# 基于神经网络模型的基坑支护结构变形预测Deformation Prediction of Foundation Pit Supporting Structure Based on Neural Network Model

DOI: 10.12677/HJCE.2020.91008, PDF, HTML, XML, 下载: 247  浏览: 547

Abstract: With the development of urban construction, foundation pits are going deeper and larger. As a result, there are increasing potential dangers caused by foundation pit. The supporting structure is important to the overall safety of the foundation pit, so it is of far-reaching significance to pre-dict the deformation of the supporting structure. Based on the BP neural network model, this study predicts the horizontal displacement and the vertical settlement of the supporting structure of a foundation pit for substation in Hunan. 80 days of monitoring data are selected as the data set and the model is trained using a variable learning rate. The trained BP neural network achieved an accurate prediction. On the basis, the training set is extended by adding antecedent 50 days of monitoring data and higher prediction accuracy is achieved. The results show that the BP neural network has favorable applicability in the field of foundation pit prediction.

1. 引言

2. BP (Back Propagation)神经网络

BP神经网络的学习过程由信号的正向传播与误差的反向传播两个过程组成 [12]。正向传播时，输入样本从输入层传入，在隐层进行逐层计算，然后将结果输出到输出层 [13]。计算输出层的输出与实际输出的差值，开始反向传播阶段：将输出误差以某种形式通过隐层向输入层逐层反传，并基于误差修正其中的相关参数，从而实现网络的训练，此误差信号即作为修正各单元权值的依据。BP网络由输入层﹑输出层和隐层组成，如图1所示，在该BP神经网络中，有p个输入，o个输出，还有q个隐含单元，以此实现从p到o的映射。

Figure 1. Principle of BP neural network

$y=f\left(\underset{i=0}{\overset{n-1}{\sum }}{w}_{i}{x}_{i}-\theta \right)$ (1)

BP算法是基于对误差的修正进行训练的，学习率是BP算法的重要部分，学习率的大小对收敛速度和训练结果有很大影响：学习率过小会导致收敛速度慢，而学习率过大又易出现权值振荡的情况 [14]。因此常需要对BP神经网络网络进行一定的改进，目前常用的方法有可变学习率法，遗传算法 [15] 、共轭梯度法 [16] 等。本文采用变化学习率的方式对网络进行优化，预先设定一个迭代次数阈值，当迭代次数超过该值时，对学习率进行一定程度的折减，以变化的学习率实现网络的优化。

3. 基于BP神经网络的基坑支护结构变形预测

3.1. 数据选取与处理

${x}_{i}=\frac{{x}_{i}-\mu }{\sigma }$ (2)

3.2. 墙顶水平位移预测

Figure 2. Training process of BP network predicting horizontal displacement

Figure 3. Prediction of the horizontal displacement of D3

Figure 4. Prediction of the horizontal displacement of D22

3.3. 墙顶竖向沉降预测

Figure 5. Training process of BP network predicting vertical settlement

Figure 6. Prediction of the vertical settlement of Q5

Figure 7. Prediction of the vertical settlement of Q12

3.4. 扩大训练集后的预测结果

Figure 8. Prediction of the horizontal displacement of D3 after expanding training set

Figure 9. Prediction of the vertical settlement of Q12 after expanding training set

3.5. 预测结果分析

4. 结论与展望

1) 本文通过BP神经网络模型实现了较准确的支护变形预测，说明神经网络模型对基坑支护结构的预测具有较高适用性，基坑支护结构变形受到许多因素的影响，其作用机理复杂且具有很强的规律性，传统方法难以构建准确的预测模型，而神经网络模型具有强大的拟合能力，可以很好地预测基坑支护变形的发展趋势。

2) 本文通过扩大模型训练集，提高了BP神经网络模型的预测精度，说明BP神经网络模型的精度非常依赖于训练集的质量，在工程应用中，应尽可能地用有效数据扩大模型训练集。

3) 通过可变学习率法有效减小了模型训练的时间，使其可以快速收敛并保证训练效果，说明可变学习率法对神经网络训练过程具有良好的优化效果。

4) 训练集中的异常值对模型的训练具有显著影响，导致BP神经网络预测的准确度下降，说明训练集的准确度和神经网络预测精度直接相关，更多的有效训练数据可以促使模型的预测精度和泛化能力进一步提高，在实际应用中，应注意排除训练集中的异常数据，同时基于数据量大小对网络结构进行相应的调整，以保证模型的精度。

NOTES

*通讯作者。

 [1] 王小生, 李庚, 朱彦鹏, 等. 最小二乘法在基坑侧建筑物沉降监测中的应用[J]. 科学技术与工程, 2019, 19(27): 283-288. [2] 赵慧军. 深基坑开挖支护变形规律与控制[J]. 建筑技术开发, 2019, 46(3): 159-161. [3] 徐日庆, 程康, 应宏伟, 等. 基于影像源法的基坑开挖引起的土体水平位移预测[J]. 岩土工程学报, 2019, 41(S1): 17-20 + 72. [4] 刘美麟, 房倩, 张顶立, 等. 基于改进MSD法的基坑开挖动态变形预测[J]. 岩石力学与工程学报, 2018, 37(7): 1700-1707. [5] 孟雪, 赵燕容, 黄小红, 等. 基于灰色GM(1, 1)和神经网络组合模型的基坑周边地面沉降预测分析[J]. 勘察科学技术, 2018(6): 39-44. [6] 刘斌. 基于优化SVM模型和DFA分析的基坑变形预测研究[J]. 勘察科学技术, 2019(5): 54-58 + 64. [7] 王成汤, 王浩, 覃卫民, 等. 基于多态模糊贝叶斯网络的地铁车站深基坑坍塌可能性评价[J/OL]. 岩土力学, 2020(5): 1-11. [8] 郭健, 查吕应, 庞有超, 等. 基于小波分析的深基坑地表沉降预测研究[J]. 岩土工程学报, 2014, 36(S2): 343-347. [9] 宋楚平. 一种改进的BP神经网络深基坑变形预测方法[J]. 土木工程与管理学报, 2019(5): 45-49. [10] 张宏, 闫晓辉, 张海龙, 等. 基于人工神经网络的基坑钢支撑轴力预测研究[J]. 地下空间与工程学报, 2019, 15(S1): 249-255 + 320. [11] 韦猛, 吴王正, 张弘. 基于多信息融合的深基坑安全预警方法及应用[J]. 建筑结构, 2019, 49(S1): 756-762. [12] Cui, K. and Jing, X. (2019) Research on Prediction Model of Geotechnical Parameters Based on BP Neural Network. Neural Computing and Applications, 31, 8205-8215. https://doi.org/10.1007/s00521-018-3902-6 [13] Wechsler, H. (1992) Neural Networks for Perception. Academic Press, Cambridge. [14] 高红. BP神经网络学习率的优化方法[J]. 长春师范学院学报(自然科学版), 2010, 29(4): 29-31. [15] 崔宇鹏. 基于遗传神经网络算法的基坑土体参数反演和基坑沉降预测研究[D]: [硕士学位论文]. 济南: 山东大学, 2017. [16] 苏高利, 邓芳萍. 论基于MATLAB语言的BP神经网络的改进算法[J]. 科技通报, 2003, 19(2): 130-135. [17] Bergstra, J. and Bengio, Y. (2012) Random Search for Hyper-Parameter Optimization. Journal of Machine Learning Research, 13, 281-305.