基于BP神经网络和MATLAB的基坑变形研究

兰进京，刘耀鹏，宋 佳

(1.河南省地质矿产勘查开发局第二地质矿产调查院，河南 郑州 450001；2.河南省焦作地质勘察设计有限公司，河南 焦作 454002)

基于BP神经网络和MATLAB的基坑变形研究

兰进京1,2，刘耀鹏2，宋 佳2

(1.河南省地质矿产勘查开发局第二地质矿产调查院，河南 郑州 450001；2.河南省焦作地质勘察设计有限公司，河南 焦作 454002)

为确保基坑工程施工安全，提出用BP神经网络和MATLAB对基坑沉降观测数据进行处理，并预测变形大小。实例数据表明,通过预测变形值与实际变形值比较，可知BP神经网络的收敛速度较慢，训练时间较长，但预测精度较高，能满足工程精度的要求。

BP神经网络；MATLAB；基坑变形；变形值；预测值

Abstract：In order to ensure the safety of foundation pit construction, the observation data of foundation pit subsidence are treated by BP neural network and MATLAB, and the deformation size is forecasted. The case data show that the convergence speed of BP neural network is slow and the training time is longer, but the prediction precision is higher, which can meet the requirement of engineering precision by comparing the predicted deformation value with the actual deformation value.

Keywords：BP neural network; MATLAB; deformation of foundation pit; deformation value; prediction value

在深基坑施工过程中，需要对基坑的围护结构、基坑周围的土体和相邻的构筑物进行系统监测，从而保证施工安全[1-2]。目前很难有一个通用的公式适用于所有的基坑形变，一些专家学者一直致力于基坑监测方面的研究，总结出了一些具有现实意义的基坑形变规律及其影响因素，同时也提出许多方法来控制和预测基坑的形变，为基坑工程的安全施工奠定了理论基础。

Long[3]通过对大量基坑监测数据的研究分析，得出了基坑形变与基坑施工过程中的开挖深度、基坑底部的安全系数之间的关系。Finno等[4]通过分析基坑监测数据，得出外在因素和本构模型对基坑开挖时稳定性的影响。任建喜等[5]提出了北京某地铁车站基坑支护结构的具体形式和基坑变形监测方案，重点分析了基坑监测中的水平位移形变、支撑轴力的形变规律。任建喜等[6]研究了基坑开挖过程中的围护结构的形变规律，对后续基坑建设有着重要的指导意义。李爱民[7]针对施工过程中水平位移的监测提出了新的可行性方案。陈泰霖等[8]通过对郑州某车站基坑进行施工期间基坑监测，得到了该车站基坑的地表沉降、桩顶沉降和桩(墙)体水平位移的监测值均小于控制标准，证实了该基坑的形变量满足要求。胡俊等[9]在充分考虑保护基坑周围环境、安全施工和监测等条件下，对支护结构水平位移、桩(墙)体水平位移、地表沉降、管线沉降、支撑轴力的监测结果进行分析，为今后类似车站工程提供指导。本文探讨用人工神经网络技术处理基坑沉降数据。

1 BP神经网络

1.1 BP神经网络模型结构

BP神经网络是Back-Propagation Network的缩写，它是目前使用最广泛的神经网络，它的形成机制是网络信号正向传播而误差反向传播作为对信号正向传播的修正。BP神经网络由三部分组成，分别为输入层、隐含层和输出层。隐含层的数目没有具体规定，其可以是一层也可以是多层，最常用的BP神经网络只有一个隐含层的神经网络。

BP神经网络的输入层、隐含层和输出层之间网络结构互相连接，在网络结构连接中全连接只体现在每一层与其后面一层之间，但每一层的单元之间不连接。神经网络结构中的隐含层数目和每层中神经元的数目很大程度上决定了神经网络的性能，神经网络的性能随着每层中神经元的数目和隐含层数的增加而增加。

BP网络中，网络的学习分为信息正向和误差反向。信息正向是指输入信号依次经各个隐含层最后经输出层获得输出，误差的大小就取决于输出值与期望输出的差异大小，根据误差的大小调整权值，如此反复，直到最后结果满足要求后网络的学习才终止，如图1所示。

图1 BP神经网络原理

1.2 BP神经网络模型的MATLAB实现

在MATLAB工具箱中有关于相关函数的调用，具体如表1所示。BP神经网络的MATLAB实现流程如图2所示。

表1 MATLAB工具箱常用函数

图2 BP神经网络MATLAB流程图

2 工程实例

2.1工程概况

金水东路站为郑州市轨道交通5号线第12座车站，为地下两层岛式站台车站。车站设置在心怡路与金水东路交叉口处，沿心怡路南北向布置。车站为地下两层双跨箱形框架结构，车站有效站台中心里程为右YDK15+043.5，有效站台长度140 m，站台宽12 m，车站总长302.2 m，标准段宽21.1 m，盾构段宽26.3 m，中心里程处顶板覆土3.0 m。标准段基坑深度约16.69 m，盾构段基坑深度约18.29 m。车站共设四个出入口和两个消防疏散出入口及三个风亭组(风亭均为低风亭)。该站主体围护结构标准段围护桩采用Φ1 000@1 400 mm钻孔灌注桩，内支撑采用Φ609，t=16 mm的钢管撑。主体结构采用明挖顺筑法施工，出入口及风道均为单层箱型框架结构，采用明挖顺筑法施工(见图3)。

图3 金水东路站平面示意

2.2研究数据获取

本文数据依托于郑州轨道交通5号线金水东路站观测数据，具体观测数据如表2所示。

表2 原始沉降数据 mm

续表：

日期点号ZQC-8ZQC-9ZQC-10ZQC-11ZQC-23ZQC-24ZQC-25ZQC-262016/11/140.5-0.50.7-0.2-0.1-0.50.60.92016/11/15-0.6-0.4-0.3-0.5-0.50.1-0.7-0.42016/11/160.910.40.80.60.20.40.42016/11/170.2-0.40.3-0.2-0.2-0.10.30.22016/11/18-0.51.100.30.40.1-0.4-0.22016/11/19-0.3-0.30.60.2-0.2-0.10.30.42016/11/200.70-0.8-0.400.3-0.1-0.22016/11/210-0.2-0.2-0.1-0.5-0.4-0.4-0.32016/11/22-0.5-0.30.4-0.6-0.1-0.1-0.40.22016/11/230.2-0.1-0.90.40.2-0.1-0.3-0.52016/11/24-0.1-0.10.2-0.10.1-0.20.4-0.22016/11/25-0.60.2-0.20.2-0.5-0.3-0.10.32016/11/260.10.30.1-0.1-0.3-0.2-0.3-0.42016/11/270-0.6-0.1-0.40.10.70.50.32016/11/28-0.20.3-0.30.3-0.2-0.3-0.2-0.52016/11/290.8-0.30.10.20.90.20.30.62016/11/30-0.7-0.20.3-0.10.20.4-0.10.22016/12/110.80.30.60.3-0.2-0.2-0.12016/12/02-0.10.7-0.30.5-0.20.2-0.1-0.42016/12/03-0.10.5-0.20.4-0.20.2-0.1-0.32016/12/04-0.10.5-0.20.4-0.20.2-0.1-0.32016/12/05-0.2-11-0.30.1-0.050.71.32016/12/060.50.60.20.30.50.20.40.52016/12/070.2-0.2-0.2-0.4-0.8-0.5-0.5-0.32016/12/08-0.5-0.2-0.3-0.7-0.4-0.3-0.2-0.32016/12/090.3-1.2-0.40.10.70.40.40.22016/12/100.80.90.90.80.20.50.60.62016/12/11-0.20.5-0.30.7-0.2-0.20-0.2

注：表中监测数据的‘+’表示上抬，‘-’表示沉降。

2.3 BP神经网络预测模型的应用

具体实现过程可以分为以下几个过程：

(1)数据选取。桩(墙)顶沉降监测点ZQC-8、ZQC-11和ZQC-23、ZQC-26分别位于基坑两侧的直线上，ZQC-9、ZQC-10和ZQC-24 、ZQC-25分别位于基坑两侧的冠梁上，为了能更好地反映基坑围护结构的沉降情况，本文选取监测点ZQC-8的监测数据进行分析并预测预报，以点ZQC-8预测预报结果反应基坑围护结构的沉降趋势。

(3)BP神经网络预测模型确定。网络预测模型确定包括确定一些节点数目，目前对于神经元隐含层节点的数目尚没有统一规定，只能通过反复试验比对分析才能最终确定，经过不断试验对比得知当节点个数为14个时预测的效果最理想。

本次训练样本为35期，训练过程与前述理论部分一致，即逐步输入5期连续数据预测第6期数据，例如输入数据为第1、2、3、4、5期数据，输出数据为第6期，输入数据为第2、3、4、5、6期数据，输出数据为第7期，依次类推。

BP神经网络的训练过程如图4所示。

图4 BP神经网络的训练过程

由图4可知：BP神经网络的训练过程经过了2 909次迭代训练后才达到预设目标，BP神经网络的收敛速度较慢，训练时间较长。其模拟值如表3所示。

表3 原始序列与模拟值比对

续表：

日期原始序列/mm模拟值/mm残差/mm相对误差/%2016/11/2810.9011.07-0.17-1.562016/11/2911.7011.450.252.142016/11/3011.0011.28-0.28-2.552016/12/112.012.24-0.24-2.002016/12/0211.9011.790.110.922016/12/0311.8011.680.121.022016/12/0411.7011.610.090.772016/12/0511.5011.71-0.21-1.83

BP神经网络的预测效果如表4所示。

表4实测值与预测值比对

由表4可知：BP神经网络模型预测值的残差平方和SSE=0.345 5，平均相对误差MRE=1.74%，均方误差MSE=0.057 6。表明BP神经网络模型的预测精度比较高。

3 结论

采用BP神经网络和MATLAB对基坑沉降观测数据进行处理，工程应用表明，用本方法可以得到较高的预测精度，满足工程建设的需要。

[1] 李建飞.组合模型在基坑变形监测中的应用[D].成都:成都理工大学,2013.

[2] 王铁宏,张雁.深基坑支护结构与桩基工程新技术[M].北京：中国环境科学出版社，2007.

[3] Long M. Database for retaining wall and ground movements due to deep excavations[J].Journal of Geotechnical and Geoenvironmental Engineering, ASCE, 2001，127(33): 203-224.

[4] Finno R J,Blackbum T J, Roboski J E. Three-dimensional effects for supported Engineering[J]. ASCE, 2007，133(1):30-36.

[5] 任建喜,高立新,刘杰,等.深基坑变形规律现场监测[J].西安科技大学学报,2008，28(3):445-449.

[6] 任建喜,冯晓光,刘慧,等.地铁车站深基坑围护结构变形规律监测研究[J].铁道工程学报,2009,26(3):89-92.

[7] 李爱民.关于深基坑水平位移监测方案的探讨[J].测绘学院学报,2000,17(1):19-21.

[8] 陈泰霖,潘向丽,王安民,等.郑州某深基坑工程监测与分析[J].华北水利水电学院学报, 2008,29(5):76-78.

[9] 胡钧,杜坚.深基坑测斜监测技术及计算方法改进[J].大坝观测与土工测试,2005,21(2):31-37.

OndeformationoffoundationpitbasedonBPneuralnetworkandMATLAB

LAN Jin-jing1,2, LIU Yao-peng2, SONG Jia2

(1.No.2InstituteofGeological&MineralResourcesSurveyofHenan,Zhengzhou450001,China; 2.HenanJiaozuoGeologicalSurveyandDesignCo.,Ltd.,Jiaozuo454002,China)

2017-05-31

国家自然科学基金项目(41572341)

兰进京(1978—)，男，河南原阳人，硕士，高级工程师。

1674-7046(2017)04-0013-06

10.14140/j.cnki.hncjxb.2017.04.003

TU362

A