基于BP神经网络算法的高层建筑物地基沉降预测分析

赵 鹤，李向群，孙 昊(.吉林建筑大学测绘与勘查工程学院，吉林长春 308；.润德建设投资有限公司，吉林长春 30000)

基于BP神经网络算法的高层建筑物地基沉降预测分析

赵 鹤1，李向群1，孙 昊2
(1.吉林建筑大学测绘与勘查工程学院，吉林长春 130118；2.润德建设投资有限公司，吉林长春 130000)

BP神经网络算法具有很好的非线性推理能力及优越的自组织、自适应、容错性能。利用该方法对高层建筑地基沉降数据进行分析，可不考虑地基沉降影响因素与沉降之间的对应关系，而直接根据已知时间内实际沉降数据构建模型对未知时间的沉降进行预测推理。将该方法应用于西安市某高层建筑的地基沉降数据预测分析，并与多项式拟合方法的分析结果进行对比可知，BP神经网络的非线性预测推理能力更强，应用前景广阔。

BP神经网络；高层建筑物；地基沉降预测

近年来，我国经济飞速发展，城市中高层建筑日益增多。在高层建筑开始施工到竣工验收，定期进行地基沉降监测和变形趋势预测，对于确保工程安全施工以及建筑正常使用具有重要意义。为此，人们提出很多解决地基沉降变形预测问题的模型和方法，这些方法大致可分为两类，即理论计算法和基于实测数据的实测数据分析法。其中，理论计算法又可以细分为经验法和数值分析法，前者简单实用，一般根据室内试验测试成果结合相关经验进行确定，计算出的结果与实测值偏差一般较大。后者是近代力学研究的产物，随着计算机技术的进步而逐步发展起来。但由于实际的地基沉降变形影响因素复杂多变，各种地质条件参数的取值很难确定，这就导致分析人员很难建立符合实际工程情况的数值模型，使该方法在实际中的应用受到很大限制。实测数据分析法包括回归分析、灰色系统分析、Kalman滤波和人工神经网络方法。其中，人工神经网络方法是一种典型的“黑箱型”学习模式，具备较好的自适应性、非线性及容错性等特点，有较强的解释推理功能，从而在非线性问题领域得到广泛关注和应用。其中BP(Back Propagation)算法是神经网络模型在实际使用最多的一种算法。本文结合西安市某高层建筑的地基沉降监测数据，利用BP神经网络算法对此高层建筑地基沉降量进行预测分析。

1 BP神经网络算法简介

图1给出了由输入层、隐含层和输出层构成的3层BP神经网络模型。其中输入层包含3个节点，输出层有1个节点。ωik、ωk分别为输入层节点到隐含层节点、隐含层节点到输出层节点的连接权值，由输入、输出的观测数据通过网络的学习过程进行估计。n表示隐含层节点数量，取值一般由设计者给定。

假定网络的输入为x=(x1,x2,x3)T，目标输出为d，而实际输出为y，BP网络的学习步骤为：

步骤一，随机生成作为节点间连接权值的初值和阈值。

步骤二，计算网络的实际输出Y。

图1 网络模型结构

(1)对于输入层节点，其输出Oi与输入数据xi相等，即Oi=xi,i=1,2,3。

步骤三，能量函数E=(d-y)2。

如果E小于规定的值，转步骤五，否则继续步骤四。

步骤四，调整权值。

(1)对于输出层节点与隐含层节点的权值调整为

其中，η为训练速度，一般取0.01～1。

(2)对于隐含层节点与输入层节点的权值调整为

步骤五，进行下一个训练样本，直至训练样本集合中的每一个训练样本都满足目标输出，则BP网络学习完成。

2 工程实例分析

西安市某高层建筑高74.8m，在建筑物基础底部施工完成后开始进行沉降变形监测。监测前期，由于施工速度不同所造成的竖直方向荷载施加速度的不同，沉降速率有所波动。随后相邻施工建筑基坑开挖，并采用井点降水的方法降低地下水位，使得本建筑地基沉降加速。当荷载不再增加以及地下水位逐渐稳定后，地基土体略有回弹，至竣工验收后，变形发展缓慢，沉降趋于稳定，如图2所示。

为了揭示本高层建筑地基沉降发展变化内在规律，本文选择BP神经网络算法对其进行预测分析。由于地基沉降变形的机理较为模糊，影响因素高度复杂，所以很难建立影响因素与沉降之间的具体关系式，这也是常规分析方法应用受到限制、效果不理想的根本原因。考虑到实测沉降数据中已包含影响因素的信息，将一定时间段内的沉降数据作为神经网络的输入，将预测的未知时间段内的数据作为输出数据。根据文献[6]，利用前3个监测数据来预测下一个数据，并确定BP网络结构为：输入层节点数为3，隐含层节点数为5，输出层节点数为1。根据本工程实测的30个地基沉降值，建立27个样本。将前17个样本作为训练样本用于神经网络学习，后10个样本作为预测样本，用来检验已建立的BP神经网络模型的预测推广能力。应用上述过程中获得的BP神经网络模型对所有27个样本的预测结果如图2所示。图2同时给出了利用多项式拟合分析对实测地基沉降值的预测结果。不难看出，与多项式拟合分析结果相比，BP神经网络的预测结果精度更高，该模型具有更强的非线性推理预测能力。

图2 地基沉降实测数据以及BP神经网络模型预测值、多项式拟合分析结果

3 结语

本文利用BP神经网络算法对西安市某高层建筑地基沉降数据进行推理预测，与多项式拟合分析结果进行对比。不难看出，BP神经网络方法预测误差小，精度高，推广能力强，应用前景广阔。鉴于初始权值的选取对最终模型的性能有较大影响，故建议在确定神经网络结构后，利用训练样本建立BP神经网络模型时，选择合适的优化算法确定网络的初始权值,而不是随机生成初始权值，可能会得到更合理的网络模型。

[1]王穗辉,潘国荣.人工神经网络在隧道地表变形预测中的应用[J].同济大学学报:自然科学版,2001(10):1147-1151.

[2]孙钧,袁金荣.盾构施工扰动与地层移动及其智能神经网络预测[J].岩土工程学报,2001(3):261-267.

[3]岳荣花.小波神经网络在沉降预测中的应用研究[D].南京:河海大学,2007.

[4]钱思众,樊育豪.高层建筑物地基沉降监测与分析[J].西安科技大学学报,2014(3):284-289.

[5]宋克志,王梦恕,宋克勇.边坡位移预测的神经网络模型研究[J].岩石力学与工程学报,2003(C1):2382-2385.

[6]王蕊颖,王清,张颖,等.基于时间序列—动态神经网络吹填土沉降预测研究[J].工程地质学报,2013(3):351-356.

Prediction and Analysis of Foundation Settlement of High-rise Building Based on BP Neural Network

ZHAO He1, LI Xiang-qun1, SUN Hao2

(1.Jilin Jianzhu University, Changchun Jilin 130118, China;2.Runde Construction Investment Co.Ltd.Changchun Jilin 130000, China)

BP neural network algorithm possesses the advantages of nonlinear reasoning ability, predominant self-organizing, adaption and fault tolerance. Analyzing foundation settlement of high-rise building based on this method can avoid considering the relationship between foundation settlement and influence factors. The method can construct the prediction model which forecast the future settlement using current monitoring data. It is used to infer the foundation settlement of a high-rise building in Xi’an, the prediction result is compared with that obtained by polynomial method. The result computed by BP neural network has higher precision and this method has more application prospect.

BP neural network; high-rise building; foundation settlement prediction

2016-11-04

吉林省教育科学“十二五”规划重点课题“测绘工程专业学生测量数据处理能力训练平台建设”(ZD15078)。

赵 鹤(1983- )，女，讲师，从事BP神经网络算法研究。

李向群(1962- )，男，教授，博士，从事测绘与勘查工程研究。

TU433

A

2095-7602(2017)04-0031-03