当前位置：文档之家 › 基于优化的BP神经网络算法的深基坑沉降预测

基于优化的BP神经网络算法的深基坑沉降预测

  • 格式：pdf
  • 大小：1.02 MB
  • 文档页数：4

第3期李篷王红梅王若锋熊靖飞：基于优化的BP神经网络算法的深基坑沉降预测2020年6月

李篷王红梅王若锋熊靖飞

(中化地质郑州岩土工程有限公司，河南 郑州450011)

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、准确地预测

是一个有待解决的技术难题。BP

神经网络是深基坑变形预测的常用方法，但存在易陷入局部最优的特点。模拟退火算法(SA)

是一种全局优化的启发式算法，但可能出现跳出全局最优的情况。本文利用SA

对BP

神经网络的权值和阈值进行全局搜索优

化，同时增加SA

的记忆功能，可以有效克服两种算法的缺陷，并提高预测精度。本文用SA

优化BP

神经网络算法对郑州市107

辅

道快速化工程深基坑沉降进行预测。结果发现,经优化的BP

神经网络能够跳出局部最优,预测精度提高,平均绝对误差(MAE

)

由056

提高至0507;

均方根误差(RMSE)

由056

提高至051;

平均相对误差(MRE)

由2.9%

提高至0.08%

。

关键词

基坑变形;沉降预测;BP

神经网络,模拟退火算法;记忆功能

中图分类号

P236 文献标识码

A 文章编号

2095-7319(2020)03-0101-04

0.引言

经济的迅猛发展推动了城市基建项目不断向超

大、超深规模发展,对于基坑变形的监测和预报要求

也越来越高。基坑变形的预测可以有利于后续在基

坑的方案上不断地进行优化,针对深基坑变形预测的

研究已有很多

［1］,主要的系统预测方法分为回归分

析法寸间序列分析预测法冋、灰色系统预测法阴

和人工神经网络预测法

150等。其中，人工神经网络

具有强大的自学习能力，在处理非线性以及复杂时

间序列问题中有独特的优势。基坑监测数据多属于

非平稳的复杂时间序列，运用BP神经网络进行基坑

形变预测的研究受到了广泛关注叫

2、、

但是,BP神经网络存在训练收敛速度较慢，容

易陷入局部极小值等问题

#$%剧。而模拟退火算法

(SA)是一种全局搜索优化的人工智能算法,将二者

有效结合能够充分发挥每种算法的优点,实现对时

间序列数据更为精确的预测问。本文在此基础上利

用SA优化BP(BackPropagation)神经网络的权值和

阈值,使其尽可能满足全局最优。然后以郑州市107

辅道快速化工程深基坑监测工程的基坑沉降预测为

例,对比经优化的和未经优化的BP神经网络算法的

预测过程和预测能力。

1.SA优化的BP神经网络算法

1.1 BP神经网络

BP神经网络也就是误差反向传播神经网络，基 于多层感知器，结合信号正向传播和误差的反向调

节,不断修正调整内部网络连接强度大小,使实际输

出和期望输出的误差平方和最小，从而有效建立用

于处理非线性信息的智能化网络预测模型

卩

457、

BP神经网络由输入层、隐含层和输出层3部分

组成,其工作过程主要为两个阶段:信号正向传播过

程和误差的反向传播过程。误差信号由输出端开始

沿隐含层向输入层的方向逐层传播，各层网络的每

个神经元权重以及阈值随误差的变动而逐渐调整；

而每次误差的减小将会使得网络中各神经元的权重

及阈值向误差减小的方向变化，最终,当误差降低为

最小值后，得到的网络权重和阈值则为最优权重和

阈值，网络也为最佳网络

17、

由BP神经网络的原理可知，多层神经网络的非

线性的误差曲面可能含有多个不同的局部最小值，

而神经网络对于网络权值以及阈值的调整始终沿着

训练误差减小的方向进行，因此，存在其解容易陷入

局部最小的缺陷

13］、

1.2模拟退火算法

模拟退火算法(SA)源于固体的物理退火过程，

是在Metropolis准则下随机寻求全局最优的一种启发

式算法，其主要目的是克服优化过程陷入局部极小

值以及算法对初值的依赖性的问题。其算法步骤如

下:

(1 )设定初值,给定初温

!

0,初解

S

0及能量初值

/101

/2020

年6

月经纬天地

第3

期

!

6,设定最小目标能量值Ebest,马尔可夫链长度",

算法终止温度#

n。

⑵进行随机扰动产生新解S

nw对应的育糧值！

e。

⑶计算能量差二！

ne-!6。

(4) 若!

！＜,则

Sbt 二Sn

e, 二！

nW 进入步骤(6)。

(5) 若!！M0,则按照Metropolis准则进行判定。

(6) 对当前温度，重复步骤(2)—(5)迭代"

次。

(7) 如果算法达到终止温度或最小目标能量值,

则结束算法,当前解即为最优解。否则降低温度，重

复步骤(2)—(6),直至达到终止条件。

由SA的基本原理可知，该算法能够跳出局部最

优解，可以有效解决BP神经网络的缺陷,使优化后

的BP神经网络具有更为理想的预测效果。但是，在

算法进行过程中，由于Metropolis准则判定的结果会

出现网络跳出全局最优解的情况。

1.3 SA优化的BP神经网络

本文利用SA优化BP神经网络的初始权值和阀

值，改变网络误差变化方向，有效克服BP神经网络

易陷入局部最优的缺陷。同时，针对SA可能跳出全

局最优的情况，增加了SA的记忆功能。该方法称为

SA-BP神经网络,其基本思路如下：(1) 构建BP神经网络，设定该神经网络和SA各

参数。

(2) 在温度为初始温度时，对BP神经网络进行

训练，利用梯度下降方式得到一个局部最优误差下

神经网络及其权重和阈值。

(3) 对这个温度为初始温度下最优神经网络的

权重和阈值进行随机扰动，得到一个新的神经网络,

再次利用梯度下降进行训练，并进行预测。

(4) 利用Metropolis准则对该神经网络预测效

果进行判断,得到当前温度下最佳权重和阈值。

(5) 记忆预测误差；降低温度，重复步骤(2)—

(4)；达到终止温度或目标误差,结束算法。

2.实例分析

2.1工程概况

以郑州市107辅道快速化工程深基坑监测工程

的沉降变形为研究对象。地面辅道为双向八车道的

地面道路形式，基坑宽约37m°该工程具有开挖深度

大、周边交通状况复杂

(如图1

所示)、施工场地狭小

等特点,造成基坑施工的安全保障难度大,必须对基

坑变形值进行实时现场监测，确保累积沉降变形

量V22 mm,并对其后期的变形值和发展趋势进行

商鼎路崗架

北散开段

匕里河

莲湖路地道

污水管地铁1号线

MH

南敞幵段

图1郑州市107辅道快速化工程深基坑监测工程示意图

预测。

w-

2.2数据采集与处理

本文选择郑州市107辅道快速化工程第11节段

的桩顶沉降为研究对象。按照规范要求，沉降基准点

布设在3-5倍基坑深度外的稳定区域，本工程布设4

个沉降基准点,3个监测点。监测工作从2213年2月

4日开始，至2013年3月38日,采用二等水准测量方

法进行沉降监测,共采集73期沉降监测数据。监测时

间间隔由基坑沉降速率决定。13个监测点在基坑开

挖期间的累计沉降变化

(如图2

所示)由图2可见，基

坑开挖引起的最大沉降发生在WYC11-10点，最大Z//

声/ZZZX

图2第11节段10个监测点的累计沉降变化

/102

/第3期李篷王红梅王若锋熊靖飞：基于优化的BP神经网络算法的深基坑沉降预测2020年6月

累计沉降量为9.06mm。本文以该监测点WYCH-W

的数据为例,进行沉降预测研究。

将实验数据分为“训练一输入”、“训练一输出”、

“测试一输入”、“实测值”。为提高预测精度,训练数

据每一组都采用连续

5期数据作为输入样本,接下来

1期数据作为训练输出

,73期数据可以分成

68组。由

于沉降后期变化趋于平缓，本文选择对沉降中后期

数据进行仿真预测。利用前

50组进行网络训练,预

测后期的

18组数据，与实测进行比较。选取平均绝

对误差

(MAE)、均方根误差(

RMSE)和平均相对误

差(

MRE)作为预测精度的评价指标。

预测模型参数设置如下:BP神经网络结构设为

3层,输入层激活函数采用log-sigmoid型函数,输出

层采用线性激活函数。输入层节点5个,隐含层7个,

输出层1个。训练次数20000,学习速率0506,目标误

差05001OSA的参数为:初温1001,各温度下迭代次

数20,退火速率058,终止条件循环200次或达到目

标误差。

2.3

算法分析与结果对比

2.34训练过程分析

相对BP神经网络,SA_BP神经网络在训练过程

中，扩大了最小误差搜索范围。经过其预测得到的

最优误差曲线以及位置情况

(如图3

所示)。由图3可

知，当温度为28 1时,SA_BP神经网络预测误差达

到最小，误差平方和(SSE)为0.0009。而不是当温度为

100oC下的BP神经网络SSE 6.4621；也不是当温度降预测误差平方和变化统计

2.3.2预测结果比较

2.354预测效果比较

用SA-BP神经网络和BP神经网络预测累计沉

降结果

(如图

4所示)OBP神经网络的预测结果整体低

于实测值,SA_BP神经网络的预测结果与实测值更

吻合。

9.1­

9. 0­

-

等&

8-

& 7­

8. 6--■-实测值

• 闘预测值

Tl SA-BP预测值

图4 BP

神经网络、SA-BP

神经网络预测值

与实测值对比

2.355预测精度比较

表1统计了两种算法的预测精度。从三种评价指

标可以看出，SA_BP神经网络的预测精度均显著高

于BP神经网络的预测精度。说明SA-BP算法对累计

沉降量的预测效果优于BP神经网络,且算法的预测

稳定度高。

表-BP

神经网络与SA-BP

神经网络

评价指标预测

V精度

P

神经1J统计

SI-BP

神经网络

平均绝对误差

(MAE)65550507

均方根误差

(RMSE)6563

平均相对误差

(MRE)25970572

3■结束语

本文针对传统BP神经网络易于陷入局部最小

值的缺陷，以及SA可能跳出全局最优的情况，用增

加记忆功能的SA改进BP神经网络,改进的SA-BP神

图3 SA-BP

神经网络降温过程中各温度

/103

/

合集下载

基于BP人工神经网络的公路软土地基沉降预测

基于BP人工神经网络的公路软土地基沉降预测

总第２４０期　２Ｏ１Ｏ年第３期　交　通科技　Ｔｒａｎｓｐｏｒｔａｔｉｏｎ　Ｓｃｉｅｎｃｅ　８Ｌ　Ｔｅｃｈｎｏｌｏｇｙ　Ｓｅｒｉａｌ　ＮＯ．２４０　Ｎｏ．３　Ｊｕｎｅ．２０１０　

基于ＢＰ人工神经网络的公路软土地基沉降预测　张德刚　翟　娟　（１．中交一公局桥隧工程有限公司　高碑店０７４０００；２．湖北交通职业技术学院　武汉４３００７９）　摘要采用ＢＰ人工神经网络，利用杭瑞高速公路软土地基实测沉降数据直接建模，进行了软土　地基最终沉降量的预测．将预测结果与曲线拟合法中的双曲线法、指数曲线法、三点法的预测结果　进行了对比分析。证明神经网络法能避免传统方法计算过程中各种人为因素的干扰，计算精度　高，泛化性强，简便易行　关键词　软土路基　沉降预测　人工神经网络　在软土地基上修建高速公路，其核心问题在　于控制软基的沉降口］。为了掌握路堤在施工期中　的变形动态，必须建立动态观测和软基沉降动态　预报系统。一方面确保路堤在施工过程中的安全　和稳定；另一方面，软土地基上的高速公路路基潜　在的工后沉降会对交通运输造成相当大的危害，　因此要正确预测工后沉降，使工后沉降控制在设　计的允许范围之内。由于影响软土路基沉降的因　素很多［２］，且各因素随时间都在不断变化，而且软　土的性质极为复杂，土性参数的确定比较困难，准　确计算和预测软土路基沉降是软土路基施工控制　技术的难点。　本文采用ＢＰ人工神经网络，利用杭瑞高速　公路软土地基实测沉降数据直接建模，进行了软　土地基最终沉降量的预测，将预测结果与曲线拟　合法中的双曲线法、指数曲线法、三点法的预测结　果进行对比分析。　１神经网络建模及训练　１．１数据采集及归一化处理　训练样本数据见表１，为使网络训练更加有　效，在训练前可对样本数据进行归一化处理，即将　输入输出数据映射在［一ｌ，１］范围内，训练结束　后，将仿真输出再反映射到原数据范围。可以直　接调用Ｍａｔｌａｂ神经网络工具箱∞　提供的归一化　和反归一化函数。本文归一化处理就是直接调用　函数来进行处理。归一化函数为ｐｒｅｍｎｍｘ，反归　一化函数为ｐｏｓｔｍｎｍｘ。　收稿日期：２Ｏ１０一Ｏ１—２４　表１

基于BP神经网络的深基坑变形预测

基于BP神经网络的深基坑变形预测

基于BP神经网络的深基坑变形预测

张世豪;朱德华

【摘 要】深基坑变形是评价深基坑开挖过程中安全性的一个重要参数,对其进行精确预测是一个亟待解决的技术难题.为了更加准确地预测深基坑的变形,采用有动量的梯度下降算法,将现场的监测数据作为神经网络的输入参数,建立BP神经网络模型进行深基坑的变形预测.结果表明,模型的预测值与实测值之间的误差在5％以内,满足实际工程的要求.所建模型能够兼顾精度和效率,便于程序实现,能为深基坑的变形预测分析提供有效工具.

【期刊名称】《南京工程学院学报（自然科学版）》

【年(卷),期】2016(014)003

【总页数】6页(P17-22)

【关键词】深基坑;变形预测;BP神经网络;Matlab

【作 者】张世豪;朱德华

【作者单位】中交隧道工程局有限公司第三工程公司,江苏南京211100;南京林业大学土木工程学院,江苏南京210037

【正文语种】中 文

【中图分类】TV433

近十几年来,城市地下空间的利用日益成为城市发展的方向,深基坑工程的应用也越来越广泛[1]．随着基坑开挖的深度不断增加,对深基坑的施工安全的要求也越来越高,对深基坑的变形进行预测就显得尤为重要．但是,由于岩土是高度非线性的复杂地质体,常规的经验公式和有限元分析方法难以准确地预测基坑的变形．在认识到理论与数值模拟方法的不足后,BP神经网络分析方法开始应用于基坑工程的变形预测．

BP(back-propagation)神经网络是一种按照误差逆传播算法训练的多层前馈网络,由于其强大的非线性映射和泛化的能力,BP神经网络日益成为工程界应用最广泛的神经网络之一[2]．虽然BP神经网络在工程领域发展迅速,但在深基坑变形预测方面的应用还只是起步阶段,尚缺乏系统和全面的研究．因此,有必要结合实际工程进一步探讨BP神经网络在深基坑变形预测中的实用性．

国内外学者对BP神经网络的理论和数值计算等方面进行了大量的研究．文献[3]阐述了BP神经网络的基本原理和结构设计,并将改进的BP神经网络应用于我国黑龙江省农机总动力的预测中,取得了预期的效果．文献[4]研究了BP神经网络的结构及算法,并对基于神经网络的优化方法进行了探讨．近年来,基于BP神经网络的深基坑的变形预测方面的研究受到了国内外学者和工程界的关注，文献[5]提出了一种基于BP神经网络的基坑变形时间序列预测方法,获得了预期的结果；文献[6]采用了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,并应用于深基坑的实际监测中,具有较高的可信度．从既有文献中可以看出,深基坑变形的影响因素具有复杂性与多变性,建立BP神经网络模型时需要根据实际的情况来选择影响深基坑变形的主要因素,以提高模型的预测精度．本文以广州地铁4号线金隆站的深基坑工程为实例,采用有动量的梯度下降法,建立基于BP神经网络的深基坑变形预测模型．

BP神经网络在武汉地铁竖井沉降预测中的应用

BP神经网络在武汉地铁竖井沉降预测中的应用

BP神经网络在武汉地铁竖井沉降预测中的应用

谢淼

【摘 要】Based on the adoption of the matlab7.0 neural network tool box,

the paper establishes the neural network by taking the settlement in-

spected data at the prepared period of the shaft as the training sample,

analyzes the influence of all the rock parameter on the settlement and de-

formation and identifies the network input by combining with the factual

circumstance, compares the settlement prediction and the measures value

after the 10 days of having the training sample, proves some facts by

taking the shaft at some line construction in Wuhan Subway as the

example, and proves by the result that the predicted value is basically

consistent with the factual one and has relatively little error, so it can direct

the shaft construction in future.%利用maflab7．0神经网络工具箱为依托，将竖井前期沉降监测数据作为训练样本建立神经网络，分析各岩土参数对沉降变形的影响并结合工程实际情况确定网络输入，对训练样本之后10d的沉降进行预测并与实测值进行对比，以武汉地铁某线施工竖井为例进行验证，结果表明：预测值与实测值基本吻合，相对误差较小，对竖井施工具有一定的指导意义。

融合遗传算法和BP神经网络对基坑地表沉降预测的应用研究

融合遗传算法和BP神经网络对基坑地表沉降预测的应用研究

融合遗传算法和BP神经网络对基坑地表沉降预测的应用研究

张彬

【摘 要】随着基坑开挖的范围和深度越来越大,如何保证在基坑开挖过程中地表的沉降安全至关重要.本文利用遗传算法对BP神经网络预测模型进行权值和阈值优化,对基坑地表沉降监测时间序列进行预测处理,同时将预测结果与遗传算法和神经网络预测模型进行了定量性的比较和分析,结果表明融合模型比BP神经网络能够更加快速精确的预测基坑地表的沉降趋势,与此同时,本文将地下水的沉降时间序列和基坑地表的沉降进行了相关性分析,结果表明,地下水的沉降对基坑地表的沉降的影响较大,为基坑地表沉降预测提供了技术支持和参考.

【期刊名称】《北京测绘》

【年(卷),期】2018(032)010

【总页数】4页(P1152-1155)

【关键词】遗传算法;误差反传(BP)神经网络;基坑;沉降预测

【作 者】张彬

【作者单位】珠海市测绘院,广东珠海519050

【正文语种】中 文

【中图分类】P258

0 引言

随着国内经济的快速发展,人们的出行量大幅度增加,城市化的进程日益加快,地上的可利用空间越来越少,人们开始把发展的注意力转移到地下,这就产生了越来越多的基坑开挖。基坑周围的地质条件复杂多变,对开挖周围建筑物的影响难以估计,而且基坑的开挖范围越来越广,深度越来越大,导致在基坑在开挖过程中事故频发,造成了巨大的经济损失和不良的社会影响[1]。因此,在基坑开挖过程中,精确地预测出地表沉降的大小,对基坑工程的顺利开展和周围建筑物的安全具有较大的实用价值和理论意义[2]。

目前基坑地表沉降预测模型有灰色模型、小波分析、时间序列等[3],但这些模型各有优缺点[4]。BP神经网络是比较经典的基坑地表沉降预测模型。BP神经网络具有自适应的学习能力和较强的非线性映射能力,已经被广泛应用于基坑变形监测中,但是该方法经常会碰到易陷入局部最小和收敛速度慢等问题,限制了BP神经网络的应用。遗传算法具有强大的全局搜索能力,可以提高BP神经网络的收敛速度和解决局部最小问题[5]。本文融合遗传算法和BP神经网络,充分发挥各自的优势,达到对基坑周围建筑物快速精确的预测。