基于RBF神经网络模型的盾构施工地表沉降预测

余　朔　卢国胜

(西南科技大学环境与资源学院)



基于RBF神经网络模型的盾构施工地表沉降预测

余朔卢国胜

(西南科技大学环境与资源学院)

摘要盾构施工引起的地表沉降是造成周边建筑物及管线变形的重要因素。针对BP神经网络在预测地表沉降中具有收敛速度慢、精度误差大的缺点，结合苏州地铁2#线友联—桐泾公园段地质工程资料，建立了RBF神经网络模型对地表沉降进行预测。结果表明：RBF神经网络模型的预测精度优于BP神经网络模型，与实测曲线吻合度较好，具有一定的实用价值。

关键词盾构施工地表沉降BP神经网络RBF神经网络预测精度

近年来，盾构施工由于具有作用范围小、适应条件广，工作周期短等特点，在我国的轨道交通领域得到了广泛应用。然而盾构开挖土体会改变周边地层的应力状态，引起地表变形，不论对桥梁桩基，还是邻近建筑物、管线等设施都会产生较大的影响[1]。因此在盾构施工时有必要掌握和分析地层移动规律及地表沉降的影响因素。总体来说，地表变形是一个比较复杂的非线性动态系统，利用BP神经网络模型可预测地表沉降，但该模型是一种静态前向型网络，具有学习收敛速度慢、精度误差大、隐含层节点个数不易确定等缺陷[2]。RBF神经网络模型则是一种典型的局部逼近神经网络，在逼近能力和学习速度等方面均优于BP神经网络模型[3-4]。为此，本研究基于苏州地铁2#线友联—桐泾公园段地质工程资料，结合Matlab软件，采用RBF神经网络模型对地表沉降进行预测。

1RBF神经网络模型

相对于BP神经网络模型而言，RBF神经网络模型的优点有：①具有较强的输入和输出映射功能，特别在前向网络中具有最佳的映射功能；②隐含层单元的半径不仅可预先设定，而且网络的连接权值与输出层呈线性特性，模型参数调节较容易，不存在局部极小的问题；③学习速度快，且隐含层的结点数目也可在训练中自动确定，因此具有良好的收敛性能；④无需输入大量的训练样本数据，且对于每个输入、输出样本附近都具有良好的泛化能力。RBF神经网络的拓扑结构为单隐层的前馈神经网络，主要由输入层、隐含层、输出层构成，其中输入层的操作等效于将所研究问题的要素输入，并未进行数据交换；隐单元层通过激活高斯型径向基函数进行非线性学习及反馈，该函数为一个径向对称且双向衰减的非负非线性映射函数；输出层将隐单元层的输出值进行简单的线性加权，得到所需数值[5-6]。

2预测模型构建

2.1影响因子选择

盾构隧道施工引起的地表沉降主要受土质参数、施工参数等因素的影响。结合苏州市已有的数据资料，选取了盾构的千斤顶推力F、盾构的直径D、土层覆盖厚度H、土层变形模量Es，土层凝聚力C、孔隙率n等参数作为输入量，地表沉降s作为输出量。

2.2样本数据预处理

本研究采用Matlab软件中的归一化函数“premnmx”作为样本的输入处理函数。经归一化处理后的样本数据基本分布于[-1,1]区间内，语法格式为：[pn, minp, maxp, tn, mint, maxt]= premnmx(p, t)(“p”为输入的原始数据，“t”为输出的期望数据)。

2.3RBF神经网络训练

RBF神经网络训练的函数代码为net= newrb(pn, tn, goal, spread)(“goal”为RBF函数的均方误差，“spread”为RBF函数的分布范围)。RBF神经网络模型构建无需估计隐含层的神经元数、动量因子大小等信息，训练较收敛速度较快，如图1所示。由图1可知：训练7次可达到精度要求，可见RBF神经网络模型构建较BP神经网络模型简便。

图1　RBF神经网络训练

2.4输出数据还原处理

为使输出值还原为归一化处理前的数据，在RBF神经网络训练完成后，引用“postmnmx”函数，具体语句为[pn,tn]=postmnmx(pn,minp,maxp,tn,mint,maxt)。

3工程应用实例

本研究选取苏州地铁2#线友联—桐泾公园盾构区间为研究对象，选取20 组数据作为训练样本进行RBF神经网络学习(表1)，5组作为检验样本(表 2)，实测数据与BP、RBF神经网络模型的预测结果见表3。

表1　训练样本

表2　检验样本

表3　实测数据与BP、RBF神经网络模型的预测结果比较

由表3可知：RBF神经网络模型的最大绝对误差为0.9 mm，最大相对误差率小于3%，远小于工程规范的警戒值，可见采用RBF神经网络模型可对盾构施工引起的地表沉降进行高精度预测。

4结语

以苏州地铁2#线友联—桐泾公园盾构区间为例，通过建立RBF神经网络模型对盾构施工引起的地表沉降进行了预测，结果表明，所得的预测值与实测值基本吻合，预测精度优于BP神经网络模型，实用性较强。

参考文献

[1]DALGIC S, SIMSEK O.Settlement predictions in the Anatolian motorway,Turkey[J].Engineering Geology,2002, 67(1): 185-199.

[2]张文鸽，吴泽宁.BP神经网络的改进及应用[J].河南科学，2003(2)：202-206.

[3]焦李成.神经网络系统理论[M].西安：西安电子科技大学出版社，1996.

[4]韩力群.人工神经网络理论、设计及应用——人工神经细胞、人工神经网络和人工神经系统[M].北京: 化学工业出版社，2002.

[5]毕卫华，谭晓慧，侯晓亮，等.基与RBF神经网络的边坡稳定可靠度分析性[J].地下空间与工程学报，2010(2)：423-428.

[6]金长宇，马震岳，张运良，等.神经网络在岩体力学参数和地应力场反演中的应用[J].岩土力学，2006，27(8)：1263-1271.

(收稿日期2015-07-13)

余朔(1991—)，男，硕士研究生，621010 四川省绵阳市涪城区青龙大道中段59号。