2017年第8期（总第209期）
江西建材
BP神经网络预测模型在基坑监测中的应用分析
■黄侨文
■广州建设工程质量安全检测中心有限公司，广东
广州
510440
要：本文采用BP神经网络预测模型，通过在MATLAB软件建模，并对实际
工程项目的支护结构项求平位移的监测数据进行分析，预测其后的监测数据，结果表明BP神经网络报合效果优越，伤真性强，具有很强的泛化
能力，能够对实序工程的支护结构项水平位移进行有效预测。关键词：基坑变形预测BP神经网络数据处理与分析
进人21世纪以来，中国的城市化进程不断加快，城市人日数量也急剧增长，为了解决城市的用地紧缺问题，现代房地产工程建设也越来越大，城市的楼房也越建越高，加上大型市政设施的施工及地下空间的开发，以及城市交通体系的纵向发展，城市大型桥梁、地铁的兴建等，使得现代的工程设施建设向织深方向发展。近些年来，无论从房地产建筑行业、交通行业或者水利行业等，都可以看到一些大型深基坑，这无疑对基坑的监测精度和预测精度提出更高的要求，20世纪30年代， Terzgahi等人已经开始研究基坑开挖中的岩土工程问题。基坑工程在我国的广泛出现，开始于80年代初期，随着十一届三中全会的召开，改革开故热调在全国兴起，大城市的高层、超高层建筑大量出现，相应基础埋深、开挖深度不断增加，特别是避人了90年代，大多数端市都进人了大规模的旧城改造阶段，在繁华的市区避行深基坑开挖给人们提出了新的思考方向[]
目前，基坑监测与工程的设计、施工同为深基坑工程质量保证的三大要素[3]。未来深基坑还将朝着更大、更深的方向发展，所以在新世纪里，如何有效对基坑进行监测与变形预测，关系到工程的基础建设安全4]
BP神经网络预测模型
人工神经网络的工作过程可分为训练和测试两个阶段。在训练阶段，以一组"输入一输出“模式对作为训练样本集来训练网络。网络训练的过程即是网络参数(包括权值、阔值等）的调整过程。在测试运行阶段，给定新的输入，网络即能计算得到相应的输出(3）。它试图通过模拟大脑神经网络处理、记忆信息的方式使之具有人脑那样的信息处理能力。人工神经网络具有非线性、非局域性、非定常性、非凸性[6]。
BP神经网络又称为误差反向传插神经网络，是一种由非线性变换单元组成的多层前馈型神经网络，包括输人层、隐含层和输出层3 层[7]。其神经元常用的传逆函数是S型函数，输出量为0到1之间的连续量，它可以实现从输人到输出的任意非线性映射，如果想输出值取任意值，则可采用线性传输函数。由于权值和阅值的调整采用反向传播(BackPropagation）学习算法，因此被称为BP网络。为了简化模型，提高运算速度，在一个隐含层可以完成函数的传递和训练目的的前提下，选择含一个隐层的3层网络结构[8]
本文采用BPmodeI在MATLAB软件建模，并对实际工程监测数据进行分析。
2
工程实例
某大厦基坑周长约331m；基坑底考惠到底板垫层底，建筑±0.000
=绝对标高+9.3m，基坑底标高-19.20m~-19.70m，开挖深度 17.9m~18.4m，开挖面积约7476.35m2，基坑支护采用钻孔支护柱+ 错索+内支撑结构，
(1)单点分析。采用BP神经网络预测模型，选取某基坑工程中重要的一个监测项目；支护结构项水平位移，对监测数据进行分析。先选取支护结构项水平位移监测点P17号点对数据行分析（选取开挖阶段连续的30次监测数据，单位mm），将前25次数据作为学习样本，预测之后的5次监测数据。选取网络学习速率α=0.8，理论上，隐含层的节点数为2r+1(r为输人层节点数）。因此选取理论隐含层节点数为11，避行网络仿真模拟训练，通过BP神经网络预测模型避行数据处理与分析，得到的实测值与预测值关系见表1。预测值与实测值最
万方数据
大误差是2.0mm，第4次预测数据。
施工技术
(2)多点分析。再选取支护结构项水平位移监测项目中的P5与 P15号测点进行分析。P5号测点预测值与实测值最大误差是1.6mm 第5次预测数据。P15号监测点预测值与实测值最大误差是2.6mm，第4次预测数据。3个监测点分别预测5次监测数据，实测值与预测值最大的误差是2.6mm。前1次预测数据最大误差是0.9mm，前3次预测数据最大误差是1.3mm，
实测与预测数据误差（单位：mm）表1
序号-2
4 5
P17绝对误差(实测值-预测值）
0.1 0.5 0.2 2.0 0. 4
P5号点绝对误差(实测值-预测值）
0.9-1.3 1.0-1.2 1.6
P15号点绝对误差（实测值-预测值）
0.1 60 1.1 2.6 1.0
结论
通过BP神经网络预测模型在基坑监测实际工程中支护结构水平位移监测项目的应用，得出以下结论：(1)BP神经网络预测模型对数据的拟合效果优越，仿真性强。预测模型5次预测数据误差在3mm以内，第1个预测数据误差最小，在1mm以内，前3个预测数据误差在 1.5mm以内。表明预测模型能够对数据进行准确地预测，具有很强的泛化能力，在实际工程应用中的处理效果良好；(2)神经网络不同节点所建立的网络模型预测精度不相同，理论的节点数不一定预测精度最高，本文采用的是11个节点，在基坑开挖阶段，以前25次数据作为学习样本，预测后面5次数据，通过误差分析，可知预测模型可以应用在工程实际的支护结构项水平位移监测项目中。但是使用不同数量的学习样本和节点数在实际工程中对预测数据的影响，以及模型对不同监
测项目的造用程度，仍需要更加深人的分析参考文献
[1]段君奇，张建斌.健倾角层状岩体中小夹角润室围岩变形破坏机理
分析[A].中国水力发电工程学会第四届地质及融探专业委员会第一次学术交流会论文集［C].北京：中国水力发电工程学会，2008: 95 102
[2]社嘉林.基于FLAC3D和神经网络的基坑变形预测系统研究[D] 山东：山东科技大学,2011.
[3］林鸣，张鸿，徐伟主编.润扬长江公路大桥北索塔北锚淀工程施工技术[M].北京：中国建筑工程出版社,2003.
[4]刘洪斌深基抗变形预测模型及其实践[D].重庆：重庆大学,2011.[5]王鸿斌,张立毅，胡志军.人工神经网络理论及其应用[J].山西电子科技，2006(2)：4143.
[6]李维付,徐亚明，郭波，等.基于小波滤波的神经网络变形预测[D] 武汉：武汉大学，2009
[7]代仲海.基于BP神经网络基坑支护结构变形预测研究[J].路基工程，2015:103106.
[8]刘洪晓，张国君-基于BP神经网络的变形监测数据处理与分析[J].科技视界,2014:121122.
作者简介：黄侨文(1989年生），男，广东省广州市人，广州建设工程质量安全检测中心有限公司检测员，研究方向：基坑变形监测
· 59 +