基于LSTM的深基坑开挖地表沉降预测研究

2021-07-09王永军

山西建筑 2021年14期

王永军

(广东中煤江南工程勘测设计有限公司，广东广州 510440)

1 概述

在城市化进程中，随着城市空间被开发利用，地表空间资源有限，地下城市空间逐渐被开发利用，因此深基坑的开挖深度和数量逐年增加[1，2]。基坑开挖过程中由于破坏了周围土体的原状型，势必会导致基坑附近地表沉降和土体变形[3]。因此，在深基坑开挖过程中对周围地表沉降进行监测和预警不可或缺[4]。

当前针对深基坑开挖引起地表沉降预测这一工程问题，国内外学者进行了较深入的研究，主要通过灰色系统理论、时间序列分析以及BP神经网络算法等方式进行预测[5，6]。其中BP神经网络由于其机械学习能力强、预测效果好以及可以较好地对复杂非线性关系进行计算而得到广泛应用[7]。但BP神经网络由于计算速度慢、优化参数困难、易发生过度拟合等问题，使得复杂环境下预测效果并不理想[8-10]。

为提高深基坑开挖过程中对周围地表沉降预测的准确性，本文提出了基于循环神经网络(RNN)的长短记忆人工(LSTM)神经网络模型，借由输入数据序列在隐藏层中的传递，能够提取序列的特征，形成记忆，相较于BP神经网络，有较高的准确性。

2 机器学习模型

2.1 BP神经网络

BP(Back Propagation，简称BP)神经网络是一种按照利用误差逆向传播算法的多层前馈神经网络，通过对神经元之间进行数据传播，对输出在神经元之间向前传播，对误差进行反向传播，不断迭代更新神经元之间的权重文件。通过误差逆向传播算法，BP神经网络有较强的学习能力。如图1所示，BP神经网络由输入层、隐含层、输出层构成。

在输入层中，神经网络中神经元的数量与输入参数的维度相同，且均为单层神经网络。BP神经网络的学习能力主要受隐含层的层数及神经元的数量影响，一般来说，神经元的数量越多，数据的预测效果越好；隐含层的层数越多，神经网络模型的非线性拟合能力越强。在神经网络进行前向传播的过程中，输出层中单个神经元的输出为：

(1)

其中，yk为输出的神经元；f为激活的函数值;wik为神经元之间的权重文件;θk为神经元的阈值;xi为输入层的神经元。通过激活的函数使BP神经网络具有更好的非线性拟合能力。

2.2 长短期记忆神经网络

循环神经网络(Recurrent Neural Network，简称RNN)，是一种用于处理序列数据的神经网络。与BP神经网络相同，均由输入层、隐含层和输出层组成，但循环神经网络中在隐含层中输入和输出是具有时序性的，在隐含层中输出层受当前时刻输入值和上一时刻的输出值影响，通过输入的数据在隐含层中循环传递，如图2所示，通过RNN模型提取序列的特征信息，形成记忆。

长短期记忆神经网络(Long Short-Term Memory，简称LSTM)，是循环神经网络的一种实现方式。由于独特的设计结构，LSTM适合于处理和预测时间序列中间隔和延迟非常长的重要事件。由于其结构和RNN很相似，但将单一的激活函数换成更为复杂的结构。LSTM的结构有很多种形式，但都大同小异，主要都包含输入门、输出门、遗忘门(见图3)。通过门函数对记忆值、输入函数、输出函数进行控制。相较于简单的RNN网络，LSTM网络训练的参数更多，单个块的结构也更复杂，能很好地解决传统BP神经网络在预测地表沉降中容易过拟合的问题。

3 工程实例

3.1 实测数据

本文对广州市某深基坑地表沉降监测数据进行机器学习实验。该基坑工程开挖深度约12 m，基坑开挖面积约22 500 m2，属二级基坑工程，共设置沉降监测点25个，测取了C2监测点40期沉降监测数据的变化趋势，由图4可知，该基坑从34期开始沉降逐渐趋于稳定，因此选取前35期沉降数据作为训练集，对36期～40期累计沉降量进行预测。

3.2 实验及结果分析

本文通过前35期数据作为训练集样本预测第36期～40期地面沉降数据，采用每连续5期的检测数据作为输入层数据，将下一期数据作为输出的期望值，以此类推制作训练样本，通过训练好的LSTM神经网络预测后5期的地面沉降数据，并将预测值与实测值进行对比分析，通过平均绝对百分误差、误差均方差和误差绝对值均值作为预测精确度的评价指标。

本文采用的LSTM神经网络中输入层含有200个神经元，通过单隐含层进行设置，本次实验中，隐含层神经元个数为5，初始步长设置为10，迭代次数500次，学习效率设置为0.005，学习目标设置为0.001。训练结束后，将BP神经网络、LSTM神经网络得到的预测值与实测值相比较，如图5所示。