基于bp神经网络的软土路基施工期沉降预测与仿真

'维普资讯http://www.cqvip.com第l6卷第3期山东交通学院学报V01．16No．32008年9月JOURNALOFSHANDONGJIAOT0NGUNIVERSITYSep．2008基于BP神经网络的软土路基施工期沉降预测与仿真刘鹏，夏元友(1．广州市水利水电勘测设计研究院，广东广州510650；2．武汉理工大学，湖北武汉430070)摘要：在高速公路软基沉降预测与施工控制中，把现场填土厚度、时间及实测沉降量信息作为学习样本，经过BP神经网络训练后，建立了动态仿真预测模型，用该模型预测当前及下一级填土后的沉降量，判断下一级填土是否可行及对路堤稳定性的影响，以实现对软基沉降及工程施工的事前仿真控制，避免工程事故的发生。实际工程应用表明，该模型的预测精度满足工程建设的需要。关键词：软基沉降；BP神经网络；预测；仿真控制中图分类号：U416．1文献标识码：A文章编号：1672-0032(2008)03-0056-04在软土地基上修筑高等级公路路堤最突出的问题是稳定和沉降。为了掌握路堤在施工期的变形情况，在施工期间必须进行动态观测，并根据观测数据建立软基沉降的动态仿真预报系统，一方面可以保证路堤在施工中的安全和稳定，另一方面能正确预测工后沉降，使工后沉降控制在设计允许的范围内。因此，对路基的沉降变形进行监测和预测，具有重要意义。人工神经网络具有自组织、自学习、非线性动态处理及容错性强等特征，还具有联想推理和自适应识别能力，特别适合处理各种非线性问题。与其它方法相比，神经网络可处理含有噪声和不确定因素的数据，建立高度非线性的函数关系¨-21。由于岩土工程问题中的某些量(如实测值等)往往具有随机不确定性，这种隐含在问题中的变量间的高度非线性关系用常规方法无法解决或不能很好解决，但为神经网络提供了充分发挥其优势的空间。将BP(Back．Propagation)神经网络模型引入公路软基沉降预测与控制中，依据现场量测信息，如当前路堤填土厚度、达到该填土厚度的时间和填土时间等，对路堤填土施工过程沉降和工后沉降随时间而发展的过程建立动态仿真预报系统。通过BP神经网络对输入学习样本训练后，建立仿真预测模型，应用该模型模拟下一级填土厚度及预测模拟填土后的沉降量，从而判断下一级填土对路堤稳定性的影响，为工程设计与施工提供可靠的依据。1BP神经网络模型BP神经网络是一种单向传播的多层前向网络。网络除输入输出节点外，还有一层或多层的隐层节点，同层节点中没有任何耦合。输入信号从输入层节点依次传过各隐层节点，最后传到输出节点，每一层节点的输出只影响下一层节点的输出。其节点单元特性(传递函数)通常为Sigmoid函数，()=，式中B>0。但在输出层中，节点的单元特性可为线性。基于BP算法的多层前馈型网络的结构见图1。收稿日期：2008—05-30作者简介：刘鹏(1977一)，男，湖北孝昌人，工学硕士，广州市水利水电勘测设计研究院工程师，注册土木工程师，主要从事地基处理方面的设计与研究工作． 维普资讯http://www.cqvip.com笙塑塑量：墨丝圭堕苎堕三塑堕堕垦!BP算法的教师学习过程可归结为模式顺传播、误差逆传播、记忆训练和学习收敛4个过程，基本步骤为：1)权和阈值初始化，即给一个(0，1)区间的随机值初始化网络的权和阈值；2)给定输入模式对(期望输入瓦和期望输出)；3)对于给定的输入模式对，计算各层节点的输入n和输出C隐含层=∑+，图1BP神经网络结构c=-厂(凡)，式中为输入节点与输出节点之间的连接权；为节点阈值为Sigmoid函数)。4)定义误差函数，网络的全局误差为1E=÷∑()，一c)‘．二I5)权重修正，使得误差函数达到最小(_V+1)=(N)+△(N+1)，△，(N+1)=c，+△(N)，式中为输入节点i与输出节点．之间连接权校正量；叼为学习系数；为动量系数；N为第Ⅳ次迭代；为误差，当i为隐层节点时，6=(，)当i为输出节点时，：(c一)fi(凡e￡，)。6)对于所有的输入模式对，若系统误差满足规定的精度要求，学习终止，得到收敛的网络，否则继续学习过程，直到网络收敛为止。虽然反向传播法得到了广泛应用，但也存在一些不足，具体表现在：1)对于一些复杂问题，可能要进行长时问的训练；2)完全不能训练，网络出现麻痹现象；3)陷入局部极小值，不能保证所求解为误差平面的全局最小解。为了避免这些问题，除了合理的设计网络结构外，近年来提出了许多改进方法，如附加动量法、自适应学习速率等，目的就是为了加快训练速度，避免陷入局部极小值。本文采用在MATLAB6．5_3环境下开发的附加动量法、自适应学习速率BP神经网络。2预测模型与仿真输入层神经元数取决于模型中考虑的沉降主要影响因素(软土的工程性质，如土的强度、压缩性、渗透性和应力历史等；荷载性质，包括荷载大小和加载方式；基础性质，如路堤刚度、砂垫层厚度及加筋情况等)。模型中的评价指标应是施工动态监测的内容，且便于现场测量；另一方面，在进行实际路基沉降预测时，总是选择若干典型断面，对于这些位置一定的典型断面，地基土的性质和基础性质是固定的，沉降的发展主要取决于荷载的性质。故输入层神经元数选为3，分别为当前路堤填土厚度日、达到该填土厚度的时间t和填土时间。BP网络中隐层数目和每个隐层中神经元数目对学习训练效果和预测精度有较大影响。隐层和隐层中的神经元数一般通过试算来确定，确定的原则是尽量选取较少的隐层数和隐层神经元数，使网络结构尽可能简单。根据对实际工程的大量试算，选取隐层数为2，各隐层中神经元数分别为10和5。输出层节点个数为1，即沉降量。在正常施工情况下，填土前期路堤一般不会发生失稳破坏，但仍要监测路堤沉降。将监测记录的数据(H，t，T以及沉降量)作为输入输出学习样本，样本数量尽可能多，采用BP神经网络模型训练，得到仿真预测模型。然后假设下一级所要填土的厚度及该填土的时间，应用该预测模型预测这一级填土后的某时刻的沉降量，进而推断这一级填土是否可行以及确定最早的填土时问，并且判断填土对路堤稳定性的影响，从而实现工程施工的仿真控制 维普资讯http://www.cqvip.com山东交通学院学报2008年9月第16卷3工程应用表1网络训练样本及仿真结果广梧高速公路马安至河口段起点位于高要市马安镇鸡肾岗(接广肇高速终点K61+412．5)，经马安、白诸、思劳、安塘，终于云浮市河口镇田心村，全长37．312km，路线基本为东西向。其中马安至河口段软土分布广，分布非常不均匀，软土性质较差，二标段(K0+620～K9+080)、三标段(K9+080～K18+100)软基路段软土层厚度虽然不大，但有机质含量高，工后沉降发生时问较长，涉及的地层十分复杂，同时全线软土段设计填土高度较高，可见其工程地质条件很差。该工程大部分路段采用袋装砂井预压排水固结法对地基进行处理，局部路段的稳定性存在一些问题。由此，需要对施工进行较为严密的监测，建立动态预报系统，为工程施工与设计提供重要依据。本工程的路基填筑施工采用“薄层轮加法”，该方法目Ⅲ的关键是保证准确连续的动态观测，通过对动态观测数i据的分析，掌握路基在施工过程中的变形情况，确定合理的控制标准来控制填土速度，以保证施工的安全稳定。为此，选取试验段K12+579为代表性断面，该断面2003—07—10开始填土监测。在施工填土阶段选取H，t，T以及沉降量作为输入输出21组学习样本，取神经网络学习率为0．05，动量系数为0．9，迭代次数Ⅳ为5000，误差要求e为0．01。网络学习样本及训练仿真沉降量结果见表1，网络学习收敛过程见图2。由表1可以看出学习训练后的仿真沉降量与实测沉降量非常接近，误差基本上都在2％以内，因此，经过BP网络训练后得到的预测模型的精度完全满足工程需要。学习完后即建立了预测模型，然后选取5个样本进行预测，将预测结果与实测数据相比较及误差分析结果见表2。用该模型预测2003—08—07及08—09沉降量，设计的下一级填土在2003—08—10进行，且填土厚度为0．431m，达到累计填土厚度为3．839m，应用该模型预测08—10累计沉降量79．577mm，08-12累计沉降量为82．63mm和08一l4累计沉降量为84．698mm，下一级填土后的沉降量不大，平均为2mm／d。据此得到结论：可以进行下一级填土，下一级填土不训练次数，次会影响路堤的安全稳定性。实际工程施工也证明了这一结论的正确性。从表2中可以看出最大误差为5．112％，图2BP神经网络算法训练中的误差记录最小误差为0．824％，平均误差为2．525％。因此，通过误差分析和实测数据表明，建立的BP神经网络预测模型是可行的。把实际工程所监测和记录下的数据不断加入到样本中去，并替换以前的部分数据，对学习样本应用进行不断更新，得到现场的最新信息，可提高模型的预测精度，对填土施工设计进行预分析。现场 维普资讯http://www.cqvip.com第3期刘鹏等：基于BP神经网络的软土路基施工期沉量皇59应用结果表明：该模型可缩短施工工期，避免工程事故的表2预测结果与实测值的比较发生，确保路堤安全稳定。由此，可以看出基于BP神经网络模型的路基填筑施工过程沉降动态仿真预报具有重要的实际意义。4结语采用BP神经网络模型预测高速公路软基在施工中的沉降量及其工后沉降量，其本质是认为影响路基沉降的主要因素隐含于实际沉降发生过程中，可以通过BP神经网络结构来模拟沉降与填土厚度、时间之间的非线性关系。该模型模拟下一级填土施工过程时，假定下一级填土厚度及填土时间，预测下一级填土后某时刻的沉降量，进而判断路提的安全稳定性，从而避免了工程事故的发生，提高了施工决策的科学性。试验断面的应用情况表明，所构建的BP神经网络模型，只要样本训练数据真实、足够，其预测结果就有较高的可靠性，为工程组织施工提供了科学的依据。在MATLAB6．5环境下开发出来的BP人工神经网络工具箱进行编程计算，使计算操作简便可行，是一种较实用的动态沉降预测与控制方法。参考文献：[1]李孝安．神经网络与神经计算机导论[M]．西安：西北工业大学出版社，1994．[2]LIUYong—jian．PredictionofFinalSettlementofSoftGroudforExpresswaybyUsingArtificial[J]ResearchandDevelopment，2000，17(16)：15—18．[3]飞思科技产品研发中心．MATLAB6．5辅助神经网络分析与设计[M]．北京：电子工业出版社，2003．[4]王伟．人工神经网络原理——入门与提高[M]．北京：北京航空航天大学出版社，1995．[5]温岩，乔兵，李忠伟，等．基于MATLAB工具箱的神经网络在地震预报中的应用[J]．东北地震研究，2001，17(3)：36-14[6]杨涛，李国维，樊琨．基于人工神经网络的公路软基沉降预测模型[J]．上海理工大学学报，2003，25(2)：117-120．PredictionandSimulationofSettlementofHighwaySoftFoundationDuringConstructionBasedonBPNeuralNetworkLIUPeng，XIAYuan—you(1．GuangzhouWaterConservancyandHydropowerInvestigationandDesAcademy，Guangzhou510650，China；)(2．WuhanUniversityofTechnology，Wuhan430070，China)Abstract：Inthepredictionandcontrolofsettlementofhighwaysoftfoundation，takingthefieldmeasuringinformationofthethicknessofroadbedconstruction，time，andsettlementsasstudyingsamples，simulatedpredictionmodelwhichvarieswithtimebasedonBPneuralnetworkisestablished．ThemodelcanpredictthepresentandnextroadbedconstructionsettlementandthuscanalsopredictwhetherthenextroadbedconstructionisfeasibleornotandwhetherthestabilityoftheroadbediSinfluentialornot．Thesimulatedcontrolofsettlementofsoftfoundationbeforeroadbedconstructionhasbeendonetoavoidengineeringaccidents．Applicationinhighwayconstructionshowsthatthepredictionaccuracyofthemodelcanmeettheneedsofengineeringconstructionandthemethodisfeasible．Keywords：settlementofsoftfoundation；BPneuralnetwork；prediction；simulatedcontrol(责任编辑：郎伟锋)'