学学报（地球科学版）Ｊｏｕｒｎａｌ　ｏｆ　Ｊｉｌｉｎ　Ｕｎｉｖｅｒｓｉｔｙ（Ｅａｒｔｈ　Ｓｃｉｅｎｃｅ　Ｅｄｉｔｉｏｎ） Ｖｏｌ．４４　Ｎｏ．５Ｓｅｐ．２０１４ 刘贺，张弘强，刘斌．基于粒子群优化神经网络算法的深基坑变形预测方法．吉林大学学报：地球科学版，２０１４，４４（５）：１６０９－１６１４．ｄｏｉ：１０．１３２７８／ｊ．ｃｎｋｉ．ｊｊｕｅｓｅ．２０１４０５２０４．Ｌｉｕ　Ｈｅ，Ｚｈａｎｇ　Ｈｏｎｇｑｉａｎｇ，Ｌｉｕ　Ｂｉｎ．Ａ　Ｐｒｅｄｉｃｔｉｏｎ　Ｍｅｔｈｏｄ　ｆｏｒ　ｔｈｅ　Ｄｅｆｏｒｍａｔｉｏｎ　ｏｆ　Ｄｅｅｐ　Ｆｏｕｎｄａｔｉｏｎ　Ｐｉｔ　Ｂａｓｅｄ　ｏｎ　ｔｈｅ　ＰａｒｔｉｃｌｅＳｗａｒｍ　Ｏｐｔｉｍｉｚａｔｉｏｎ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ．Ｊｏｕｒｎａｌ　ｏｆ　Ｊｉｌｉｎ　Ｕｎｉｖｅｒｓｉｔｙ：Ｅａｒｔｈ　Ｓｃｉｅｎｃｅ　Ｅｄｉｔｉｏｎ，２０１４，４４（５）：１６０９－１６１４．ｄｏｉ：１０．１３２７８／ｊ．ｃｎｋｉ．ｊｊｕｅｓｅ．２０１４０５２０４．基于粒子群优化神经网络算法的深基坑变形预测方法刘　贺１，２，张弘强１，刘　斌３１．吉林大学交通学院，长春　１３００２２２．吉林农业工程职业技术学院，吉林四平　１３６００１３．辽宁城建设计院有限公司，辽宁抚顺　１１３００８摘要：深基坑变形预测是进行施工参数调整和确保深基坑施工安全的重要手段，而如何对其变形进行有效、准确的预测是一个有待解决的技术难题。

采用粒子群优化算法对神经网络模型的初始权值和阈值进行优化，并将已有的变形监测数据作为神经网络的输入参数，建立了基于粒子群优化神经网络算法的深基坑变形预测方法。

将形成的方法应用于长春市火车站北广场深基坑开挖监测工程中。

结果表明：８号水平位移测点预测结果的均方根误差为３．７８％，平均百分比误差为５．４８％；９号地面沉降点预测结果的均方根误差为５．６２％，平均百分比误差为３．２３％。

经验证，本文方法预测深基坑开挖过程中的变形具有较高的可信度。

关键词：基坑；变形预测；粒子群优化；神经网络ｄｏｉ：１０．１３２７８／ｊ．ｃｎｋｉ．ｊｊｕｅｓｅ．２０１４０５２０４ 中图分类号：Ｐ６３４．１ 文献标志码：Ａ收稿日期：２０１３－１１－２３基金项目：高等学校博士学科点专项科研基金项目（２０１０００６１１２００６６）作者简介：刘贺（１９７４—），男，博士，高级工程师，主要从事地下工程监测技术方面的研究，Ｅ－ｍａｉｌ：ｌｉｕｈ＠１６３．ｃｏｍ通信作者：张弘强（１９６４—），男，副教授，主要从事地下工程监测技术方面的研究，Ｅ－ｍａｉｌ：ｔｔｇｇｊｊ＠１６３．ｃｏｍ。

Ａ　Ｐｒｅｄｉｃｔｉｏｎ　Ｍｅｔｈｏｄ　ｆｏｒ　ｔｈｅ　Ｄｅｆｏｒｍａｔｉｏｎ　ｏｆ　Ｄｅｅｐ　ＦｏｕｎｄａｔｉｏｎＰｉｔ　Ｂａｓｅｄ　ｏｎ　ｔｈｅ　Ｐａｒｔｉｃｌｅ　Ｓｗａｒｍ　Ｏｐｔｉｍｉｚａｔｉｏｎ　Ｎｅｕｒａｌ　ＮｅｔｗｏｒｋＬｉｕ　Ｈｅ１，２，Ｚｈａｎｇ　Ｈｏｎｇｑｉａｎｇ１，Ｌｉｕ　Ｂｉｎ３１．Ｃｏｌｌｅｇｅ　ｏｆ　Ｔｒａｎｓｐｏｒｔａｔｉｏｎ，Ｊｉｌｉｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ　１３００２２，Ｃｈｉｎａ２．Ｊｉｌｉｎ　Ｖｏｃａｔｉｏｎａｌ　Ｔｅｃｈｎｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｉｐｉｎｇ　１３６００１，Ｊｉｌｉｎ，Ｃｈｉｎａ３．Ｌｉａｏｎｉｎｇ　Ｕｒｂａｎ　Ｃｏｎｓｔｒｕｃｔｉｏｎ　Ｄｅｓｉｇｎ　Ｉｎｓｔｉｔｕｔｅ，Ｆｕｓｈｕｎ　１１３００８，Ｌｉａｏｎｉｎｇ，ＣｈｉｎａＡｂｓｔｒａｃｔ：Ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ｔｈｅ　ｄｅｆｏｒｍａｔｉｏｎ　ｉｓ　ｏｎｅ　ｏｆ　ｔｈｅ　ｍｏｓｔ　ｉｍｐｏｒｔａｎｔ　ｍｅｔｈｏｄｓ　ｆｏｒ　ｔｈｅ　ｃｏｎｓｔｒｕｃｔｉｏｎｐａｒａｍｅｔｅｒ　ａｄｊｕｓｔｍｅｎｔ　ｆｏｒ　ｄｅｅｐ　ｆｏｕｎｄａｔｉｏｎ　ｐｉｔ．Ｈｏｗｅｖｅｒ，ｉｔ　ｉｓ　ｓｔｉｌｌ　ａ　ｃｈｉｌｌｉｎｇ　ｔａｓｋ　ｔｏ　ｅｆｆｅｃｔｉｖｅｌｙ　ｐｒｅｄｉｃｔａｃｃｕｒａｔｅ　ｄｅｆｏｒｍａｔｉｏｎ　ｉｎ　ｅｎｇｉｎｅｅｒｉｎｇ　ａｐｐｌｉｃａｔｉｏｎ．Ｗｅ　ｐｒｏｐｏｓｅｄ　ｄｅｆｏｒｍａｔｉｏｎ　ｐｒｅｄｉｃｔｉｏｎ　ｍｏｄｅｌ，ｗｈｉｃｈ　ｉｓｂａｓｅｄ　ｏｎ　ｔｈｅ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｏｐｔｉｍｉｚｅｄ　ｂｙ　ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ，ｆｏｒ　ｔｈｅ　ｄｅｆｏｒｍａｔｉｏｎ　ｏｆ　ｔｈｅ　ｄｅｅｐｆｏｕｎｄａｔｉｏｎ　ｐｉｔ　ｂａｓｅｄ　ｏｎ　ｆｉｌｅｄ　ｄａｔａ．Ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｍｏｄｅｌ　ｉｓ　ｅｓｔａｂｌｉｓｈｅｄ　ｂｙ　ｕｓｉｎｇ　ｔｈｅ　ｅｘｉｓｔｉｎｇ　ｍｏｎｉｔｏｒｉｎｇｄａｔａ　ａｓ　ｉｎｐｕｔ　ｐａｒａｍｅｔｅｒｓ　ｏｆ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ．Ｔｈｅ　ｉｎｉｔｉａｌ　ｗｅｉｇｈｔｓ　ａｎｄ　ｔｈｒｅｓｈｏｌｄ　ｖａｌｕｅｓ　ｏｆ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｍｏｄｅｌ　ａｒｅ　ｏｐｔｉｍｉｚｅｄ　ｂｙ　ｕｓｉｎｇ　ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｔｏ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｐｒｅｄｉｃｔｉｏｎ　ａｃｃｕｒａｃｙ　ａｎｄｐｒｅｄｉｃｔｉｏｎ　ｅｆｆｉｃｉｅｎｃｙ　ｏｆ　ｔｈｅ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ａｌｇｏｒｉｔｈｍ．Ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｍｅｔｈｏｄ　ｉｓ　ｕｓｅｄ　ｆｏｒ　ｔｈｅ　ｆｏｕｎｄａｔｉｏｎｐｉｔ　ｌｏｃａｔｅｄ　ｉｎ　ｎｏｒｔｈ　ｐｌａｚａ　ｏｆ　Ｃｈａｎｇｃｈｕｎ　ｒａｉｌｗａｙ　ｓｔａｔｉｏｎ　ｃｏｍｐｒｅｈｅｎｓｉｖｅ　ｔｒａｆｆｉｃ　ｔｒａｎｓｆｅｒ　ｃｅｎｔｅｒ．Ｔｈｅ　ｒｅｓｕｌｔｓｓｈｏｗ　ｔｈａｔ　ｆｏｒ　ｔｈｅ　Ｎｏ．８ｐｏｉｎｔ　ｍｅａｓｕｒｉｎｇ　ｈｏｒｉｚｏｎｔａｌ　ｄｉｓｐｌａｃｅｍｅｎｔ，ｔｈｅ　ｒｏｏｔ　ｍｅａｎ　ｓｑｕａｒｅ　ｅｒｒｏｒ（ＲＭＳＥ）ｏｆｔｈｅ　ｈｏｒｉｚｏｎｔａｌ　ｄｉｓｐｌａｃｅｍｅｎｔ　ｏｆ　Ｎｏ．８ｐｏｉｎｔｓ　ｉｓ　３．７８％，ｔｈｅ　ｍｅａｎ　ａｂｓｏｌｕｔｅ　ｐｅｒｃｅｎｔａｇｅ　ｅｒｒｏｒ（ＭＡＰＥ）ｉｓ５．４８％；ｆｏｒ　ｔｈｅ　Ｎｏ．９ｐｏｉｎｔ　ｍｅａｓｕｒｉｎｇ　ｇｒｏｕｎｄ　ｓｅｔｔｌｅｍｅｎｔ，ｔｈｅ　ｎｕｍｂｅｒ　ｒｅｓｐｅｃｔｉｖｅｌｙ　ａｒｅ　５．６２％ａｎｄ３．２３％．Ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｍｅｔｈｏｄ　ｃａｎ　ｂｅ　ｒｅｌｉａｂｌｙ　ｕｓｅｄ　ｔｏ　ｐｒｅｄｉｃｔ　ｔｈｅ　ｄｅｆｏｒｍａｔｉｏｎ　ｏｆ　ｔｈｅｄｅｅｐ　ｆｏｕｎｄａｔｉｏｎ　ｐｉｔ．Ｋｅｙ　ｗｏｒｄｓ：ｆｏｕｎｄａｔｉｏｎ　ｐｉｔ；ｄｅｆｏｒｍａｔｉｏｎ　ｐｒｅｄｉｃｔｉｏｎ；ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ；ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ０　引言随着地下空间的不断开发，深基坑工程呈现出规模不断扩大、深度不断加深的发展趋势，因此，确保基坑施工安全成为深基坑工程的首要任务。

深基坑工程的变形不仅涉及土的力学特性，还受到土与结构相互作用、地下水位和环境温度等因素的影响，开挖过程其变形具有明显的时间和空间效应。

所以，深基坑安全施工是一个动态、复杂的系统工程。

深基坑变形预测是确保深基坑施工安全的一项重要措施，在施工方案调整和施工风险规避等方面具有重要的实用价值［１］。

针对深基坑变形预测方法，国内外专家学者展开了相应的研究，将数值模拟方法应用到基坑变形预测中［２－４］。

该方法的基本思想是建立基坑有限元分析模型，在有限元分析模型中输入计算参数，对基坑的变形进行计算。

由于深基坑工程是一个动态非线性过程，加上内部和外部参数的不确定性，导致有限元模型的输入参数难以准确计算。

由于数值模拟方法难以对基坑变形进行准确预测，系统分析方法在基坑变形预测中得以广泛应用。

常用的基坑变形预测系统分析方法主要包括时间序列分析［５］、灰色系统理论［６］、模拟退火算法［７］、遗传算法［８－９］以及人工神经网络理论［１０－１１］等。

其中人工神经网络理论具有较强的自适应和自学习能力，对于高度复杂的非线性问题具有良好的模拟能力，能较好地模拟基坑变形的发展规律。

针对复杂多因素影响系统，人工神经网络能够克服其他系统分析方法的不足，建立准确的预测模型，实现基坑变形预测。

但神经网络算法存在对初始权值和阀值较为敏感、容易陷入局部极小值和收敛速度慢等缺点。

利用粒子群优化算法对其进行优化，能够改善神经网络性能，提高深基坑变形预测的准确性［１２］。

粒子群优化算法（ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）是由Ｊ．Ｋｅｎｎｅｄｙ和Ｒ．Ｃ．Ｅｂｅｒｈａｒｔ［１３］根据鸟群觅食过程中的迁徙和聚集现象提出的一种基于群体智能原理的非线性优化算法。

它采用种群的全局搜索策略和简单位移－速度模式在解空间搜索最优解；通过粒子的不断更新，完成解空间的动态全面搜索［１４］；采用粒子群优化算法改进神经网络，通过粒子迭代求出全局优化初始权值和阈值，应用于神经网络，可以提高神经网络的性能［１５］。

笔者采用粒子群算法对神经网络模型中的阀值和初始权值进行优化，建立了基坑变形预测模型，提出了深基坑变形预测方法。

将前期实测变形数据作为神经网络的输入参数，对神经网络进行训练，训练的神经网络能够对基坑后续变形进行准确预测。

１　基坑变形预测方法的基本理论及原理１．１　神经网络模型的设计三层ＢＰ网络能够模拟复杂非线性的输入输出关系［１６］。

笔者采用三层ＢＰ神经网络作为基坑变形预测模型进行基坑变形预测。

采用的ＢＰ神经网络结构由输入层、隐含层和输出层组成。

１．１．１　输入层设计基坑的变形受开挖形式、开挖深度、地下水位以及土压力等众多因素的影响。

随着基坑的开挖，变形是一个连续动态过程，具有极强的时间效应。

把影响因素直接作为神经网络输入变量，难以对基坑变形进行准确预测。

综合考虑各因素对变形的影响，把前期实测变形值作为神经网络模型输入变量，预测基坑后续变形值。

１．１．２　隐含层设计确定隐含层的节点个数是隐含层设计的主要任０１６１ 吉林大学学报（地球科学版） 第４４卷　务。

隐含层节点个数过多，会降低神经网络算法的泛化能力，增加样本训练时间；节点个数过少，则会降低神经网络算法获取训练样本有效信息的能力。

笔者采用公式（１）对隐含层节点数进行估算，确定隐含层由１０个节点组成，即ａ＝ｂ＋０．６１８（ｂ－ｌ）。

（１）式中：ａ为隐含层节点数；ｂ为输入层节点数；ｌ为输出层节点数。

１．１．３　输出层设计Ｐｕｒｅｌｉｎｅ函数是一个线性函数，函数形式如图１所示。

笔者采用Ｐｕｒｅｌｉｎｅ函数作为输出层的传递函数，能够使输出层对输出值具有较好的敏感性。