CN114997671A - 基于人工神经网络和熵值法的基坑变形安全风险评估的方法 - Google Patents

基于人工神经网络和熵值法的基坑变形安全风险评估的方法 Download PDF

Info

Publication number
CN114997671A
CN114997671A CN202210659790.9A CN202210659790A CN114997671A CN 114997671 A CN114997671 A CN 114997671A CN 202210659790 A CN202210659790 A CN 202210659790A CN 114997671 A CN114997671 A CN 114997671A
Authority
CN
China
Prior art keywords
foundation pit
deformation
index
safety
neural network
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
Application number
CN202210659790.9A
Other languages
English (en)
Inventor
张振宇
孔庆鑫
陈松强
徐荣桥
王金昌
翟洪刚
金鑫
方文锋
廖苏理
孔紫雯
张继琪
任丁昱
毛馨悦
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.)
Hangzhou Transportation Investment Group Co ltd
Original Assignee
Hangzhou Transportation Investment Group Co ltd
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 Hangzhou Transportation Investment Group Co ltd filed Critical Hangzhou Transportation Investment Group Co ltd
Priority to CN202210659790.9A priority Critical patent/CN114997671A/zh
Publication of CN114997671A publication Critical patent/CN114997671A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于人工神经网络和熵值法的基坑变形安全风险评估的方法，属于工程监测信息化技术领域，包括步骤：1.收集基坑施工数据及基坑变形监测数据，建立数据集；2.建立基于反向传播算法的人工神经网络；3.训练人工神经网络模型；4.执行基坑变形预测；5.计算基坑变形安全风险指标权重；6.计算基坑变形安全风险综合评分。本发明所提出的基于熵值法的风险因子权重的确定方法可基于基坑监测历史数据来客观、准确、动态确定基坑变形安全风险因子的权重，排除人为因素的影响，所得结论更为客观并且更加具有说服力。

Description

基于人工神经网络和熵值法的基坑变形安全风险评估的方法
技术领域
本发明属于工程监测信息化技术领域，具体涉及一种基于人工神经网络和熵值法的基坑变形安全风险评估的方法。
背景技术
21世纪以来，中国经济建设和城镇化水平都取得大踏步的飞跃。截止至2020年底，中国城镇化率达到63.89%。随着城市人口的不断增加，随之而来的交通拥堵等问题正成为各城市亟待解决的难题之一。相对于地上空间，地下空间有两个主要优点，一是可节省地面土地资源，二是在建设和使用的过程中对地面已有建筑和交通设施影响较小。因此，发展公路和市政道路隧道是解决城市拥堵问题的良策。
地下工程结构施工方法根据开挖方式可分为三大类：明挖法、暗挖法和特殊施工方法。在这三大类方法中，明挖法是目前较为经济、工程经验较为丰富的施工方法，因此在城市地下空间建设中常用明挖法施工。位于城市核心区域的基坑工程，其周边往往临近各类建筑物、分布大量市政道路及管线等，一旦基坑开挖施工对它们造成不利影响，将会直接造成重大的经济损失和不良的社会影响。
由于土体结构复杂多变，基坑围护系统具有临时性、复杂性和动态性的特点，且现有的理论和经验模型存在局限性，这些原因导致了基坑围护结构变形的理论计算结果常常与实际情况差异较大。因此在实际工程中常通过加强基坑监测来保证基坑施工的安全。如能通过实时获取的基坑监测数据来动态预测后续施工工序下基坑变形的发展趋势，提前对基坑后续施工工序的变形安全风险进行评估，并针对未来可能出现的风险制定相应的控制措施和应对策略，将风险控制在发生之前，这对保证基坑工程安全施工、提升基坑工程的安全风险控制水平具有实际的工程意义。
目前针对基坑变形预测的方法主要包括三类：经验方法、数值方法、基于机器学习的方法。经验方法通过对基坑变形历史数据的分析，采用高斯或者正态分布曲线来拟合地表沉降的形状。但是经验方法的预测准确度较低，主要是该方法所建立的用于预测地面沉降的经验公式较为简单。数值方法通过建立基坑的有限元模型，对基坑变形进行精确模拟。但是数值方法预测的准确性很大程度上依赖于所选参数数值的准确性，而有些参数的真实值是很难得到的。例如有限元模型中的土体参数是通过实验室测试得到的，但是由于样本扰动、现场环境改变、施工影响等因素，会导致试验结果与实际情况相差较大，这会明显影响有限元模拟的准确性。基于机器学习的方法通过对大量数据的分析来建立所选影响因子（如基坑尺寸、土壤参数等）与基坑变形之间的高度非线性关系来对基坑变形做出较为准确的预测。例如Jan等尝试利用人工神经网络根据前三组地下连续墙最大侧移值预测其下一施工阶段的最大侧移。Leu等建立人工神经网络通过土壤状况和深基坑的几何特征来预测基坑地表沉降最大值及其所在位置。基于机器学习的方法目前主要应用于预测基坑最大变形，而无法对施工过程中的基坑每日变形值做出动态和准确的预测。
在基坑安全风险评估研究的早期，研究人员多通过专家访谈的方法来对基坑工程的风险进行评估。黄宏伟等利用专家调查法和层次分析法对深基坑施工期的风险进行了评估，并讨论了深基坑风险处理的常用方法。刘俊岩等采用专家调查法识别和估计风险，建立了以监测数据为基础的深基坑工程风险管理系统。梁发云等采用模糊理论模型分析了超深基坑施工的安全风险，同时考虑了基坑自身风险和周边环境风险，最后对不同基坑开挖方案的施工安全风险进行了定量化比较。夏元友等结合层次分析法和专家打分法对基坑的风险等级进行研究。Y.Zhou等利用支持向量机对基坑开挖风险等级进行分类，但是用来训练支持向量机模型的数据依赖于专家判断。目前的基坑风险评估方法仍然主要依赖于专家的主观判断，不同专家对于同一基坑变形状况下的风险等级可能会做出不同的判断，这给准确且客观评判基坑变形风险带来了挑战。
发明内容
本发明提供一种基于人工神经网络和熵值法的基坑变形安全风险评估的方法，目的是为了解决准确预测基坑未来变形状况和客观评估基坑变形安全风险的技术问题。
为实现上述目的，本发明提供了如下技术方案：
本发明提供的一种基于人工神经网络和熵值法的基坑变形安全风险评估的方法，其包括如下步骤：
S1：收集基坑施工数据及基坑变形监测数据，建立数据集；
基坑施工数据包括静态施工数据和动态施工数据，其中静态施工数据包括围护结构形式及尺寸和基坑底以上土层种类，动态施工数据包括开挖天数、天气状况和施工工况；
基坑变形监测数据包括以下六个监测项目的测量数据：围护结构顶水平位移、围护结构顶垂直位移、围护结构深层水平位移、土体深层水平位移、地表沉降、立柱竖向位移；
静态施工数据一次性收集后保持不变，动态施工数据和基坑变形监测数据根据实际施工和监测情况，定期收集；将所收集到的历史数据整理汇总，建立人工神经网络模型的训练数据集；
S2：建立基于反向传播算法的人工神经网络；
建立六个包括输入层、隐藏层和输出层的反向传播神经网络模型，分别用来预测S1中六个监测项目的变形值；其中，每一层包含若干个神经元，相邻层之间的神经元之间全连接，输入层中的神经元数等于输入参数的数量，隐藏层中的神经元数由经验公式和试验模拟共同确定，输出层中的神经元数为1；传输函数选用Log-Sigmoid函数，训练函数选用Levenberg-Marquardt反向传播算法，评价函数选用均方根误差（RMSE）函数；
S3：训练人工神经网络模型；
基于步骤1所建立的训练数据集，对六个人工神经网络分别进行训练，得到六个监测项目的变形预测人工神经网络模型；
S4：执行基坑变形预测；
基于S1中收集到的目标基坑施工数据和基坑变形监测数据，利用S3所得到的变形预测人工神经网络模型对目标基坑六个监测项目的未来变形值进行预测；
S5：计算基坑变形安全风险指标权重；
选取S1中所述的六个监测项目作为基坑变形安全风险指标，基于S1中所收集到的基坑变形监测数据，利用熵值法计算各个监测项目的安全风险指标的动态权重；
步骤6：计算基坑变形安全风险综合评分；
基于S4中所预测的目标基坑六个监测项目的未来变形值以及S5中基坑变形安全风险指标权重，采用模糊综合评价法来计算未来基坑变形安全风险综合评分；
首先确定基坑变形安全风险等级划分，然后建立三角形分布隶属函数来计算每个指标对每个风险等级的隶属度；
根据历史文献确定每个风险等级对应的基本分，然后将每个指标的隶属度与基本分相乘即可得每个指标的安全等级得分，最后将所有指标的安全等级得分加权求和即可得基坑变形安全风险的综合评分。
进一步地，S1中所述围护结构形式包括但不限于重力式挡墙、钻孔灌注桩、SMW工法桩、钻孔咬合桩、地下连续墙；围护结构的尺寸为围护结构的纵向深度。
进一步地，所述开挖天数以第一次开挖的日期为第一天；天气状况按照晴、阴、雨水分为三种；施工工况包括但不限于开挖长度、开挖宽度、开挖深度、支撑架设、底板施工、侧墙施工、支撑拆除及顶板施工。
进一步地，所述S2中隐藏层的神经元数先由经验公式确定大致的取值范围，再通过试验模拟来确定最优取值，其经验公式如下：
Figure DEST_PATH_IMAGE001
其中：
Figure 100002_DEST_PATH_IMAGE002
：隐藏层神经元的个数；
Figure DEST_PATH_IMAGE003
：输入层中神经元的个数；
Figure 100002_DEST_PATH_IMAGE004
：输出层中神经元的个数；
Figure DEST_PATH_IMAGE005
：常数，取值范围为0到10；
所述评价函数选用的均方根误差（RMSE）函数如下：
Figure DEST_PATH_IMAGE006
其中：
Figure DEST_PATH_IMAGE007
：BPNN的输出值，即基坑变形的预测值；
Figure 100002_DEST_PATH_IMAGE008
：目标输出值，即基坑变形的实际测量值；
Figure DEST_PATH_IMAGE009
：总的输出数据的数量。
进一步地，对S2中建立的六个人工神经网络分别进行训练，通过均方根误差函数（RMSE）来保证训练精度，最终得到六个监测项目的变形预测人工神经网络模型。
进一步地，S5中首先基于S1中所收集到的基坑变形监测数据，整理出历史基坑每个指标对应的最大变形，然后利用熵值法计算各个监测项目的安全风险指标的动态权重，并随着历史基坑数据的不断收集，安全风险指标权重也随之不断更新，所述熵值法的计算过程如下：
Figure DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE011
Figure DEST_PATH_IMAGE012
其中：
Figure DEST_PATH_IMAGE013
：每个指标的历史数据个数，对应于步骤1中所收集到的历史基坑的个数；
Figure 100002_DEST_PATH_IMAGE014
：基坑变形安全风险指标的个数，即6；
Figure DEST_PATH_IMAGE015
：第
Figure 100002_DEST_PATH_IMAGE016
个基坑的第
Figure DEST_PATH_IMAGE017
个指标值占第
Figure 565167DEST_PATH_IMAGE017
个指标的比例；
Figure 100002_DEST_PATH_IMAGE018
：第
Figure 747886DEST_PATH_IMAGE016
个基坑的第
Figure 121099DEST_PATH_IMAGE017
个指标值；
Figure DEST_PATH_IMAGE019
：第
Figure 985150DEST_PATH_IMAGE017
个指标的熵值；
Figure 100002_DEST_PATH_IMAGE020
：第
Figure 392997DEST_PATH_IMAGE017
个指标的差异系数；
Figure DEST_PATH_IMAGE021
：第
Figure 684301DEST_PATH_IMAGE017
个指标的权重。
进一步地，S6中基坑变形安全风险等级划分为三级：安全、预警、报警，分别取变形控制值的60%、80%和100%作为这三个安全等级的分割线；且三角形分布隶属函数的定义如下：
安全：
Figure 100002_DEST_PATH_IMAGE022
预警：
Figure DEST_PATH_IMAGE023
报警：
Figure 100002_DEST_PATH_IMAGE024
其中：
Figure DEST_PATH_IMAGE025
：第
Figure 311854DEST_PATH_IMAGE017
个指标对安全等级的隶属度，值域为0至1；
Figure 100002_DEST_PATH_IMAGE026
：第
Figure 104229DEST_PATH_IMAGE017
个指标对预警等级的隶属度，值域为0至1；
Figure DEST_PATH_IMAGE027
：第
Figure 100002_DEST_PATH_IMAGE028
个指标对报警等级的隶属度，值域为0至1；
Figure DEST_PATH_IMAGE029
：第
Figure 835425DEST_PATH_IMAGE028
个指标的变形控制值；
根据历史文献，安全、预警、报警这三个风险等级对应的基本安全得分设为100，80，60，然后将每个指标的隶属度与基本分相乘即可得到每个指标的安全评分
Figure 100002_DEST_PATH_IMAGE030
：
Figure DEST_PATH_IMAGE031
最后将所有指标的安全评分加权求和即可得基坑变形安全综合评分
Figure 100002_DEST_PATH_IMAGE032
：
Figure DEST_PATH_IMAGE033
其中，
Figure 359947DEST_PATH_IMAGE032
的值域为0至100分，100分表明基坑变形位于安全范围内，
Figure 471866DEST_PATH_IMAGE032
越小，表明基坑变形安全风险越大。
与现有技术相比，本发明所达到的有益效果是：
（1）用人工神经网络的方法来动态预测基坑未来可能的变形值，可提前掌握基坑未来变形状况，同时可解决实际基坑项目中监测点被破坏或覆盖而造成的监测数据缺失的问题，利用预测数据来弥补缺失的监测数据；
（2）本发明所提出的人工神经网络综合考虑了影响基坑变形的静态因素、动态因素以及基坑变形历史监测值，可对未来基坑变形进行准确预测，且预测结果可随着基坑变形监测值的收集而不断更新，达到动态预测和动态更新的效果；
（3）本发明所提出的基于熵值法的风险因子权重的确定方法可基于基坑监测历史数据来客观、准确、动态确定基坑变形安全风险因子的权重，排除人为因素的影响，所得结论更为客观并且更加具有说服力。
附图说明
图1为基于人工神经网络和熵值法的基坑变形安全风险评估方法的总体框架流程图；
图2为案例分析中某围护结构顶水平位移监测点（ZQS326）的实际位移值与预测位移值对比图；
图3为案例分析中某围护结构顶垂直位移监测点（ZQC326）的实际位移值与预测位移值对比图；
图4为案例分析中某围护结构深层水平位移监测点（ZQT326）的实际位移值与预测位移值对比图；
图5为案例分析中某土体深层水平位移监测点（TST136）的实际位移值与预测位移值对比图；
图6为案例分析中某基坑周围地表沉降监测点（DBC350-3）的实际位移值与预测位移值对比图；
图7为案例分析中某立柱竖向位移监测点（LZC86）的实际位移值与预测位移值对比图；
图8为案例分析中某基坑变形安全综合评分实际得分与预测得分对比图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。在下列段落中参照附图更具体地描述本发明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。
如图1所示，本发明的基于人工神经网络和熵值法的基坑变形安全风险评估的方法实施流程包括：
步骤1：收集基坑施工数据及基坑变形监测数据，建立数据集。
收集历史基坑的施工数据和变形监测数据，以备训练人工神经网络：
基坑施工数据包括静态施工数据和动态施工数据，其中静态施工数据包括围护结构形式及尺寸和基坑底以上土层种类，动态数据包括开挖天数、天气状况和施工工况。其中，围护结构的形式包括但不限于重力式挡墙、钻孔灌注桩、SMW工法桩、钻孔咬合桩、地下连续墙等；围护结构尺寸即围护结构的纵向深度；开挖天数以第一次开挖的日期为第一天；天气状况按照晴、阴、雨分成三种；施工工况包括但不限于开挖长度、开挖宽度、开挖深度、支撑架设、底板施工、侧墙施工、支撑拆除、顶板施工等。
变形监测数据包括围护结构顶水平位移（ZQS）、围护结构顶垂直位移(ZQC)、围护结构深层水平位移（ZQT）、土体深层水平位移（TST）、地表沉降（DBC）、立柱竖向位移（LZC）。
静态施工数据一次性收集后保持不变，动态施工数据和基坑变形监测数据根据实际施工和监测情况，定期收集。将所收集到的历史数据整理汇总，建立人工神经网络模型的训练数据集。
另外，在目标基坑施工过程中，收集目标基坑的施工数据及变形监测数据，为该基坑的变形预测和安全风险评估做准备。
步骤2：建立基于反向传播算法的人工神经网络（BPNN）
建立六个反向传播神经网络模型，分别用来预测六个监测项目（ZQS，ZQC，ZQT，TST，DBC，LZC）的变形值。反向传播神经网络模型包含三层结构：输入层、隐藏层和输出层。每一层包含若干个神经元，相邻层之间的神经元之间全连接。输入层中的神经元数等于输入参数的数量，输出层中的神经元数为1（即某个监测项目的位移预测值），隐藏层中的神经元数先由经验公式确定大致的取值范围，再通过试验模拟来确定最优取值，经验公式如下：
Figure 100002_DEST_PATH_IMAGE034
其中：
Figure 100002_DEST_PATH_IMAGE035
：隐藏层神经元的个数；
Figure 5616DEST_PATH_IMAGE013
：输入层中神经元的个数；
Figure 529001DEST_PATH_IMAGE014
：输出层中神经元的个数；
Figure DEST_PATH_IMAGE036
：常数，取值范围为0到10。
传输函数选用Log-Sigmoid函数，训练函数选用Levenberg-Marquardt反向传播算法，评价函数选用均方根误差函数（RMSE）：
Figure DEST_PATH_IMAGE037
其中：
Figure DEST_PATH_IMAGE038
：BPNN的输出值，即基坑变形的预测值；
Figure DEST_PATH_IMAGE039
：目标输出值，即基坑变形的实际测量值；
Figure DEST_PATH_IMAGE040
：总的输出数据的数量。
步骤3：训练人工神经网络模型。
基于步骤1所建立的训练数据集，对步骤2中建立的六个人工神经网络分别进行训练，通过均方根误差函数（RMSE）来保证训练精度，最终得到六个监测项目的变形预测人工神经网络模型。训练后的人工神经网络模型的隐藏层神经元数为15，训练轮次（Epoch）为500，学习率（Learning rate）为0.1，模型输入参数中考虑前三天的监测数据。
步骤4：执行基坑变形预测。
基于步骤1中收集到的目标基坑次日施工数据和前三日基坑变形监测数据，利用步骤3所得到的人工神经网络模型对目标基坑六个监测项目的次日变形值进行预测。如，基于第一、第二和第三天的基坑地表沉降监测数据以及第四天的施工数据（计划）对第四天的基坑地表沉降值进行预测；基于第二、第三和第四天的基坑地表沉降监测数据以及第五天的施工数据（计划）对第五天的基坑地表沉降值进行预测，以此类推，直至基坑施工结束。
步骤5：计算基坑变形安全风险指标权重。
选取六个监测项目（ZQS，ZQC，ZQT，TST，DBC，LZC）作为基坑变形安全风险指标，基于步骤1中所收集到的基坑变形监测数据，整理出历史基坑每个指标对应的最大变形：
表1 历史基坑最大变形
基坑编号 ZQS ZQC ZQT TST DBC LZC
1
Figure DEST_PATH_IMAGE041
Figure DEST_PATH_IMAGE042
Figure DEST_PATH_IMAGE043
Figure DEST_PATH_IMAGE044
Figure DEST_PATH_IMAGE045
Figure DEST_PATH_IMAGE046
2
Figure DEST_PATH_IMAGE047
Figure DEST_PATH_IMAGE048
Figure DEST_PATH_IMAGE049
Figure DEST_PATH_IMAGE050
Figure DEST_PATH_IMAGE051
Figure DEST_PATH_IMAGE052
3
Figure DEST_PATH_IMAGE053
Figure DEST_PATH_IMAGE054
Figure DEST_PATH_IMAGE055
Figure DEST_PATH_IMAGE056
Figure DEST_PATH_IMAGE057
Figure DEST_PATH_IMAGE058
Figure DEST_PATH_IMAGE059
Figure 141203DEST_PATH_IMAGE059
Figure 382829DEST_PATH_IMAGE059
Figure 251428DEST_PATH_IMAGE059
Figure 894899DEST_PATH_IMAGE059
Figure 26803DEST_PATH_IMAGE059
Figure 21303DEST_PATH_IMAGE059
Figure DEST_PATH_IMAGE060
Figure DEST_PATH_IMAGE061
Figure DEST_PATH_IMAGE062
Figure DEST_PATH_IMAGE063
Figure DEST_PATH_IMAGE064
Figure DEST_PATH_IMAGE065
Figure DEST_PATH_IMAGE066
利用熵值法计算各个安全风险指标的权重。熵值法的计算过程如下：
Figure 460637DEST_PATH_IMAGE010
Figure 427456DEST_PATH_IMAGE011
Figure 792579DEST_PATH_IMAGE012
其中：
Figure 743217DEST_PATH_IMAGE013
：每个指标的历史数据个数，对应于步骤1中所收集到的历史基坑的个数；
Figure 94564DEST_PATH_IMAGE014
：基坑变形安全风险指标的个数，即6；
Figure 712627DEST_PATH_IMAGE015
：第
Figure 983071DEST_PATH_IMAGE016
个基坑的第
Figure 686585DEST_PATH_IMAGE017
个指标值占第
Figure 310465DEST_PATH_IMAGE017
个指标的比例；
Figure 376510DEST_PATH_IMAGE018
：第
Figure 755538DEST_PATH_IMAGE016
个基坑的第
Figure 680769DEST_PATH_IMAGE017
个指标值；
Figure 373919DEST_PATH_IMAGE019
：第
Figure 435415DEST_PATH_IMAGE017
个指标的熵值；
Figure 811777DEST_PATH_IMAGE020
：第
Figure 224304DEST_PATH_IMAGE017
个指标的差异系数；
Figure 721144DEST_PATH_IMAGE021
：第
Figure 902727DEST_PATH_IMAGE017
个指标的权重。
随着历史基坑数据的不断收集，安全风险指标权重也随之不断更新。
步骤6：计算基坑变形安全风险综合评分。
基于步骤4中所预测的基坑未来变形值以及步骤5中计算的基坑变形安全风险指标权重，采用模糊综合评价法来计算未来基坑变形安全综合评分。
首先确定基坑变形安全风险等级划分，根据历史文献和实际工程，将基坑变形风险等级分为3级：安全、预警、报警，分别取变形控制值的60%，80%和100%作为这三个安全等级的分割线。
然后建立三角形分布隶属函数来计算每个指标对每个风险等级的隶属度。指标的三角形分布隶属函数定义如下：
安全：
Figure 685875DEST_PATH_IMAGE022
预警：
Figure 54539DEST_PATH_IMAGE023
报警：
Figure 620650DEST_PATH_IMAGE024
其中：
Figure 515794DEST_PATH_IMAGE025
：第
Figure 876368DEST_PATH_IMAGE017
个指标对安全等级的隶属度，值域为0至1；
Figure 263487DEST_PATH_IMAGE026
：第
Figure 102130DEST_PATH_IMAGE017
个指标对预警等级的隶属度，值域为0至1；
Figure DEST_PATH_IMAGE067
：第
Figure 586201DEST_PATH_IMAGE017
个指标对报警等级的隶属度，值域为0至1；
Figure DEST_PATH_IMAGE068
：第
Figure 852097DEST_PATH_IMAGE017
个指标的变形控制值；
根据历史文献，安全、预警、报警这三个风险等级对应的基本安全得分设为100，80，60，然后将每个指标的隶属度与基本分相乘即可得到每个指标的安全评分
Figure 460933DEST_PATH_IMAGE030
：
Figure 729365DEST_PATH_IMAGE031
最后将所有指标的安全评分加权求和即可得基坑变形安全综合评分
Figure 740047DEST_PATH_IMAGE032
：
Figure 176844DEST_PATH_IMAGE033
其中，
Figure 69714DEST_PATH_IMAGE032
的值域为0至100分，100分表明基坑变形位于安全范围内，
Figure 781318DEST_PATH_IMAGE032
越小，表明基坑变形安全风险越大。
实施例
收集了杭州某明挖公路隧道工程的十个基坑相关数据，基于这些数据训练得到六个神经网络模型，分别用来预测六个监测项目（ZQS，ZQC，ZQT，TST，DBC，LZC）的位移。将预测模型应用到本工程所涉及的第十一个基坑，得到监测点处的位移预测值，将其与实际值对比，部分结果如图2至图7所示。由图，六个监测项目位移预测值的平均绝对误差分别是0.19mm, 0.35 mm，0.62 mm，0.59 mm，0.62 mm，0.19 mm，平均相对误差分别是8.21%，9.31%，4.06%，8.10%，3.41%，7.75%，平均相对误差均在10%以内。由此可见人工神经网络模型的预测准确度较高。
基于预测位移，利用熵值法计算基坑安全预测综合评分，将其与实际评分对比，结果如图8所示。预测评分与实际评分的平均绝对误差为0.73分，平均相对误差为0.96%。因此，本发明所提出的方法可以对未来基坑变形安全综合评分进行精准预测。
以上所述，仅为本发明的较佳实施例，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上所述实施本发明。但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。

Claims (7)

1.一种基于人工神经网络和熵值法的基坑变形安全风险评估的方法，其特征在于，包括如下步骤：
S1：收集基坑施工数据及基坑变形监测数据，建立数据集；
基坑施工数据包括静态施工数据和动态施工数据，其中静态施工数据包括围护结构形式及尺寸和基坑底以上土层种类，动态施工数据包括开挖天数、天气状况和施工工况；
基坑变形监测数据包括以下六个监测项目的测量数据：围护结构顶水平位移、围护结构顶垂直位移、围护结构深层水平位移、土体深层水平位移、地表沉降、立柱竖向位移；
静态施工数据一次性收集后保持不变，动态施工数据和基坑变形监测数据根据实际施工和监测情况，定期收集；将所收集到的历史数据整理汇总，建立人工神经网络模型的训练数据集；
S2：建立基于反向传播算法的人工神经网络；
建立六个包括输入层、隐藏层和输出层的反向传播神经网络模型，分别用来预测S1中六个监测项目的变形值；其中，每一层包含若干个神经元，相邻层之间的神经元之间全连接，输入层中的神经元数等于输入参数的数量，隐藏层中的神经元数由经验公式和试验模拟共同确定，输出层中的神经元数为1；传输函数选用Log-Sigmoid函数，训练函数选用Levenberg-Marquardt反向传播算法，评价函数选用均方根误差（RMSE）函数；
S3：训练人工神经网络模型；
基于步骤1所建立的训练数据集，对六个人工神经网络分别进行训练，得到六个监测项目的变形预测人工神经网络模型；
S4：执行基坑变形预测；
基于S1中收集到的目标基坑施工数据和基坑变形监测数据，利用S3所得到的变形预测人工神经网络模型对目标基坑六个监测项目的未来变形值进行预测；
S5：计算基坑变形安全风险指标权重；
选取S1中所述的六个监测项目作为基坑变形安全风险指标，基于S1中所收集到的基坑变形监测数据，利用熵值法计算各个监测项目的安全风险指标的动态权重；
步骤6：计算基坑变形安全风险综合评分；
基于S4中所预测的目标基坑六个监测项目的未来变形值以及S5中基坑变形安全风险指标权重，采用模糊综合评价法来计算未来基坑变形安全风险综合评分；
首先确定基坑变形安全风险等级划分，然后建立三角形分布隶属函数来计算每个指标对每个风险等级的隶属度；
根据历史文献确定每个风险等级对应的基本分，然后将每个指标的隶属度与基本分相乘即可得每个指标的安全等级得分，最后将所有指标的安全等级得分加权求和即可得基坑变形安全风险的综合评分。
2.根据权利要求1所述的基于人工神经网络和熵值法的基坑变形安全风险评估的方法，其特征在于：S1中所述围护结构形式包括但不限于重力式挡墙、钻孔灌注桩、SMW工法桩、钻孔咬合桩、地下连续墙；围护结构的尺寸为围护结构的纵向深度。
3.根据权利要求1所述的基于人工神经网络和熵值法的基坑变形安全风险评估的方法，其特征在于：所述开挖天数以第一次开挖的日期为第一天；天气状况按照晴、阴、雨水分为三种；施工工况包括但不限于开挖长度、开挖宽度、开挖深度、支撑架设、底板施工、侧墙施工、支撑拆除及顶板施工。
4.根据权利要求1所述的基于人工神经网络和熵值法的基坑变形安全风险评估的方法，其特征在于：所述S2中隐藏层的神经元数先由经验公式确定大致的取值范围，再通过试验模拟来确定最优取值，其经验公式如下：
Figure 558295DEST_PATH_IMAGE001
其中：
Figure DEST_PATH_IMAGE002
：隐藏层神经元的个数；
Figure 759469DEST_PATH_IMAGE003
：输入层中神经元的个数；
Figure DEST_PATH_IMAGE004
：输出层中神经元的个数；
Figure 811739DEST_PATH_IMAGE005
：常数，取值范围为0到10；
所述评价函数选用的均方根误差（RMSE）函数如下：
Figure DEST_PATH_DEST_PATH_IMAGE006
其中：
Figure 153465DEST_PATH_IMAGE007
：BPNN的输出值，即基坑变形的预测值；
Figure DEST_PATH_IMAGE008
：目标输出值，即基坑变形的实际测量值；
Figure 935476DEST_PATH_IMAGE009
：总的输出数据的数量。
5.根据权利要求1所述的基于人工神经网络和熵值法的基坑变形安全风险评估的方法，其特征在于：对S2中建立的六个人工神经网络分别进行训练，通过均方根误差函数（RMSE）来保证训练精度，最终得到六个监测项目的变形预测人工神经网络模型。
6.根据权利要求1所述的基于人工神经网络和熵值法的基坑变形安全风险评估的方法，其特征在于：S5中首先基于S1中所收集到的基坑变形监测数据，整理出历史基坑每个指标对应的最大变形，然后利用熵值法计算各个监测项目的安全风险指标的动态权重，并随着历史基坑数据的不断收集，安全风险指标权重也随之不断更新，所述熵值法的计算过程如下：
Figure DEST_PATH_DEST_PATH_IMAGE010
Figure DEST_PATH_DEST_PATH_IMAGE011
Figure DEST_PATH_DEST_PATH_IMAGE012
其中：
Figure 378276DEST_PATH_IMAGE013
：每个指标的历史数据个数，对应于步骤1中所收集到的历史基坑的个数；
Figure DEST_PATH_IMAGE014
：基坑变形安全风险指标的个数，即6；
Figure 900524DEST_PATH_IMAGE015
：第
Figure DEST_PATH_IMAGE016
个基坑的第
Figure 333779DEST_PATH_IMAGE017
个指标值占第
Figure DEST_PATH_IMAGE018
个指标的比例；
Figure 283281DEST_PATH_IMAGE019
：第
Figure 670662DEST_PATH_IMAGE016
个基坑的第
Figure 793339DEST_PATH_IMAGE017
个指标值；
Figure DEST_PATH_IMAGE020
：第
Figure 956467DEST_PATH_IMAGE017
个指标的熵值；
Figure 608028DEST_PATH_IMAGE021
：第
Figure 246820DEST_PATH_IMAGE017
个指标的差异系数；
Figure DEST_PATH_IMAGE022
：第
Figure 110871DEST_PATH_IMAGE017
个指标的权重。
7.根据权利要求1所述的基于人工神经网络和熵值法的基坑变形安全风险评估的方法，其特征在于：S6中基坑变形安全风险等级划分为三级：安全、预警、报警，分别取变形控制值的60%、80%和100%作为这三个安全等级的分割线；且三角形分布隶属函数的定义如下：
安全：
Figure 659664DEST_PATH_IMAGE023
预警：
Figure DEST_PATH_IMAGE024
报警：
Figure 810022DEST_PATH_IMAGE025
其中：
Figure DEST_PATH_IMAGE026
：第
Figure 77056DEST_PATH_IMAGE027
个指标对安全等级的隶属度，值域为0至1；
Figure DEST_PATH_IMAGE028
：第
Figure 72693DEST_PATH_IMAGE027
个指标对预警等级的隶属度，值域为0至1；
Figure 568003DEST_PATH_IMAGE029
：第
Figure DEST_PATH_IMAGE030
个指标对报警等级的隶属度，值域为0至1；
Figure 295788DEST_PATH_IMAGE031
：第
Figure 50117DEST_PATH_IMAGE030
个指标的变形控制值；
根据历史文献，安全、预警、报警这三个风险等级对应的基本安全得分设为100，80，60，然后将每个指标的隶属度与基本分相乘即可得到每个指标的安全评分
Figure DEST_PATH_IMAGE032
：
Figure 380605DEST_PATH_IMAGE033
最后将所有指标的安全评分加权求和即可得基坑变形安全综合评分
Figure DEST_PATH_IMAGE034
：
Figure DEST_PATH_IMAGE035
其中，
Figure 966307DEST_PATH_IMAGE034
的值域为0至100分，100分表明基坑变形位于安全范围内，
Figure 396151DEST_PATH_IMAGE034
越小，表明基坑变形安全风险越大。
CN202210659790.9A 2022-06-13 2022-06-13 基于人工神经网络和熵值法的基坑变形安全风险评估的方法 Pending CN114997671A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210659790.9A CN114997671A (zh) 2022-06-13 2022-06-13 基于人工神经网络和熵值法的基坑变形安全风险评估的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210659790.9A CN114997671A (zh) 2022-06-13 2022-06-13 基于人工神经网络和熵值法的基坑变形安全风险评估的方法

Publications (1)

Publication Number Publication Date
CN114997671A true CN114997671A (zh) 2022-09-02

Family

ID=83032278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210659790.9A Pending CN114997671A (zh) 2022-06-13 2022-06-13 基于人工神经网络和熵值法的基坑变形安全风险评估的方法

Country Status (1)

Country Link
CN (1) CN114997671A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115495956A (zh) * 2022-09-30 2022-12-20 中铁二十局集团有限公司 一种深大岩质基坑卸荷变形的安全评价方法
CN115983644A (zh) * 2023-01-12 2023-04-18 北京建筑大学 一种基于实时监测数据的地下工程施工风险动态评估方法
CN118036118A (zh) * 2023-11-28 2024-05-14 天津大学 基于bim融合的勘察方法、系统、电子设备以及计算机可读介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115495956A (zh) * 2022-09-30 2022-12-20 中铁二十局集团有限公司 一种深大岩质基坑卸荷变形的安全评价方法
CN115495956B (zh) * 2022-09-30 2023-11-21 中铁二十局集团有限公司 一种深大岩质基坑卸荷变形的安全评价方法
CN115983644A (zh) * 2023-01-12 2023-04-18 北京建筑大学 一种基于实时监测数据的地下工程施工风险动态评估方法
CN118036118A (zh) * 2023-11-28 2024-05-14 天津大学 基于bim融合的勘察方法、系统、电子设备以及计算机可读介质

Similar Documents

Publication Publication Date Title
CN109584510B (zh) 一种基于评估函数训练的道路高边坡滑坡灾害预警方法
CN114997671A (zh) 基于人工神经网络和熵值法的基坑变形安全风险评估的方法
CN107943880B (zh) 一种基于层次分析法的地质灾害易发性改进评估方法
Gandini et al. A holistic and multi-stakeholder methodology for vulnerability assessment of cities to flooding and extreme precipitation events
CN108846521A (zh) 基于Xgboost的盾构施工不良地质类型预测方法
CN110210776B (zh) 一种基于监控量测的隧道施工动态风险评估方法
CN114548725A (zh) 一种基于熵权-层次分析模糊综合评价法的深基坑稳定性评估方法
CN106198922B (zh) 降雨型滑坡临界启动降雨量及失稳预警时间的确定方法
CN115495956B (zh) 一种深大岩质基坑卸荷变形的安全评价方法
CN106779296A (zh) 一种基于多传感器的隧道施工周围建筑物安全预警方法
CN105718658A (zh) 大型桥梁在线评估体系
CN111144656A (zh) 一种基于gis的灾害评价分析方法
CN107273579B (zh) 一种内支撑建筑基坑安全性的综合评价方法
CN113191582B (zh) 一种基于gis与机器学习的道路山洪易损性评价方法
CN113554345B (zh) 地震滑坡灾害区域及灾害链风险评估方法
Ens Development of a flexible framework for deterioration modelling in infrastructure asset management
CN104200085B (zh) 一种强烈地震带滑坡防治工程健康评估方法
CN105930974A (zh) 一种城市综合管廊建设区位分析方法
CN116402951A (zh) 基于数字孪生的边坡安全管理方法及系统
CN117745466B (zh) 一种尾矿库数智运维系统
Li et al. Development of a seismic vulnerability and risk model for typical bridges considering innovative intensity measures
Dell'Acqua et al. Procedure for making paving decisions with cluster and multicriteria analysis
CN117520796B (zh) 一种基于知识图谱的公路路基水毁评估方法及系统
CN109214643B (zh) 一种基于大数据的山地建筑韧性评价方法
Wang et al. A novel evaluation method for the stability of construction sites on an abandoned goaf: a case study

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication