基于人工神经网络的软土地基沉降预测技术研究

刘晓强，杨燕华，赵跃

（1.交通运输部天津水运工程科学研究所港口水工建筑技术国家工程实验室，天津300456；2.天津大学建筑工程学院，天津300072）

基于人工神经网络的软土地基沉降预测技术研究

刘晓强1，2，杨燕华1，赵跃1

（1.交通运输部天津水运工程科学研究所港口水工建筑技术国家工程实验室，天津300456；2.天津大学建筑工程学院，天津300072）

针对软土地基大变形沉降预测，引入人工神经网络预测技术，通过增加权值调整时的动量修正量对传统BP模型的算法进行改进，使其更加适应对于软土地基沉降的预测。以天津滨海地区围海造陆工程为例，选择吹填过程中吹填土的原始标高、含水量、塑性指数以及吹填土地基加固后的土体含水量和强度为输入量对吹填土地基的沉降量进行预测。预测结果显示预测值与实测值误差在15%以内。

大变形沉降；沉降预测；软土地基；BP算法

随着我国经济建设的不断发展，沿海地区土地资源尤为紧张，围海造地等工程发展迅速，软土工程建设中遇到的问题越来越多，软土地基大变形固结沉降的计算问题尤为明显。在围海造地过程中，吹填土处理后的沉降量一般会达到吹填厚度的一半以上甚至更高［1］。在吹填土处理过程中土体的固结参数随时间的变化而改变、且变形量较大，该工程中土体的沉降是典型的大变形固结沉降，土力学中目前国内外许多学者进行了关于大变形固结沉降计算理论的研究。Weber［2］曾报导建于泥碳土（Peat）地基之上的堤坝，在固结期间压缩层厚度减少了80%，如此大的变形显然已经超出了传统固结理论的基本假定范围。另外，Cargill［3］分析了卡纳维拉尔角（Cape Canaveral）围海造陆吹填工程，土体的初始孔隙比可达17.0以上，即使取初始平均孔隙比12.0，大变形与小变形固结分析的结果仍相差达50%以上，而大变形计算结果与实测值相当一致。事实上，当土体变形较大，或产生旋转时，采用小变形理论会出现“物质消失”的现象，这显然与实际不符。Gibso⁃neta基于孔隙比为控制变量建立了一个较完善的一维大变形固结理论模型，该模型在目前的理论推导中应用较多［4］。国内方面谢新宇等提出以位移为控制变量的大变形固结方程。丁洲祥等得到以超静孔压为控制变量的大变形固结数学模型。这些固结变形理论研究多为改变控制变量，即模型中土的参数或者转换坐标系的方法对固结理论进行改进,但是并没有从根本上改变其计算过程复杂、计算结果偏差大的缺点［5-6］。

随着人工智能技术的发展，人工神经网络技术开始引入到岩土工程中并得到了很好的应用。刘勇军基于人工神经网络、灰色模型、理论计算等方法针对高速公路软土路基工后沉降提出新的预测方法［7］。软土地基在加固过程中将产生大变形沉降，通过研究表明吹填土的沉降与其初始含水量、标高、塑性指数等关系较大，通过建立不同影响因素与吹填土地基沉降量的人工神经网络模型，改进传统BP算法学习速度慢、稳定性差、易于陷入局部极小值等缺点对吹填土地基的沉降量进行预测，该预测技术属于交叉学科理论，不仅能够为实际工程提供可靠的参考数据，在一定程度上对软土地基大变形预测技术发展的研究起到重要的作用［8-10］。

1 人工神经网络原理及BP算法

1.1 人工神经网络原理

人工神经网络是基于人类大脑机构与功能而建立起来的新型信息处理系统，它是一个非线性动力系统，事先不需要假设输入变量与输出变量之间的关系，而是通过样本学习建立输入到输出的非线性映射关系。在时间序列中，多层前向BP神经网络是目前应用最广泛的一种神经网络模型，通常由输入层、输出层和隐含层构成，如图1所示。误差逆传播学习过程通过一个使能量函数最小化过程来完成输入到输出的映射。

1.2BP模型的核心算法

误差反向传播算法BP网络是目前应用最广泛的人工网络模型之一，它是由多个神经元组成的多层网络，即有输入层、隐含层、输出层。采用的BP网络模型是一个有2个隐含层的四层神经网络。上下层之间各神经元实现全连接，而每层各神经元之间无连接。其学习过程由正向和反向传播过程组成。正向传播包括输入，并计算与之对应的输出值；反向传播包括比较网络输出与给定输出的误差，然后通过改变连接权值来减少误差，从而得到满意的连接权值。神经网络层与层之间的作用函数分别采用了Sigmoid非线性函数和双曲正切函数，根据软土地基变形特点选用较常用的S型逻辑非线性函数

图1人工神经网络信息处理示意图Fig.1Sketch of BP model

权向量和阈值的修正采用梯度法，根据该法分别得到权向量和阈值的迭代式为

式中：∂为网络学习率或学习因子；η为动量系数，用于克服数值振荡。通过训练和学习，可确定网络的连接权值和阈值等参数，由此也就确定了输入向量与输出向量的映射关系。然后，将新的输入-输出样本值代入神经网络模型进行验证，验证合格的神经网络模型即为所需。

最后是杂耍。这种包含魔术等传统意义上的游艺形式并不常见于近代的都市生活之中，而在乡村地区，特别是城镇，倒是为人们所喜闻乐见。因为其相对于戏剧所需众多艺人而言，杂耍所需的人员与成本相对较少，有时为了烘托气氛也偶尔见于慈善义演的活动之中，但并非主流。

1.3BP模型的改进算法

BP算法是多层前向网络模型的一种较为简单的算法，因其具有很强的通用性因而得到广泛的应用，但常规的BP算法学习速度慢、稳定性差、易于陷入局部极小值等缺点。标准的BP算法在调整连接权值时，只考虑了本次调整时的误差梯度下降的方向，而未考虑前一次调整时的误差梯度方向，因而经常使训练过程发生震荡，收敛缓慢。因此，为了减小震荡，提高网络训练速度，可以在对连接权值进行调整时，按一定的比例加上前一次学习时的调整量，即动量。同时可根据工程现场土体参数及输入、输出变量自身特点对增加动量项进行改进，改进公式如下

式中：ηΔwij(n-1)为动量项，其中n为学习次数，η为动量系数，取值为0～1。

加入动量项的本质是使得学习过程中的学习率β不在是一个恒定值，而是可以不断变化的。在引入动量项后，总是力图使连接权值的调整向着同一方向进行，即使两次连接权值的调整方向不同，也可以减小振荡趋势，提高训练速度，加速网络的收敛。但是如何较为复杂的训练样本（输入量大于5个，隐藏层大于2个）由于动量系数为一个常数，因此，动量项在每次学习校正时所引起的作用是相同的，为了发挥随着学习过程不同调节动量项所引起的作用，可以将式（4）中的动量项系数进行修正如下

动量系数是一个变量，随着学习过程的不断进行，动量系数逐渐改变，动量项在调整过程中所占的比重也逐渐改变，这样可以使连接权值的调整随着训练过程不断进行而逐渐沿着平均方向变化。

2 工程实例分析

2.1 工程概况

天津南港工业区位于天津市滨海新区东南部。南港地区软土分布广泛，并且软土地层分布较厚，规划区面积约220 km2。围海造陆一期工程是南港工业区第一批围海造陆项目，所辖区域为国家重点招商项目用地，建设意义非常重大，施工要求也很高。而大面积吹填土的土层主要以泥水混合物及淤泥为主，这很明显不能满足用地使用要求，需要进行大面积的软土地基处理。而其中工程中面临的一个重要问题是围海造陆过程中吹填标高的确定。比较精确地吹泥量对于本项工程是至关重要的。吹泥过多，加固后标高高于设计标高显然是不经济的；吹泥过少，加固后标高低于设计标高，则需要购置好土回填，同样是不经济的，因此需要对吹填过程中的地基沉降有个合理的预测。

根据前期调研分析，确定模型网络有5项输入——原泥面标高（m）、吹填土原始含水量（%）、吹填土原始塑性指数、以及土体加固后的标高（m）及含水量（%）；其输出为地基的沉降量（m）。软土地基沉降预测系统的训练样本由天津及周边地区108组实际工程数据组成，在每个工程中提取原泥面标高、加固后标高、原吹填含水量、原土体塑性指数、加固后土体含水量以及土体最终沉降量建立一组训练数据样本（表1）。

2.3 参数设置

通过建立改进的BP人工神经网络，建立软土地基沉降预测系统［11］，根据样本训练试验选择合理的预测系统参数（表2）。

2.4 软土地基沉降预测结果

利用软土地基沉降预测系统［11］对样本数据库进行学习、训练得到相应的修正参数等，以现有工程中的原泥面标高（m）、吹填土原始含水量（%）、吹填土原始塑性指数、以及土体加固后的标高（m）及含水量（%）作为输入量，对该工程的最终沉降量（输出量）进行预测（表3），结果显示预测值与工程实测值相差在15%以内。

表1数据库的训练样本Tab.1Training sample of database

表2软土地基沉降预测系统参数设置Tab.2Parameters of settlement prediction system for soft soil foundation

表3预测值与实际值Tab.3Predicted value and measured value

3 结论

针对软土地基大变形沉降预测，引入人工神经网络预测技术，通过增加权值调整时的动量修正量对传统BP模型的算法进行改进，使其更加适应对于软土地基沉降的预测。通过对工程实例的分析得到改进BP算法的人工神经网络预测模型可以实现以类似工程为样本数据库预测在建工程中的某一特定值；BP人工神经网络预测模型可以对软土地基大变形固结沉降进行预测，通过基于BP算法建立的人工神经网络预测模型的预测沉降量与实际沉降量相差在15%以内，能够满足实际工程的需要，可以应用到实际工程中。

参考文献：

［1］侯钊，陈环.天津软土地基［M］.天津：天津科学技术出版社，1987.

［2］Weber W G.Performance of Embankments Constructed Over Peat［J］.Journal of the Soil Mechanics&Foundations Division，2014，95：53-76.

［3］Cargill K W.Prediction of consolidation of very soft clay［J］.Journal of Geotechnical Engineering，1984，110（6）：775-795.

［4］Gibson R E.The theory of one⁃dimensional consolidation of saturated clays［J］.Canadian Geotechnical Journal，1967，17：280-293.

［5］谢新宇.考虑变形耦合的一维大变形固结分析［J］.浙江大学学报，2002，36（5）：544-549. XIE X Y.Analysis of one⁃dimensional large strain consolidation due to settlement［J］.Journal of Zhejiang University，2002，36（5）：544-549.

［6］丁洲祥.岩土力学大变形理论及其有限元的改进方法研究［D］.上海：同济大学，2008.

［7］刘军勇.路基沉降预测非等时序改进灰色模型应用研究［J］.路基工程，2007，133（4）：61-63. LIU J Y.Application Test of Subgrade Settlement Predication by Improvement GM Predication Mode with Unequal Spaced Time［J］.Subgrade Engineering，2007，133（4）：61-63.

［8］张国霞，张乃瑞，张凤林.非线性差异沉降分析［J］.岩土工程学报，1981，3（3）：41-48. ZHANG G X，ZHANG N R，ZHANG F L.Analysis of nonlinear differential settlement［J］.Chinese Journal of Geotechnical Engi⁃neering，1981，3（3）：41-48.

［9］袁金荣，王文明，孙钧.深大基坑施工变形的智能控制技术［J］.岩土工程学报，2002，7（24）：460-464. YUANG J R，WANG W M，SUN J.Intelligent control of deformation during excavation for large and deep foundation［J］.Chinese Journal of Geotechnical Engineering，2002，7（24）：460-464.

［10］彭卫兵，任爱珠，徐峰.桥梁结构设计中的知识复用技术［J］.清华大学学报：自然科学版，2007，47（9）：1 418-1 422. PENG W B，REN A F，XU F.Technologies for bridge structure design⁃based knowledge reuse［J］.Journal of Tsinghua University：Science and technology，2007，47（9）：1 418-1 422.

［11］刘晓强.软土地基沉降预测系统［D］.天津：天津大学，2011.

A study on settlement prediction of soft soil foundation based on artificial neural network

LIU Xiao⁃qiang1,2,YANG Yan⁃hua1,ZHAO Yue1
（1.Tianjin Research Institute for Water Transport Engineering，National Engineering Laboratory for Port Hydraulic Construction Technology,Tianjin 300456，China;2.School of Civil Engineering,Tianjin University,Tianjin 300072, China）

According to the basic feature of soft ground settlement,a new artificial neural network⁃based(ANN) approach was presented to predict settlement of soft foundation in this paper.The actual prediction ability of BP net⁃work model was improved,and training velocity was increased by adding momentum factor and using the weight con⁃trol calculation in the BP network model.Taking Tianjin Binhai area reclamation engineering as an example,with initial elevation,water content,plasticity index of dredger fill,soil strength and water content after reinforcement as inputs,the settlement of filled soil was predicted.Forecast results indicate that predicted values are closer to mea⁃sured values.

large deformation settlement;settlement prediction;soft soil foundation;BP algorithm

U 655.54；TB 115

A

1005-8443（2015）06-0574-04

2015-08-11；

2015-10-28

天津市自然科学基金资助项目（13JCQNJC07800；15JCQNJC07900；15JCYBJC21900）

刘晓强（1983-），男，辽宁省绥中人，助理研究员，主要从事土的工程性质及地基处理技术研究。Biography：LIU Xiao⁃qiang（1983-），male，assistant professor.