基于GA-BP神经网络的路基沉降预测

周卫　王倩

摘 要：如何科学、合理地预测路基沉降是高速公路建设的关键，针对传统的BP神经网络算法易陷入局部极小值，影响预测精度的问题，本研究利用遗传算法（genetic algorithm， GA）的全局寻优能力对BP神经网络进行优化，构建了基于GA-BP神经网络的路基沉降预测模型。以高速公路路基沉降监测进行实验验证分析，结果表明：相较于传统BP神經网络模型，GA-BP神经网络模型的预测精度有了显著的提高，可为高速公路的建设及后续工程的沉降预测提供参考。

关键词：遗传算法;BP神经网络;路基沉降;沉降预测

中图分类号：P208         文献标识码：A          文章编号：1672-5603（2022）03-76-05

Prediction of Subgrade Settlement Based on GA-BP Neural Network

Zhou Wei Wang Qian

（1. The First Surveying and Mapping Institute of Hunan Province， Changsha Hunan 410114; 2. Changsha University of Science & Technology， Changsha Hunan 410114）

Abstract： Scientific and reasonable prediction of subgrade settlement is the key to expressway construction， and the traditional BP neural network algorithm is easy to fall into local minimum， which affects the prediction accuracy. In this study， Genetic algorithm （GA）， having the global optimization ability， is used to optimize BP neural network， and a prediction model of subgrade settlement based on GA-BP neural network is constructed. The experimental verification analysis is carried out by monitoring the settlement of expressway subgrade. The experimental results show that compared with the traditional BP neural network model， the prediction accuracy of GA-BP neural network model is significantly improved， which can provide reference for expressway construction and follow-up projects.

Keywords： genetic algorithm; BP neural network; subgrade settlement; settlement prediction

监测是高速公路建设和运营过程中的重要内容，国家有关规范都明确规定在软土等特殊路基地区进行铁路、公路、堤防的施工要进行路基沉降监测，随着我国高速公路建设进入快速发展阶段，当前以及未来将会有越来越多的高速公路穿越不良地基路段，高速公路路基边坡的稳定性严重影响着高速公路的建设安全和运营期的行车安全[1]。因此，对高速公路路基沉降观测和预测都显得十分重要。

国内外专家学者对路基沉降做了大量分析研究，目前常见的沉降预测方法可分为理论计算法、建模计算法和曲线拟合法，如卢飞强等人采用时间序列分析法对软土路基沉降数据预测，该方法避免了复杂的参数计算[2];冯怀平等人通过对路基沉降规律的研究，提出了一种适用于非饱和土地区路基的沉降预测曲线模型[3];张满想等利用灰色模型对沉降数据进行建模分析，进而确定路基沉降预测值[4]。近年来，随着人工智能深度学习尤其是神经网络算法的快速发展，数据的挖掘和抽取更加自动化、智能化[5]。BP （back propagation）神经网络因其具备高度自学习能力和泛化能力[6]，已成为应用最为广泛的神经网络模型之一。但是，BP神经网络存在易陷入局部极小值、收敛速度慢等问题[7]，影响其收敛和泛化能力。遗传算法（genetic algorithm， GA）是一种全局优化搜索算法[8]，采用遗传算法优化BP神经网络（GA-BP神经网络），保留了BP神经网络算法的非线性映射能力和遗传算法的全局优化搜索能力，已广泛应用于预测预报。在工程领域，冯绍权等人利用高铁桥墩沉降数据提出了一种基于马尔科夫链修正的遗传BP神经网络预测模型[9];朱建民等人建立了黄土高填方工程GA-BP神经网络预测模型，并对黄土高填方场地的工后沉降进行预测[10]。藉此本研究尝试将GA-BP神经网络算法引入路基沉降预测，利用已有的路基沉降观测数据，构建GA-BP神经网络模型并对路基的沉降进行预测，并通过实验验证分析了BP神经网络和GA-BP神经网络模型的预测精度，进而根据预测的结果更好地指导公路路基施工工作和运营期的行车安全，防止出现较大的路基灾害事故。

1 GA-BP神经网络模型

1.1 BP神经网络

神经网络是由大量的神经元相互连接构成，神经元是其基本的结构单元，通常是多输入单输出结构，其结构模型如图1所示。

BP神经网络是一种基于误差反向传播算法训练的多层前馈神经网络，在分类识别、预警预测等领域得到了广泛的应用。标准的BP神经网络由三个部分组成，分别为输入层、隐含层和输出层。输入层和输出层为单层结构，而隐含层可以由一层或者多层组成，单隱含层的网络模型如图2所示。BP神经网络可以实现输入层和输出层的任意非线性映射，并采用梯度下降法调节各层神经元的权值和阈值，以减少误差，直到误差达到预设误差[11]。

1.2 基于GA-BP神经网络的算法流程

遗传算法（GA）是一种随机自适应全局搜索算法，借鉴了进化生物学中的自然选择和遗传机制，将求解问题表示成串，根据适应度大小进行选择、交叉、变异等遗传操作，从而得到新的串群，经过这样一次次不断地优胜劣汰，最后获取一个最适应环境的串，从而求得最优解。基于GA-BP神经网络模型的算法流程先对沉降数据进行预处理，保证输入数据的质量，然后利用GA算法对BP神经网络中的初始化权值阈值进行编码，进行选择和交叉操作，求得最优解权值阈值，得到最优的BP神经网络模型;并对模型的精度进行评价，最后实现对路基沉降的预测。为更进一步验证该模型的适应性，利用该模型和传统BP神经网络模型分别进行路基沉降预测，然后对分类结果进行相关统计分析。该方法流程如图3所示。

1.3 模型预测评价

2 实例分析

2.1 工程实例

本研究以湖南省某段高速公路路基填方工程为例，针对高速公路工程，主要监测内容为地表水平位移和路堤沉降，监测方法如表1所示。由于路堤的填土量大，在自重的作用下，路堤下地基土的沉降量较大，因此监测地基沉降在填筑过程中非常必要，控制总沉降量和沉降速率，以确保在填筑过程中地基土不会因不稳定而产生破坏。同时，在不同的地质条件下，由于填料性能复杂多样，其工后沉降和差异沉降等问题也是不可忽略的，这就要求对每一条路堤进行施工监测，控制总沉降量和沉降速率，以保证高路堤地基的稳定。

2.2 实验验证分析

本文以路基监测点1#～10#的各40期观测数据作为原始数据，将监测点1#观测数据中的前30期数据作为训练集进行网络训练，后10期作为测试数据检验模型精度。确定GA-BP神经网络模型的层数、最大收敛次数、收敛误差以及学习速率，利用MATLAB软件构建GA-BP神经网络模型。为避免数据输入和输出的数量级差别过大而影响网络模型的预测结果，将原始观测数据用最大最小法归一化处理，保证输入的数据的质量。函数形式为：

为了排除其他偶然因素对实验结果造成影响，将另外9个监测点的各40期数据用于验证模型的可靠性和有效性，得到监测点1#～10#预测结果的绝对误差的平均值如表3所示。

由表3可知，10组监测点的GA-BP神经网络法预测沉降值绝对误差的平均值为0.51，相较于BP神经网络预测模型的绝对误差平均值1.04有明显提高，验证了GA-BP神经网络模型在沉降预测的适用性。同时，其相对误差也更加收敛，表明GA-BP神经网络预测模型应用于路基沉降的预测精度可靠。为了更加客观、科学分析GA优化后的BP神经网络模型和传统BP神经网络模型的性能，通过均方误差（MSE）、拟合系数和收敛速度等指标进行评价，利用MATLAB软件计算的结果如表4所示，表明了GA-BP神经网络相较于传统BP神经网络拟合能力更强，收敛速度更快。

鉴于在不同的地质条件下，填料性能复杂多样，对路基沉降预测需要进一步研究。使用GA-BP神经网络对路基沉降预测是一个关键和有效的工具，可以更好地帮助我们对后期施工进行科学的指导。

3 结语

路基监测是高速公路安全施工和信息化管理的重要环节，始终贯穿高速公路工程设计、施工和运营的整个阶段，因此，合理准确地对路基沉降进行预测能有效保证安全生产。本文利用遗传算法的全局优化搜索优势，构建了基于GA-BP神经网络的路基沉降预测模型，通过实际工程实例验证分析，结果表明GA-BP神经网络模型的预测精度更高，更具有可靠性和有效性，对后续的施工及运营具有指导价值。

参考文献/References

[1] 吉力此且， 宋吉荣. 高速公路路基沉降与施工控制研究[J]. 公路工程， 2018， 43（2）： 151+161.

[2] 卢飞强， 师旭超. 基于时间序列分析法的软土路基沉降预测研究[J]. 路基工程， 2017 （6）： 11-14.

[3] 冯怀平， 耿会岭， 韩博文， 等. 非饱和土地区高速铁路路基沉降预测模型[J]. 岩土工程学报， 2017， 39（6）： 1089-1095.

[4] 张满想， 赵健， 郭昕， 等.灰色模型在路基沉降预测中的研究及应用[J]. 中外公路， 2020， 40（4）： 21-25.

[5] 陈军， 刘万增， 武昊， 等. 基础地理知识服务的基本问题与研究方向[J]. 武汉大学学报（信息科学版）， 2019， 44（1）： 38-47.

[6] 陈流豪. 神经网络BP算法研究综述[J]. 电脑知识与技术， 2010， 6（36）： 10364-10365.

[7] 李朝静， 唐幼纯， 黄霞. BP神经网络的应用综述[J]. 劳动保障世界（理论版）， 2012 （8）： 71-74.

[8] 阳俊， 曾维伟. 基于GA-BP神经网络的采空区地表沉降预测模型[J]. 矿冶工程， 2022， 42（2）： 42-45.

[9] 冯绍权， 花向红， 陶武勇， 等. 一种基于GA-BP-MC神经网络的高铁桥墩沉降预测模型[J]. 测绘通报， 2019， （7）： 50-53+82.

[10]朱建民， 于永堂， 郑建国， 等. 基于GA-BP神经网络的黄土高填方工后沉降预测[J]. 地下空间与工程学报， 2021， 17（S1）： 382-386+418.

[11]周政. BP神经网络的发展现状综述[J]. 山西电子技术， 2008 （2）： 90-92.