基于模糊神经网络模型的广西炭质岩地区高填筑地基沉降预测研究

何俊辉 张博宇 骆俊晖

摘要：对于路基沉降预测来说，指数曲线和双曲线延拟合法都有其局限性，不能很好地反映路基沉降的真实情况。神经网络可用于已有大量沉降数据的路基沉降预测，然而目前所使用的模型较少采用TS模糊神经多层网络。文章同时结合了TS模糊系统与神经网络的特点，实现了两种方法相互兼容的目的，并以河池至百色高速公路炭质岩高填筑路基现场实测数据建立路基沉降预测模型，验证其适用性。结果表明：该方法适用于大数据分析，短期沉降预测结果准确，最终沉降预测结果具有较大工程实用价值。

关键词：神经网络;TS模糊模型;炭质岩;沉降

0 引言

在公路工程建设中，高填路基沉降问题较为显著，通车期间路基不均匀沉降对车辆的安全运行造成较大影响，因此，准确预判路基沉降可为公路工程的“建、管、养、运”提供参考资料。在路基沉降计算方法中，有规范法、经验法、有限元法等，其中，人工神经网络法适合对已有的大量沉降数据进行分析，通过自我训练得出沉降曲线，并准确预测可能发生的沉降问题，是一种效率较高、适用大数据分析的计算方法。

人工神经网络是人工智能领域的研究热点，其是从信息处理角度建立某种计算模型，按不同的方式组建差异网络，从而进行分布式并行信息处理算法的数学模型。然而，在工程应用中较难用准确的术语表达参数，因此需要通过模糊逻辑系统与神经网络有机结合，形成一种协作体——模糊神经网络，即以模糊规则为基础，具有模糊信息处理能力的计算模型[1]。基于神经网络，可以建立模糊神经网络沉降预测模型，为公路工程路基沉降分析提供研究手段，具有显著的经济效益和社会效益。

1 模糊神经网络概述

1.1 模糊神经网络系统

人工神经网络有强大的学习能力和自适应能力，但其计算过程不能表达，类似一个黑箱，缺少透明度。而模糊神经网络（FNN， Fuzzy Nuearl Network）的发展建立在神经网络和模糊神经系统的基础上，具有显著的优点，可用于求解不确定非线性问题[2]。与其他神经网络系统方法相比较，模糊神经网络具有更便捷高效、易于理解推理过程、人工干预少、精度较高、对样本的要求较低、收敛速度快、突出的逼近性能等优点，在实践中表现出良好的性能[3]。

1.2 TS型模糊神经网络原理

TS型模糊神经网络原理修改系统由TKagi Sugneo（Takagi Kanno）提出并广泛应用于模糊神经网络[4]，其特点为系统输出值为精确值。其标准前馈模糊网络结构如图1所示。

TS模糊神经网络属于多层网络类型[5]，由输入层、模糊化层、规则层、去模糊化层和输出层组成。输入层是连接所有节点和输入向量，x=[x1…xn]T，然后输入x到模糊化层。模糊化层的功能是：如果每个输入变量是用m个模糊集合定义的，则模糊层被划分成n组，并且该组由m个节点组成。如果用高斯函数表示i组中m个节点的输出，则有公式（1）：

1.3 TS型模糊神经网络计算步骤

TS型模糊神经网络计算步骤具体如下：

（1）将样本分成两部分，一部分用来训练TS网络，另一部分用来测试网络性能[6]。

（2）使用类聚法对训练样本归类，每类对应一条模糊规则。

（3）训练神经网络。在隶属度函数值组成的矩阵基础上分析输出结果和输出误差，根据梯度下降法进行更新、迭代计算。

结合以上步骤通过MATLAB软件编程[7]，可以预测地基沉降量。

2 依托工程研究

2.1 工程概况

河池至百色高速公路线路主要途经炭质岩区域，沿线有1/3的炭质岩路段。炭质岩易崩解、遇水软化，物理力学性质差，对工程影响较大。

2.2 广西炭质岩分布与岩性

广西炭质岩地区主要分布于桂西北地区，面积约1.51 万m2，约占广西面积的6.4%。炭质泥（页）岩浸水后岩体强度软化，遇水后易崩解。

广西河池至百色高速公路炭质泥页岩主要为深灰色薄～中层状泥页岩及灰黑色薄厚层状炭质泥页岩、泥灰岩，灰色中厚层状灰岩、砂岩、硅质岩，岩性变化较大。其中，炭质泥页岩、泥灰岩具崩解性。

采用炭质岩填料填筑的路基，如果路堤长期浸水或路面开裂地表水入渗，会导致炭质岩路堤变形和不均匀沉降。

2.3 炭质岩地基设计、处理与优化

依托工程为河百路炭质岩高填筑路基試验地段，桩号为K16+750～K16+850，全长100 m，属剥蚀丘陵沟谷地貌，地形起伏较大，填筑前地面高程约为350 m，填筑高度约25 m，该路段为高填方路堤，长年累积淤泥，承载力弱。在施工中，突遇大雨，已填路堤发生滑坡，危害严重，后更改施工设计，在填筑前，将地基基底的淤泥挖除，采用碎石进行换填，而碎石的松铺度较大，并采用震动式压路机进行碾压，之后进行填土。考虑本段填土均为炭质岩，同时稳定性较差，遇水则软遇风则散，没有充足的时间予以自然沉降，填筑至4 m高时，采用强夯法进行强夯处理，以保证该段路基填筑的沉降与稳定。

2.4 炭质岩路基高填筑处置效果评价

炭质岩路基沉降监测数据是路基填筑速率控制和确定路面铺筑时间的重要依据，合理准确地分析加载期间沉降量的发展变化趋势，对指导路基施工具有十分重要的意义。在炭质岩填筑路基路段（桩号k16+800）左、右两侧路基分别设置了沉降板，用以监控路基施工期间的沉降。根据监测结果，将各个断面的沉降数据进行整理。

随着填土高度的增加，累积沉降量增加，路基的分级荷载也同时增大。前期地基沉降速率发展较快，而后缓慢下降，趋于稳定。随着填土厚度的增加，上覆荷载也随之增加，导致路基初始变形较大，填筑期沉降变化较小，是炭质岩的固结变形特征。

3 炭质岩地基填筑沉降计算与分析

通过MATLAB软件编程，采用TS模糊神经网络对含炭质岩地基沉降进行了研究。通过对预测结果的误差分析和评价，得出最终结论。MATLAB软件的运行步骤如下：将178 d的数据进行差分，迭代步骤被设置为0.000 3。使用N-1，N-2，N-3，预测N。在输入层中有3个点，在分类中有4个，在隐含层中有4个[8]。

通过MATLAB软件分析获得数据，利用Origin软件进行数据处理，得到K16+800左侧道路的沉降监测结果，如图2～5所示。

从图2～5的K16+800左侧路基沉降曲线及误差分析可以看出，T-S模糊神经网络适合用于预测和分析炭质岩路基的沉降，分析结果令人满意，误差较小[9-10]。

通过对K16+800左右侧的炭质岩路基沉降监测结果的分析，说明利用TS模糊神经网络对炭质岩路基进行分析是可行的，其预测结果与实际情况非常接近[11]。迭代速度快，误差小，样本量对预测精度有很大影响，使用该技术时，样本量越大，精度越高。通过工程实例分析，可以看出TS模糊神经网络具有很强的预测能力和快速的计算过程，可应用于工程实践中[12]。

4 结语

本文以广西河百路K16+800段炭质岩高填筑路基段沉降分析为例对实际测量值进行比较，取得较理想的效果，由此可以得出：

（1）利用神经网络强大的学习能力和模糊神经网络的规则，可以简化其模型建立过程，大大减少其规则匹配难度，加快计算速度，极大提高模型的自适应能力。

（2）模型采用大量现场实测数据进行计算，避免了人为因素干扰，弱化了随机性，使预测具有很大的相关性，精度相对较高。

（3）TS模糊神经多层网络模型在计算过程中对样本要求不高，具有很强的容错能力，可以减少测量误差和施工带来的影响，结果相对精确，可以指导施工。

（4）计算结果和施工现场进行对比，正确率高，其预测值具有代表性，可为设计、施工中的沉降提供更科学的预测方式。

参考文献：

[1]王琛艳， 郑 治.人工神经网络在预测高速公路路基沉降中的应用[J].公路交通技术， 2004（3）：7-10.

[2]Chen C L P ， Liu Y J ， Wen G X .Fuzzy Neural Network-Based Adaptive Control for a Class of Uncertain Nonlinear Stochastic Systems[J].IEEE Transactions on Cybernetics， 2014， 44（5）：583-593.

[3]郭秀霞.神经网络在软基沉降预测与处理方案智能评价中的应用[D].长沙：湖南大学， 2012.

[4]金智涛.基于神经网络的软土路基最终沉降量的分析研究[D].武汉：武汉理工大学， 2006.

[5] 孔繁盛， 张彦拓.改进的BP神经网络在路基沉降預测中的运用[J].山西交通科技， 2014（5）：1-3.

[6] 周晓恒， 岳晓光.基于广义回归神经网络的路基沉降预测[J].交通科技， 2014（6）：73-75.

[7] 彭立顺， 蔡 润， 刘进波，等.基于遗传优化神经网络的高速公路路基沉降量预测[J].地震工程学报， 2019，41（1）：124-130，207.

[8] 郭亚宇， 孙立功，苏兆仁.改进的BP神经网络在路基沉降预测中的应用[J].勘察科学技术， 2010（5）：28-31.

[9] Cho M J， Martinez W L.Statistics in MATLAB： A Primer.Cladistics[J].the International Journal of the Willi Hennig Society， 2014， 32（4）：335-350.

[10] Hass H ， Kreutz C ， Timmer J ， et al.Fast integration-based prediction bands for ordinary differential equation models[J].Bioinformatics， 2015， 32（8）：1 204.

[11] 王江荣， 赵 睿， 袁维红，等.基于遗传算法因素筛选的BP神经网络在软土路基沉降数据处理中的应用[J].矿山测量， 2016， 44（5）：87-90.

[12] 蒲兴波， 魏 静， 钱耀峰，等.基于改进神经网络的路基沉降预测[J].路基工程， 2012（3）：17-19.

作者简介：何俊辉（1981—），高级工程师，主要从事交通建设与管理工作;

张博宇（1984—），高级工程师，主要从事交通建设与管理工作;

骆俊晖（1985—），高级工程师，主要从事交通建设方面的科研工作。