CN109543237B - 基于ga-bp神经网络的基坑位移预测方法 - Google Patents

基于ga-bp神经网络的基坑位移预测方法 Download PDF

Info

Publication number
CN109543237B
CN109543237B CN201811267510.XA CN201811267510A CN109543237B CN 109543237 B CN109543237 B CN 109543237B CN 201811267510 A CN201811267510 A CN 201811267510A CN 109543237 B CN109543237 B CN 109543237B
Authority
CN
China
Prior art keywords
foundation pit
neural network
displacement
prediction
deformation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811267510.XA
Other languages
English (en)
Other versions
CN109543237A (zh
Inventor
吴宏杰
卞恺慧
沈华祥
邱劲
韦俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou University of Science and Technology
Original Assignee
Suzhou University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou University of Science and Technology filed Critical Suzhou University of Science and Technology
Priority to CN201811267510.XA priority Critical patent/CN109543237B/zh
Publication of CN109543237A publication Critical patent/CN109543237A/zh
Application granted granted Critical
Publication of CN109543237B publication Critical patent/CN109543237B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于GA‑BP神经网络的基坑位移预测方法。在建筑施工阶段，基坑结构形变的预测仿真是基坑施工安全保障的关键技术之一。传统的基坑施工重监测、轻预测，经常是发现形变后采取补救措施，往往错失了形变支护修复的最佳时间。本发明利用GA‑BP神经网络的方法来预测仿真未来的基坑可能的形变，有效提前支护修复的时间点，降低支护修复的难度，最终为基坑安全保驾护航。本发明对遗传反向传播神经网络中的时域(仅时间序列)特征、空域(仅相邻点)特征、时域空域结合特征进行了量化的仿真分析与研究，依托工程实例用于舟山基坑监测点水平与垂直位移形变预测，并与支持向量机回归(SVR)和随机森林回归(RF)方法进行了多维度比较。

Description

基于GA-BP神经网络的基坑位移预测方法
技术领域
本发明涉及基坑位移预测领域，具体涉及一种基于GA-BP神经网络的基坑位移预测方法。
背景技术
随着我国现代化城市基础建筑设施行业的高速发展，建筑市场不断扩大，各写字楼、商场、学校的建设使得基坑工程数量也不断增长，由基坑工程引发的安全问题也得到人们的重视。监测基坑问题成为当前研究的热点之一，随着近些年来基坑施工过程中信息化程度和监控手段的不断提高，BP神经网络有良好的自适应和实时学习能力，在解决一些工程应用的非线性问题上具有广泛的应用，它也成为监测基坑形变的重要人工智能技术之一[1]。基坑在开挖过程中会带来基坑自身坡体、周边建筑物和地下水位沉降的问题，为保证基坑安全及施工进度，避免造成人身安全事故和财产损失[2]，一般需要对基坑工程进行相应的水平和沉降位移形变预测。
近些年国内外学者对基坑的仿真预测提出了大量系统分析方法，RavichandranN.等人在文献[3]中提出了一种用离散的试验数据更新半经验模型来预测基坑沉降的贝叶斯方法，结果表明，最大沉降预测的准确性可以得到改善，模型不确定性可以通过贝叶斯方法降低。陆新征等人在文献[4]中将三维有限元分析及其模拟方法应用于某基坑，对各种关键参数进行了参数敏感性分析和讨论，验证了共同作用下对基坑变形和受力的影响更大。胡庆国等人在文献[5]中介绍了灰色系统理论预测模型预测某深基坑桩顶位移，预测数据结果表明该模型在基坑变形监测仿真中效果良好。BP(Back Propagation)神经网络具有高度自学习和自适应的能力、可将学习成果应用于新知识的能力[6]，也有较多学者将BP神经网络预测算法用于基坑预测。Kung等人在文献[7]中分析了影响基坑位移的因素，将5个影响因素作为输入变量提出基于人工神经网络隔墙变形的仿真预测方法，验证了每个输入变量对墙体挠度的影响与实际一致。张孟喜等人运用改进的BP神经网络在文献[8]中实时仿真浙江某双连拱隧道变形沉降，同时也发现将传统的BP神经网络作为局部搜索优化方法，初始网络权值对网络权值有很大影响，每次训练算法初始化权值不同，结果收敛到局部极小值，BP神经网络的本质是梯度下降算法，这也会导致其收敛速度减慢。
本发明参考文献如下：
[1]F Yu,X Xu.A short-term load forecasting model of natural gasbasedon optimized genetic algorithm and improved BP neural network[J].AppliedEnergy,2014,134(134):102-113.
[2]秦鹏飞.基坑工程支护新技术及应用研究[J].地质与勘探,2017,
53(2):350-354.
[3]L Wang,N Ravichandran,C H Juang.Bayesian updating of KJHHmodel forprediction of maximum ground settlement in braced excavations usingcentrifugedata[J].Computers&Geotechnics,2012,44(3):1-8.
[4]陆新征,宋二祥,吉林,等.某特深基坑考虑支护结构与土体共同作用的三维有限元分析[J].岩土工程学报,2003,25(4):488-491.
[5]胡庆国,张可能,何忠明,等.灰色预测模型在基坑变形中的应用[J].矿冶工程,2006,26(4):13-14.
[6]SDing,C Su,J Yu.An optimizing BP neural network algorithmbased ongenetic algorithm[J].Artificial Intelligence Review,2011,
36(2):153-162.
[7]G T C Kung,E C L Hsiao,M Schuster,et al.A neural networkapproachto estimating deflection of diaphragm walls caused by excavation in clays[J].Computers&Geotechnics,2007,34(5):385-396.
[8]张孟喜,李钢,冯建龙,等.双连拱隧道围岩变形有限元与BP神经网络耦合分析[J].岩土力学,2008,29(5):1243-1248.
[9]谭景信,洪岩,孟德地,等.基于卷积神经网络的作战目标识别方法的研究[J].计算机仿真,2017,34(11):12-15.
[10]邓万宇,郑庆华,陈琳,等.神经网络极速学习方法研究[J].计算机学报,2010,33(2):279-287.
[11]蒋昌楠,赵文龙.基于神经网络的无人直升机优化控制仿真研究[J].计算机仿真,2017,34(9):24-29.
[12]T Xu,Y Wang,C Kang.Tailings saturation line prediction based ongenetic algorithm and BP neural network[J].Journal of Intelligent&FuzzySystems,2016,30(4):1947-1955.
[13]王赞,樊向宇,邹雨果,等.一种基于遗传算法的多缺陷定位方法[J].软件学报,2016,27(4):879-900.
[14]胡新平,贺玉芝,倪巍伟,等.基于赌轮选择遗传算法的数据隐藏发布方法[J].计算机研究与发展,2012,49(11):2432-2439.
[15]K Liu,W Guo,X Shen,et al.Research on the Forecast Model ofElectricity Power Industry Loan Based on GA-BP Neural Network[J].EnergyProcedia,2012,14:1918-1924.
[16]J Liu,H Wang,Y Sun,et al.Real-Coded Quantum-Inspired GeneticAlgorithm-Based BP Neural Network Algorithm[J].Mathematical Problems inEngineering,2015,2015:1-10.
[17]陈秋莲,李陶深,吴恒,等.基于遗传算法的基坑支护协同演化处理模型[J].计算机应用,2004,24(10):139-140.
[18]吴超,张磊,张琨.基于BP神经网络的RFID室内定位算法研究
[J].计算机仿真,2015,32(7):323-326.
[19]SDing,C Su,J Yu.An optimizing BP neural network algorithm basedon genetic algorithm[J].Artificial Intelligence Review,2011,36(2):153-162.
发明内容
本发明要解决的技术问题是提供一种基于GA-BP神经网络的基坑位移预测方法。
为了解决上述技术问题，本发明提供了基于GA-BP神经网络的基坑位移预测方法，选取舟山基坑工程坡顶位移监测点Y20以及其相邻10个监测点Y15-Y19、Y21-Y25，从2015年11月5日到2016年7月30日的变形监测数据为依据，用样本数据中Y20点过去5天为时域特征输入、相邻点Y15-Y19、Y21-Y25后一天的位移为空域特征输入来预测Y20点未来1天的位移，包括以下步骤：(1)样本数据预处理，由于常见的S型传递函数tansig或logsig的值域都在在(-1，1)之间，将样本数据归一化到[0.1,0.9]上。(2)用神经网络工具箱中的函数建立一个新的BP神经网络，函数的调用格式为：(3)对遗传算法的参数进行初始化，并对种群初始化。令遗传算法迭代次数为10次，交叉概率为0.7，变异概率为0.25。(4)通过遗传算法中的选择、交叉、变异操作，替换前一次迭代中最佳染色体，得到最优的权值阈值同时记录每次迭代中的最佳适应度和平均适应度，并在达到最大迭代次数时终止。(5)将得到的最优的权值阈值赋值给BP神经网络，并对基坑点Y20位移形变进行预测。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
本发明的有益效果：
用BP神经网络的方法来预测仿真未来的基坑可能的形变，有效提前支护修复的时间点，降低支护修复的难度，最终为基坑安全保驾护航；本发明对遗传反向传播神经网络中的时域(仅时间序列)特征、空域(仅相邻点)特征、时域空域结合特征进行了量化的仿真分析与研究，依托工程实例用于舟山基坑监测点水平与垂直位移形变预测，并与支持向量机回归(SVR)和随机森林回归(RF)方法进行了多维度比较，仿真实验结果表明：基于遗传反向传播神经网络的预测算法预测时长均在10s以内、预测误差基本都在-0.05-0.05mm内浮动，相对误差最大值为0.36％，预测拟合值IA均达到0.9以上。本方法不仅为预防为主的标准化安全管理提供技术支持，也为基坑健康管理方案提供一个新思路。
附图说明
图1是本发明基于GA-BP神经网络的基坑位移预测方法中的GA-BP神经网络模型流程图。
图2是本发明基于GA-BP神经网络的基坑位移预测方法中的基坑监测点分布图。
图3是本发明基于GA-BP神经网络的基坑位移预测方法中的网络训练结构拓扑图。
图4是本发明基于GA-BP神经网络的基坑位移预测方法中的BP模型三种情况仿真预测结果比较示意图。
图5是本发明基于GA-BP神经网络的基坑位移预测方法中的GA-BP模型三种情况仿真预测结果比较示意图。
图6是本发明基于GA-BP神经网络的基坑位移预测方法中的三种方法仿真结果示意图。
图7是本发明基于GA-BP神经网络的基坑位移预测方法中的三种方法仿真结果误差对比示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
遗传BP神经网络概述
BP即Back Propagation，也就是反向传播神经网络，1986年由Rumelhart和McCelland等提出[9]，算法为将全局误差系数降到最小，通过神经网络各层间的反向传播并采用快速下降法不断调整网络的权值和阈值。BP神经网络主要由一个输入层LA、一个或多个隐含层LB、一个输出层LC构成，设输入层到隐含层连接权值为v，隐含层到输出层的连接权值为w、隐含层的阈值为θ、输出层的阈值为γ，训练过程中利用层内各单元的泛化误差和隐含层输出校正权w和阈值γ[10]，调整各传输层之间的连接权v和门限θ，当网络的全局误差达到事先设定好的值时，网络收敛训练结束。
遗传算法也称Genetic Algorithms，1962年美国密歇根大学Holland教授提出，遗传算法是仿真自然遗传机制的一种并行随机搜索方法，它扩展了问题解的覆盖面和搜索方向的多样性，它是由生物进化机制(适者生存，交叉，变异等)启发的非线性全局优化算法，从任意初始种群开始，通过个体遗传和变异有效地实现了稳定优化的育种和选择过程，保留了先前选择的适应度函数，否则将被淘汰。遗传算法能同时处理种群中的不同个体并根据不确定性原则来引导算法搜索方向，在搜索过程中可以有效地防止收敛到局部最优解[11,12]，从而克服了BP神经网络容易陷入局部最优解的缺点。遗传算法优化BP神经网络的主要实现流程图如图1所示。
种群和参数初始化，将阈值与神经网络的权重相结合，神经网络权重和阈值进行二进制实数编码，采用实数编码不仅因为它使得优化过程更容易理解，而且没有数字系统转换，也将大大节省了遗传操作时间。设总群群体为N，种群中每个个体都由一个包含神经网络所有权重和阈值的实数字符串组成。利用遗传算法优化BP神经网络的初始权值，得到最佳的BP神经网络参数。
适应度函数计算，适应度函数是评价个体质量的函数，将BP神经网络的预测输出值和期望输出值的误差绝对值和E作为个体适应度值F[13]，F的计算公式为
式(1)中，n为输出节点个数，yi为BP神经网络第i个节点的输出，oi是该节点的预期输出值，k为系数。
选择操作，又称“重组”操作，具有较高适应值的个体更可能产生一个或多个后代，因此，当前种群中具有最佳适应值的个体被复制到下一代。遗传算法选择操作一般采用的是轮盘赌选择法[14](基于适应度值占总适应度的比例的选择策略)时，令个体i的被选择概率为pi，计算公式如下：
式(2)和式(3)中，Fi是个体i的适应度值，这里取系数为k的倒数值为fi，N为种群的个体数目。
交叉操作也采用实数法进行交叉，在两个个体的染色体上点交换以产生新的个体有助于提高算法优化过程中的收敛速度[15]。令第k个染色体ak和第l个染色体al在j位的交叉操作如下：
akj＝akj(1-b)+aljb (4)
alj＝alj(1-b)+akjb (5)
式(4)和式(5)中，b为[0,1]之间的随机数。
变异操作，在种群进化过程中设定一定概率来选择群体中的个体，然后对染色体进行变异[16]，可以防止算法陷入局部最优解，令aij为个体i上的第j个基因，对其用以下公式进行变异操作：
式(6)和式(7)中，amax为基因aij的上界，amin为基因aij的下界，令f(g)是一个随机数，Gmax为最大进化次数，g为已迭代次数，r是一个在[0,1]之间的随机数。
最后，演化过程一直持续到适应值小于终止标准或收敛到一个值，或者生成的数量达到固定的生成时间，将得出的最优权值阈值作为BP神经网络的初始权值阈值进行网络训练直至误差达到设定值输出最终结果。否则，程序将重新启动。
基坑数据概括及网络设计
舟山文化创意产业园一期工程位于苏州太湖国家旅游度假区管委会西侧，孙武路南侧、东临姚舍路、南临后塘路，交通方便。苏州市属亚热带季风气候，雨量较大，轻度潮湿。拟建场地勘察深度内地下水为土层中孔隙型潜水、微承压水和岩石中裂隙水。该工程总建筑面积占地118306.9㎡,其中地下室建筑面积占35097.65㎡。
1)本工程±0.00相当于1985国家基准4.10m，根底由桩基承台加防水板基础构成，A1～A9采用PHC-500(110)AB型管桩、其它区域采用AZH-40预制方桩。
2)基坑形状近似四边形，支护内边线以地下室承台外边线外扩800mm确定，本场地周长约800m，面积约36115㎡。
3)坑底普遍挖深5.45m。
基坑工程的相关土层除表层填土外，其余均为第四系河湖相沉积层和冲洪积层，主要由粘性土、粉性土组成。场地分属于不同微地质单元，可分为正常沉积区和灰土沉积区。为准确反映围护结构顶部形变情况，对围护基坑结构顶部埋设监测点进行监测，采用道钉或长约10cm导游十字丝的钢筋标志做点，点位采用混凝土加固[17]，图2为监测点分布图。
如图2所示，Y1-Y103点为坡顶水平位移和竖向位移监测点，G1-G24点为管线沉降监测点，S1-S5点为地下水位监测点，D1-D40点为周边道路沉降，这里选取坡顶水平位移监测点Y20为研究对象，使用2015年11月5日-2016年7月30日累计监测数据，连续测量3天后，取平均值作为初始值(后续测量变量均以初始值为基础)，同时，建立了基于遗传BP神经网络和遗传算法的基坑变形预测模型。
选取舟山基坑工程坡顶位移监测点Y20以及其相邻10个监测点Y15-19、Y21-25，从2015年11月5日到2016年7月30日的变形监测数据为依据，用样本数据中Y20点过去5天为时域特征输入、相邻点Y15-19、Y21-25后一天的位移为空域特征输入来预测Y20点未来1天的位移，图3为神经网络预测仿真结构拓扑图。
网络训练依次分别取时域特征5个样本为滑动窗，并将它们映射为1天的值，即用2015年11月5日(第1天)、11月6日(第2天)、11月7日(第3天)、11月8日(第4天)、11月9日(第5天)的Y20位移变化5个数据、空域特征10个样本即用11月10日Y15-Y19、Y21-Y25点的位移变化来预测11月10日(第6天)的变形值以及时域特征与空域特征相结合15个样本作为网络输入样本，以此类推，共构建186组数据，以前85％的样本数据为训练样本，后15％的数据为预测样本，基坑监测点Y20前5个时间点的位移形变和相邻前后各5个监测点的位移形变为输入特征，将时间序列和相邻点都作为输入样本影响因素时，输入层单元个数为15，输出层单元个数为1，隐藏神经元个数为8，学习率为0.05，训练目标为0.001，同时设置最小均方根误差等训练参数，进行BP神经网络训练。表1为时空域特征结合网络的输入、输出层设计:
表1网络输入、输出层设计
其中，Y20(n)为第n天Y20点的水平位移形变值，Y15-19、Y21-25(n)为Y15点到Y19点以及Y21点到Y25点的第n天的水平位移形变。
以舟山基坑水平位移监测点Y20为研究对象，使用2015年11月5日-2016年7月30日的Y20点的累计监测数据，建立了基于GA-BP神经网络基坑变形预测模型并运用Matlab按照上述图1流程编写程序，主要步骤如下：
样本数据预处理，由于常见的S型传递函数tansig或logsig的值域都在在(-1，1)之间，将样本数据用下式(8)归一化到[0.1,0.9]上。
式(8)中,X'为样本归一化后的值,Xmax为样本数据里的最大值,Xmin则为样本数据中的最小值。
用神经网络工具箱中的newff函数建立一个新的BP神经网络[18]，newff函数的调用格式为：
其中，PF设为均方误差“mse”，是由共F组中的每组输入的元素的最大、最小值组成的R×2维矩阵,第i层的单元个数为Si；第i层的传递函数为TFi；训练函数为BTF，设为“trainlm”；学习算法为BLF，设为“learngdm”。
对遗传算法的参数进行初始化，并对种群初始化。令遗传算法迭代次数为10次，交叉概率为0.7，变异概率为0.25。
通过遗传算法中的选择、交叉、变异操作，替换前一次迭代中最佳染色体，得到最优的权值阈值同时记录每次迭代中的最佳适应度和平均适应度[19]，并在达到最大迭代次数时终止。
将得到的最优的权值阈值赋值给BP神经网络，并对基坑Y20点位移形变进行预测。
实验仿真
实验分别将BP模型和遗传算法优化的BP模型在Matlab中运行并输出网络反归一化的结果，实验还分别对仅时间序列、仅相邻点以及时间序列与相邻点结合不同的输入特征进行仿真，从而验证了将相邻点也作为输入特征预测结果会更好。为了加强验证实验结果，本发明还通过除BP神经网络以外支持向量机回归(Support Vector Regression)和随机森林回归(Random Forest)两种方法预测基坑位移形变并与遗传算法神经网络进行相应比较。此外还分别计算了两种模型预测的均方根误差RMSE(Root MeanSquared Error)和拟合指数IA(Index ofAgreement)：
式(9)中，n为样本总数，Xobs,i为第i个样本的实际值，Xpred，i为第i个样本的
式(10)中，为样本中所有实际值的平均数。
时域与空域特征预测比较
实验程序分别从时域(仅时间序列)、空域(仅相邻点)、时域空域结合(时间序列与相邻点结合)三种情况下对Y20点水平位移进行了预测，并在最后将反归一化后的结果输出，图4为BP神经网络模型预测Y20点水平位移在时域、空域以及时域空域结合三种情况下的仿真值与实际监测值，表2为三种情况下BP模型预测均方误差、拟合指数以及训练时长比较。
表2BP模型不同输入特征下预测精度性能比较
图5为遗传算法优化的BP神经网络模型预测Y20点水平位移在仅时域、仅空域以及时域空域结合三种情况下的仿真值与实际监测值，表3为三种情况下GA-BP模型预测均方误差、拟合指数以及训练时长比较。
表3 GA-BP模型不同输入特征下预测精度性能比较
由上述图表可知，BP模型和GA-BP模型情况下将时域空域结合作为输入特征预测结果都与期望输出值更吻合，并且不影响训练时长，从而说明时域特征和空域特征都是神经网络有效的输入特征。
BP模型与GA-BP模型预测比较
两种模型输出值与实测值及相对误差RE(％)比较如表4所示(结果保留两位小数):
表4 BP模型和GA-BP模型仿真结果比较
/>
其中，GA-BP模型预测值中有下划线标记为预测效果由于BP模型，相对误差为预测值与期望输出值的绝对误差与期望输出值之比，由表4可知，GA-BP模型预测值中大部分预测结果比BP模型更加接近实测值(期望输出值)，BP神经网络预测模型的相对误差最大为0.79％，而遗传算法优化后的BP模型相对误差最大值为0.36％，BP模型预测绝对误差最大值为0.21mm，遗传算法优化的BP模型绝对误差最大值为0.1mm，且GA-BP模型预测误差基本都在-0.05-0.05mm内浮动，GA-BP模型和BP模型预测均方误差、拟合指数以及训练时长如表5：
表5BP模型和GA-BP模型预测精度性能比较
由表5可知，遗传算法优化后的BP模型的均方误差小于没有优化的BP模型预测，算法拟合指数IA为0.9835高于BP模型，训练时长也远远低于BP模型，可见遗传算法优化后的神经网络收敛速度更快，预测精度更佳。
其它模型与GA-BP模型预测比较
为了更好地验证实验结果性能，本发明还通过支持向量机回归(SVR)预测算法和随机森林回归(RF)预测算法分别将15个时域空域特征作为输入对基坑Y20点水平位移形变进行预测，并将结果与遗传算法神经网络比较，结果显示GA-BP算法预测结果最好，图6为三种方法预测结果，图7为三种方法仿真结果误差，表6为三种方法仿真结果性能比较。
表6其它两种方法与GA-BP模型预测精度性能比较
根据图6、图7和表6可知，使用遗传算法优化的BP神经网络预测效果远远超过另外两种方法，图6中显示，GA-BP模型预测结果基本与期望输出值一致，而SVR模型和RF模型预测的结果与期望输出值误差较大，在图7尤为明显表示，SVR模型预测误差大小都在0.3mmm以上，少部分超过了1mm，RF模型预测误差接近一半超过1mm且误差走向趋势呈越来越大，而GA-BP模型预测误差一直在0上下浮动，表6中两种模型均方根误差和拟合指数也远远落后于GA-BP模型，训练时长也超过GA-BP模型。由此可见，遗传算法优化的BP神经网络用于预测基坑形变十分有效，对于类似的工程具有参考意义，分析过程和方法也可以类比应用到其他工程中。
本发明通过遗传算法优化BP神经网络对舟山基坑水平位移形变进行仿真预测，在BP神经网络中进行优化网络权值和阀值，使得原算法的性能得到大幅度提高。输入特征不仅考虑到时间序列的影响还考虑到空间相邻监测点的影响，实验结果显示共同作用下的输入特征预测得到的结果更接近实际值。
本发明提出的遗传算法优化BP神经网络仿真预测运用在工程中的基坑监测中，基坑支护结构位移变形数据和实际采集的数据偏差在范围内，对基坑监测支护工程起到了良好的实际效果，也为基坑健康监测方案提供一个新思路。此外，本发明所采用的遗传算法是采取轮盘赌选择法较为简单的优化算法，对遗传算法做进一步的改良或者选取更优的进化算法，优化BP神经网络的模型结构，降低预测模型的误差率也将是下一步的研究方向。
在建筑施工阶段，基坑结构形变的预测仿真是基坑施工安全保障的关键技术之一。传统的基坑施工重监测、轻预测，经常是发现形变后采取补救措施，往往错失了形变支护修复的最佳时间。本发明利用BP神经网络的方法来预测仿真未来的基坑可能的形变，有效提前支护修复的时间点，降低支护修复的难度，最终为基坑安全保驾护航。BP神经网络算法作为一种局部搜索的优化方法，其梯度下降学习的本质使得训练易陷入局部极值导致训练失败，且训练时长和收敛率较慢，为改善这些缺陷提出了遗传算法来优化BP神经网络。本发明对遗传反向传播神经网络中的时域(仅时间序列)特征、空域(仅相邻点)特征、时域空域结合特征进行了量化的仿真分析与研究，依托工程实例用于舟山基坑监测点水平与垂直位移形变预测，并与支持向量机回归(SVR)和随机森林回归(RF)方法进行了多维度比较，仿真实验结果表明：基于遗传反向传播神经网络的预测算法预测时长均在10s以内、预测误差基本都在-0.05-0.05mm内浮动，相对误差最大值为0.36％，预测拟合值IA均达到0.9以上。本方法不仅为预防为主的标准化安全管理提供技术支持，也为基坑健康管理方案提供一个新思路。
遗传算法鲁棒性较强，在搜索过程中不像BP神经网络易收敛于局部极小，可帮助BP神经网络快速准确地确定初始值进而迅速找到最优解，因此本发明将遗传算法与BP神经网络结合并将改进的算法运用于舟山基坑工程的变形预测。本发明不仅把时间序列作为影响因素，还考虑到舟山基坑监测相邻点相互之间的影响，将这些因素分别作为算法的训练样本，利用遗传算法优化后的BP神经网络训练程序在Matlab上运行来验证遗传算法与BP神经网络结合的可行性。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (5)

1.一种基于GA-BP神经网络的基坑位移预测方法，其特征在于，包括：
选取基坑工程坡顶第一位移监测点以及其相邻多个监测点，过去第一段时间内的变形监测数据为依据，用样本数据中第一位移监测点过去第二段时间为时域特征输入、所述相邻多个监测点后一天的位移为空域特征输入来预测所述第一位移监测点未来1天的位移；其中，所述第一段时间长于所述第二段时间；
样本数据预处理，由于常见的S型传递函数tansig或logsig的值域都在(-1，1)之间，将样本数据用下式(8)归一化到[0.1,0.9]上；
式(8)中,X'为样本归一化后的值,Xmax为样本数据里的最大值,Xmin则为样本数据中的最小值；
用神经网络工具箱中的newff函数建立一个新的BP神经网络，newff函数的调用格式为：
其中，PF设为均方误差“mse”，是由共F组中的每组输入的元素的最大、最小值组成的R×2维矩阵,第i层的单元个数为Si；第i层的传递函数为TFi；训练函数为BTF，设为“trainlm”；学习算法为BLF，设为“learngdm”；
对遗传算法的参数进行初始化，并对种群初始化；
通过遗传算法中的选择、交叉、变异操作，替换前一次迭代中最佳染色体，得到最优的权值阈值同时记录每次迭代中的最佳适应度和平均适应度，并在达到最大迭代次数时终止；
将得到的最优的权值阈值赋值给BP神经网络，并对所述第一位移监测点位移形变进行预测。
2.如权利要求1所述的基于GA-BP神经网络的基坑位移预测方法，其特征在于，“对遗传算法的参数进行初始化，并对种群初始化”中，令遗传算法迭代次数为10次，交叉概率为0.7，变异概率为0.25。
3.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到2任一项所述方法的步骤。
4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到2任一项所述方法的步骤。
5.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到2任一项所述的方法。
CN201811267510.XA 2018-10-29 2018-10-29 基于ga-bp神经网络的基坑位移预测方法 Active CN109543237B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811267510.XA CN109543237B (zh) 2018-10-29 2018-10-29 基于ga-bp神经网络的基坑位移预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811267510.XA CN109543237B (zh) 2018-10-29 2018-10-29 基于ga-bp神经网络的基坑位移预测方法

Publications (2)

Publication Number Publication Date
CN109543237A CN109543237A (zh) 2019-03-29
CN109543237B true CN109543237B (zh) 2023-09-15

Family

ID=65845296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811267510.XA Active CN109543237B (zh) 2018-10-29 2018-10-29 基于ga-bp神经网络的基坑位移预测方法

Country Status (1)

Country Link
CN (1) CN109543237B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110333494A (zh) * 2019-04-10 2019-10-15 马培峰 一种InSAR时序形变预测方法、系统及相关装置
CN111583067A (zh) * 2020-03-31 2020-08-25 西南交通大学 一种城市地下大空间施工安全预警与应急决策方法及系统
CN111486814B (zh) * 2020-04-18 2021-11-02 福州大学 基于遗传算法的bim三维可视化深基坑变形预测系统
CN112329287B (zh) * 2020-10-21 2022-04-15 武汉大学 一种基于试桩监测数据的p-y曲线贝叶斯学习方法
CN113627588A (zh) * 2021-06-28 2021-11-09 浙江海洋大学 一种基于ga-bp神经网络的海洋养殖用网衣安全性的预测方法
CN113377017B (zh) * 2021-07-19 2022-11-01 中国铁建重工集团股份有限公司 土压平衡盾构机及其推进速度预测方法、装置、介质
CN114357595A (zh) * 2022-03-11 2022-04-15 山东省物化探勘查院 一种基于Forecast函数预测基坑侧壁水平位移的方法及系统
CN115630558B (zh) * 2022-12-21 2023-04-14 南京航空航天大学 一种复合材料构件装配变形预测方法
CN117419773B (zh) * 2023-12-19 2024-03-19 常州市安贞建设工程检测有限公司 一种建筑基坑远程监测方法及系统
CN118007712A (zh) * 2024-01-17 2024-05-10 广州广检建设工程检测中心有限公司 基坑围护结构位移测量系统的位移测量方法及相关系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913150A (zh) * 2016-04-12 2016-08-31 河海大学常州校区 一种基于遗传算法的bp神经网络光伏电站发电量预测方法
CN107119657A (zh) * 2017-05-15 2017-09-01 苏州科技大学 一种基于视觉测量基坑监测方法
CN107587493A (zh) * 2017-09-01 2018-01-16 青岛理工大学 一种基于神经网络的基坑开挖监测预警方法
CN108681712A (zh) * 2018-05-17 2018-10-19 北京工业大学 一种融合领域知识和多阶深度特征的篮球比赛语义事件识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913150A (zh) * 2016-04-12 2016-08-31 河海大学常州校区 一种基于遗传算法的bp神经网络光伏电站发电量预测方法
CN107119657A (zh) * 2017-05-15 2017-09-01 苏州科技大学 一种基于视觉测量基坑监测方法
CN107587493A (zh) * 2017-09-01 2018-01-16 青岛理工大学 一种基于神经网络的基坑开挖监测预警方法
CN108681712A (zh) * 2018-05-17 2018-10-19 北京工业大学 一种融合领域知识和多阶深度特征的篮球比赛语义事件识别方法

Also Published As

Publication number Publication date
CN109543237A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
CN109543237B (zh) 基于ga-bp神经网络的基坑位移预测方法
Zhang et al. Multi-objective optimization for limiting tunnel-induced damages considering uncertainties
CN109061731B (zh) 面波频散与体波谱比联合反演浅层速度的全局优化方法
Zhang et al. Forecasting slope deformation field using correlated grey model updated with time correction factor and background value optimization
Zhang et al. Improved coupled Markov chain method for simulating geological uncertainty
CN112100927A (zh) 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法
CN111737853B (zh) 一种基于swmm模型的低影响开发多目标区间优化配置方法
Wu et al. Multi-objective optimization of shield construction parameters based on random forests and NSGA-II
CN109165406A (zh) 一种隧道施工过程中围岩快速动态分级预测方法
Khandel et al. Integrated framework for assessment of time-variant flood fragility of bridges using deep learning neural networks
CN105389469A (zh) 一种暴雨洪水管理模型参数自动率定方法
CN109948198A (zh) 一种基于非线性函数的围岩分级可靠性评价方法
CN113221434A (zh) 一种基坑变形预测方法
CN112307542B (zh) 一种地质环境变形监测的盾构施工参数调整方法及系统
Xue et al. PREDICTION OF SLOPE STABILITY BASED ON GA-BP HYBRID ALGORITHM.
Jiang et al. Inverse analysis for geomaterial parameter identification using Pareto multiobjective optimization
Li et al. Research and application of deformation prediction model for deep foundation pit based on LsTM
CN117688844A (zh) 一种基于深度神经网络的城市内涝实时模拟方法及系统
CN116202575B (zh) 一种水土保持土壤流失率监测系统及方法
Kareem et al. Future short-term estimation of flowrate of the Euphrates river catchment located in Al-Najaf Governorate, Iraq through using weather data and statistical downscaling model
Zhang et al. Application of grey feed forward back propagation-neural network model based on wavelet denoising to predict the residual settlement of goafs
Zeng et al. Local coupled Markov chain model for simulating varied stratigraphy
CN116776553A (zh) 基于数字孪生的盾构施工地表变形量的控制方法与装置
Wang et al. Probabilistic modeling of the rainfall severity and height for locating the surface artificial recharge structure
Hajiazizi et al. Prediction of Q-value by multi-variable regression and novel Genetic Algorithm based on the most influential parameters

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant