CN113221434A - 一种基坑变形预测方法 - Google Patents
一种基坑变形预测方法 Download PDFInfo
- Publication number
- CN113221434A CN113221434A CN202110013237.3A CN202110013237A CN113221434A CN 113221434 A CN113221434 A CN 113221434A CN 202110013237 A CN202110013237 A CN 202110013237A CN 113221434 A CN113221434 A CN 113221434A
- Authority
- CN
- China
- Prior art keywords
- error
- iteration
- neural network
- training
- epsilon
- 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.)
- Pending
Links
Images
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
- E02D17/00—Excavations; Bordering of excavations; Making embankments
- E02D17/02—Foundation pits
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Civil Engineering (AREA)
- Software Systems (AREA)
- Structural Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Architecture (AREA)
- Health & Medical Sciences (AREA)
- Paleontology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基坑变形预测方法,包括:步骤一:对神经网络的初始权值与阈值进行设置;步骤二:确定网络结构模型的参数,进行神经网络运行程序的编制;步骤三:训练神经网络,将训练样本输入神经网络中的训练网络;步骤四:通过运行神经网络对训练样本的基坑变形数据进行训练样本输出;步骤五:采用误差分级迭代法将预测样本进行处理,预测样本输入已完成训练神经网络进行样本预测,通过进行分级迭代,直至将误差迭代值小于设定误差值;步骤六:输出最终的预测样本结果。本发明经过误差分级迭代法的处理,使得预测值与实际监测值之间误差结果得到优化,预测值结果更加符合实际监测值,提高预测精准度,从而提高基坑变形的预测性能。
Description
技术领域
本发明属于基坑工程技术领域,尤其涉及一种基坑变形预测方法。
背景技术
城市建设规模愈发扩大,城市地下空间建设规模不断增长,随着地下建设 规模的提高,深基坑工程不断出现,深基坑引发的安全事故也逐年递增。深基 坑的监测显得尤为重要,基坑现场监测并不能很好的表现基坑的变形情况,故 需要对深基坑工程进行变形预测,对重点部位进行重点管理,防止事故的发生, 提高科学减灾的能力。
基坑变形预测领域有诸多学者进行研究,并且已经取得了长足的进步,诸 多学者采用神经网络进行预测结合算法进行优化传统的神经网络,小波、灰色 模型、量子粒子群、最小二乘法等进行预测,结果表明虽然能满足工程需要但 同时存在不足之处,经典的BP神经网络存在收敛速度慢、易陷入局部极小值及 隐含层层数的选取的问题,需要采用算法对神经网络进行优化提高神经网络的 预测精度和预测性能。
因此,有必要提出一种基坑变形预测方法,简单快捷易于被技术人员操作, 采取科学有效的方法解决预测过程中存在的误差问题,提出误差分级迭代法能 够有效减小预测误差,使基坑沉降变形的预测更加贴近实际工程的监测值,提 高基坑工程的安全储备能力,最大程度的保护施工作业人员安全。
发明内容
为了解决上述技术问题,本发明提供一种基坑变形预测方法,所述基坑变 形预测方法包括:
步骤一:对神经网络的初始权值与阈值进行设置;
步骤二:确定网络结构模型的参数,进行神经网络运行程序的编制;
步骤三:训练神经网络,将训练样本输入神经网络中进行网络训练;
步骤四:运行神经网络,对训练样本的基坑变形数据进行训练样本输出;
步骤五:采用误差分级迭代法将预测样本进行处理,预测数据输入已完成训 练神经网络进行样本预测,通过进行分级迭代,直至将误差迭代值小于设定误 差值;
步骤六:输出最终的预测样本结果。
优选的,所述误差分级迭代法是给定学习误差ε0后,将学习误差ε0进行分 级,采用分级公式将ε0分为n级,分级公式为:
εi=2n-i·ε0(i=1,2,…,n)
εi=(n-i+1)·ε0(i=1,2,…,n)
再依次取ε1,ε2,ε3,…εn,其中第n级误差满足εn=ε0;将ε1代替ε0按常 规方法思路进行学习训练,进行第一级误差迭代;由于ε1相对较大,在第一级 误差迭代过程中对每一个样本的误差要求都不高,都不过分要求,迭代过程明 显会加快,相对的循环次数会比较多,但迭代会很快收敛。
此时的ωij (k)对所有样本都有所适应,接着用ωij (k)进行第二级误差迭代;由 于ε2小于ε1,因此迭代进程较平稳,迭代也将会很快收敛,依次进行下去,直 至第n级误差迭代收敛为止。
优选的,所述误差分级迭代法对神经网络预测数据进行优化时的步骤为:
S1:对初始化权值和阈值进行设置,确定网络结构模型参数;
S2:设置给定学习误差ε0并通过程序计算第i次的误差εi;
S3:通过运行程序,计算第一级误差ε1;
S4:神经网络模拟所有样本学习误差;
S5:计算第i级误差εi,通过误差迭代法进行迭代I=I+1,计算第i级误 差εi;
S6:判断给定的计算的误差是否大于第n级误差εn,否的话返回神经网络 模拟所有样本学习误差接着对误差分级进行下一级计算,直至设定误差等级小 于第n级的误差结果;
S7:误差迭代收敛为止,程序运行结束。
优选的,所述步骤三中将训练样本输入神经网络进行网络训练是通过训练 神经网络输出训练结果,对神经网络的适用性进行训练。
与现有技术相比,本发明的有益效果为:本发明通过将神经网络预测样本 作为误差分级迭代法输入变量对预测样本结果进行分级迭代,通过与设定误差 值作比较,判断误差值与预测值之间的关系,做出是否进行下一级迭代的请求, 判断的结果如果已经小于设定的误差,可以停止误差的迭代,输出最终预测样 本结果。由于结果经过误差分级迭代法的处理,预测值与实际监测值之间误差 结果得到优化,预测值结果更加符合实际监测值,提高预测精准度。
附图说明
图1是本发明的步骤流程图;
图2是本发明的实施例1中不同预测方法结果对比曲线图。
图3是本发明的实施例1中的观测数据示意图;
图4是本发明的实施例1中的训练样本示意图;
图5是本发明的实施例1中的预测样本示意图;
图6是本发明的实施例1中误差分级迭代法预测对比分析示意图;
具体实施方式
以下结合附图对本发明做进一步描述:
实施例:
如附图1所示,一种基坑变形预测方法,所述基坑变形预测方法包括:
步骤一:对神经网络的初始权值与阈值进行设置;
步骤二:确定网络结构模型的参数,进行神经网络运行程序的编制;
步骤三:训练神经网络,将训练样本输入神经网络中的训练网络,通过训 练神经网络输出训练结果,对神经网络的适用性进行训练;
步骤四:通过运行神经网络对训练样本的基坑变形数据进行训练样本输出;
步骤五:采用误差分级迭代法将预测样本进行处理,预测数据输入已完成训 练神经网络进行样本预测,通过进行分级迭代,直至将误差迭代值小于设定误 差值;
步骤六:输出最终的预测样本结果。
具体的,所述误差分级迭代法是给定学习误差ε0后,将学习误差ε0进行分 级,采用分级公式将ε0分为n级,分级公式为:
εi=2n-i·ε0(i=1,2,…,n)
εi=(n-i+1)·ε0(i=1,2,…,n)
再依次取ε1,ε2,ε3,…εn,其中第n级误差满足εn=ε0;将ε1代替ε0按常 规方法思路进行学习训练,进行第一级误差迭代;由于ε1相对较大,在第一级 误差迭代过程中对每一个样本的误差要求都不高,都不过分要求,迭代过程明 显会加快,相对的循环次数会比较多,但迭代会很快收敛。
此时的ωij (k)对所有样本都有所适应,接着用ωij (k)进行第二级误差迭代;由 于ε2小于ε1,因此迭代进程较平稳,迭代也将会很快收敛,依次进行下去,直 至第n级误差迭代收敛为止。
如附图1所示,所述误差分级迭代法对神经网络预测数据进行优化时的步 骤为:
S1:对初始化权值和阈值进行设置,确定网络结构模型参数;
S2:设置给定学习误差ε0并通过程序计算第i次的误差εi;
S3:通过运行程序,计算第一级误差ε1;
S4:采用神经网络模拟所有样本学习误差;
S5:计算第i级误差εi,通过误差迭代法进行迭代I=I+1,计算第i级误 差εi;
S6:判断给定的计算的误差是否大于第n级误差εn,否的话返回神经网络 模拟所有样本学习误差接着对误差分级进行下一级计算,直至设定误差等级小 于第n级的误差结果;
S7:误差迭代收敛为止,程序运行结束。
实施例1:
利用上述方法对上海浦东某地下立交地道中间段与原有隧道垂直相交地进 行预测,其长180m,两端为坡道形式的敞口引道口,两端各长180m和155m。 下立交围护结构根据不同的开挖深度分段采用了两种不同的形式,即素搅拌桩 围护及SMW工法围护。
在本工程的整个地下施工过程中,采用了信息化的施工技术,合理设置了 大量的沉降、位移监测点,并不断采集施工过程中的变化数据与信息,确保了 施工过程中围护体系、周边管线与建筑物的安全,使整个工程地下施工得以顺 利完成,也为本文方法的验证工作提供了必要的数据。支护结构水平位移的监 测沿40m布置一个观测点,如附图3所示,本文所取数据为10月21日到11月 12日连续23天的观测数据。
本文拟采用3个输入单元和一个输出单元的神经网络格式,即用前3天的 位移作为输入,预测第四天的位移,以7m深度处监测数据为例,如附图4、5 所示,从附图3中获取21个样本,其中16个作为训练样本,5个作为预测样本。
从附图2、6可以看出,基于误差分级迭代法预测值与实际值比较接近,最 大误差为0.96%,而径向基神经网络的预测值与实际值差值较大最大误差为 3.76%,本文中的误差迭代法能够很好降低误差,提高预测精度,误差分级迭代 法与神经网络、径向神经网络相比通过将误差进行迭代,近而将误差差值逐步 降低,实现误差的最小化,最终达到全局误差最小值的目的,而神经网络、径 向基神经网络只是通过隐含层函数进行运算,无法实现全局最优的问题,故误 差分级迭代法在基坑预测领域具有预测精度高、实现全局最优的特点。
通过对人工神经网络预测结果的对比分析可知,误差分级迭代法的预测效 果优于BP神经网络、GA-BP遗传神经网络、RBF神经网络的预测效果。与BP 神经网络相比预测精度提高1.06%,GA-BP神经网络预测精度提高0.17%,经过 误差分级迭代法处理的基坑变形数据与径向基神经网络处理的数据在预测精度 方面提高3.5%,同时达到误差全局最优的预测目的,预测结果更符合实际工程, 为工程预测提供新的方法和经验。
利用本发明所述的技术方案,或本领域的技术人员在本发明技术方案的启 发下,设计出类似的技术方案,而达到上述技术效果的,均是落入本发明的保 护范围。
Claims (4)
1.一种基坑变形预测方法,其特征在于,所述基坑变形预测方法包括:
步骤一:对神经网络的初始权值与阈值进行设置;
步骤二:确定网络结构模型的参数,进行神经网络运行程序的编制;
步骤三:训练神经网络,将训练样本输入神经网络进行网络训练;
步骤四:运行神经网络,对基坑变形训练样本进行训练样本输出;
步骤五:采用误差分级迭代法将预测样本进行处理,预测数据输入已完成训练神经网络进行样本预测,通过进行分级迭代,直至将误差迭代值小于设定误差值;
步骤六:输出最终的预测样本结果。
2.如权利要求1所述的一种基坑变形预测方法,其特征在于,所述误差分级迭代法是给定学习误差ε0后,将学习误差ε0进行分级,采用分级公式将ε0分为n级,分级公式为:
εi=2n-i·ε0(i=1,2,…,n)
εi=(n-i+1)·ε0(i=1,2,…,n)
再依次取ε1,ε2,ε3,…εn,其中第n级误差满足εn=ε0;将ε1代替ε0按常规方法思路进行学习训练,进行第一级误差迭代;由于ε1相对较大,在第一级误差迭代过程中对每一个样本的误差要求都不高,都不过分要求,迭代过程明显会加快,相对的循环次数会比较多,但迭代会很快收敛。
此时的ωij (k)对所有样本都有所适应,接着用ωij (k)进行第二级误差迭代;由于ε2小于ε1,因此迭代进程较平稳,迭代也将会很快收敛,依次进行下去,直至第n级误差迭代收敛为止。
3.如权利要求1所述的一种基坑变形预测方法,其特征在于,所述误差分级迭代法对神经网络预测数据进行优化时的步骤为:
S1:对初始化权值和阈值进行设置,确定网络结构模型参数;
S2:设置给定学习误差ε0并通过程序计算第i次的误差εi;
S3:通过运行程序,计算第一级误差ε1;
S4:采用神经网络模拟所有样本学习误差;
S5:计算第i级误差εi,通过误差迭代法进行逐级迭代I=I+1,计算第i级误差εi;
S6:判断给定计算的误差是否大于第n级误差εn,否的话返回神经网络模拟所有样本学习误差接着对误差分级进行下一级计算,直至设定误差等级小于第n级的误差结果;
S7:误差迭代收敛为止,程序运行结束。
4.如权利要求1所述的一种基坑变形预测方法,其特征在于,所述步骤三中将训练样本输入神经网络进行网络训练是通过训练神经网络输出训练结果,对神经网络的适用性进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110013237.3A CN113221434A (zh) | 2021-01-06 | 2021-01-06 | 一种基坑变形预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110013237.3A CN113221434A (zh) | 2021-01-06 | 2021-01-06 | 一种基坑变形预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113221434A true CN113221434A (zh) | 2021-08-06 |
Family
ID=77083553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110013237.3A Pending CN113221434A (zh) | 2021-01-06 | 2021-01-06 | 一种基坑变形预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221434A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154226A (zh) * | 2022-02-10 | 2022-03-08 | 济宁明珠建筑工程有限公司 | 一种基坑稳定性监测方法 |
CN114757395A (zh) * | 2022-03-22 | 2022-07-15 | 欧亚高科数字技术有限公司 | 一种基于智能物联网的危房监测方法 |
CN117150880A (zh) * | 2023-07-19 | 2023-12-01 | 华东交通大学 | 一种基坑支护结构的变形预测以及逆向设计方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN111461457A (zh) * | 2020-04-17 | 2020-07-28 | 福州大学 | 一种基于粒子群优化bp神经网络的基坑位移预测方法 |
-
2021
- 2021-01-06 CN CN202110013237.3A patent/CN113221434A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN111461457A (zh) * | 2020-04-17 | 2020-07-28 | 福州大学 | 一种基于粒子群优化bp神经网络的基坑位移预测方法 |
Non-Patent Citations (3)
Title |
---|
孙雪;张琳;: "BP神经网络在基坑变形预测中的应用及改进", 勘察科学技术, no. 01 * |
施晓芬、陈翔等: "基于回归BP神经网络误差分级迭代法的逐时气温预测方法研究", 《西安电子科技大学学报》, vol. 49, no. 1, pages 1 - 6 * |
胡伍生: "神经网络BP算法的误差分级迭代法", 《东南大学学报》, vol. 33, no. 3, pages 1 - 3 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154226A (zh) * | 2022-02-10 | 2022-03-08 | 济宁明珠建筑工程有限公司 | 一种基坑稳定性监测方法 |
CN114154226B (zh) * | 2022-02-10 | 2022-04-29 | 济宁明珠建筑工程有限公司 | 一种基坑稳定性监测方法 |
CN114757395A (zh) * | 2022-03-22 | 2022-07-15 | 欧亚高科数字技术有限公司 | 一种基于智能物联网的危房监测方法 |
CN117150880A (zh) * | 2023-07-19 | 2023-12-01 | 华东交通大学 | 一种基坑支护结构的变形预测以及逆向设计方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113221434A (zh) | 一种基坑变形预测方法 | |
Koopialipoor et al. | Predicting tunnel boring machine performance through a new model based on the group method of data handling | |
Zhang et al. | Multi-objective optimization for limiting tunnel-induced damages considering uncertainties | |
Wang et al. | Application of artificial neural network in tunnel engineering: A systematic review | |
CN107315862B (zh) | 一种建立明挖基坑工程勘察与模拟参数关系的方法 | |
Apivatanagul et al. | Long-term regional hurricane hazard analysis for wind and storm surge | |
Babapour et al. | Forest road profile optimization using meta-heuristic techniques | |
KR101967978B1 (ko) | 쉴드 tbm의 순굴진속도 예측 장치 및 그 방법 | |
KR20190061302A (ko) | 쉴드 tbm의 실굴진속도 예측 장치 및 그 방법 | |
CN112879025B (zh) | 基于gru深度学习的土压平衡盾构土压智能调控方法 | |
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 | |
CN111859779B (zh) | 一种燃气管网防第三方施工破坏风险预警的方法及装置 | |
CN115423167A (zh) | 一种地铁深基坑施工安全预警及辅助决策方法及系统 | |
Fei et al. | Research on tunnel engineering monitoring technology based on BPNN neural network and MARS machine learning regression algorithm | |
ElMousalami et al. | Predicting conceptual cost for field canal improvement projects | |
CN115130375A (zh) | 一种岩爆烈度预测方法 | |
CN114548482A (zh) | 一种基于蠕变型滑坡动能变化率临滑预警方法 | |
Liu et al. | Optimized adaptive neuro-fuzzy inference system using metaheuristic algorithms: Application of shield tunnelling ground surface settlement prediction | |
Liu et al. | Research on the grey Verhulst model based on particle swarm optimization and Markov chain to predict the settlement of high fill subgrade in Xiangli expressway | |
Xue et al. | PREDICTION OF SLOPE STABILITY BASED ON GA-BP HYBRID ALGORITHM. | |
Liu et al. | Deformation prediction of a deep foundation pit based on the combination model of wavelet transform and gray BP neural network | |
CN113408190B (zh) | 基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法 | |
Zheng et al. | Random forest method-based prediction and control of bridge pier displacements during construction of two overlapped EPBM tunnels | |
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 | |
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 |