（1广州大学土木工程学院 广东 广州 510006）
（2深圳市勘察研究院广州分公司 广东 深圳 510006）
【摘 要】本文以珠海市香洲区前山港某基坑的监测数据为背景，采用BP神经网络和GA-BP神经网络两种方法对基坑支护结构进行变形预测，将变形预测值与实际监测数据进行对比分析，指出遗传算法优化的GA-BP神经网络模型能更精确的预测基坑变形。
【关键词】遗传算法；GA-BP神经网络；基坑变形预测
【中图分类号】TQ320 【文献标识码】A 【文章编号】1002-8544（2017）22-0226-02
1.BP神经网络
BP神经网络是一种包含输入节点、输出节点和隐含节点的误差逆向传播训练算法，呈现出从输入到输出整个流程的非线性映射。输入层、隐含层、输出层构成了经典的BP神经网络。为了使BP神经网络具备联想记忆与预测能力，在其进行预测之前要进行网络训练。其训练过程主要包括以下四个步骤：
（1）输入模式顺传播
在输入层输入初始值，经过隐含层分析处理，最后顺向传播到输出层。
（2）误差逆传播过程
BP网络的实际输出与希望输出之间会产生误差，将误差信息由输出层向隐含层进行传播，经隐含层分析处理后逆向传播到输入层，将连接权层层修正。其计算流程如下：分别对n个样本进行正向顺序计算，经过隐含层分析处理，获取BP网络的实际输出值，此时求出误差值E（E为n个样本的误差平方和），将E作为更新权值的指标，来评价BP网络的计算精度。若E满足精度要求则停止迭代，若不满足，则进行新一轮迭代计算。
（3）记忆训练过程
BP网络要经过几百次到几万次的循环记忆才能使网络记忆此种模式，循环记忆的目的就是使误差值趋于极小值。循环训练实质上就是输入模式顺传播和误差逆传播的反复交替循环。
（4）训练结果收敛性判别
对网络的全局误差进行收敛判定，判定误差值是否趋于极小值。[1-2]
2.遗传算法优化的BP神经网络
遗传算法是从一组随机产生的初始解开始进行训练、优化，通过对遗传序列的选择、交叉以及变异筛选，保留下来适应度好的个体，新的群体不仅继承了上一代的优点，又使得新的群体优于上一代，如此反复循环，直至满足要求为止，得到最优解[3]。
基于遗传算法的GA-BP神经网络的算法流程包含三个部分：BP神经网络结构的确定、遗传算法优化和BP神经网络预测。GA-BP神经网络的训练过程分为两步：首先，运用遗传算法对BP网络的初始权重进行优化，得到完整的误差最小的初始权重；然后将从上一步得到的初始权重代入BP网络进行训练，直至全局误差小于限定误差才终止计算。通过遗传算法的优化，BP网络可以快速收敛，避免陷入局部极小值，对BP网络的计算速度与精度有了大幅的提高。[4-5]
3.工程实例与结果分析
3.1 工程概况
本文工程实例基坑位于珠海市香洲区前山港，该基坑采用旋挖钻孔桩+2层内支撑+1排三轴水泥土搅拌桩支护形式，基坑周长1123m，面积约52370m3，开挖深度为15.1m。部分基坑监测布置图及选取研究的监测点QS4见图1所示。
图1 基坑监测布置图
Fig 1 Monitoring layout of foundation pit
3.2 结果分析
QS4监测点为桩体水平位移监测点，监测深度为22.5m，将该监测点深度为9米处的水平位移作为研究对象，选取20期水平位移数据作为训练样本见表1，分别运用BP网络和GA-BP网络预测后5期的水平位移值，最终得到后5期的预测值和实际值对比见表2。
GA-BP网络预测值、BP神经网络预测值与实际监测数据的对比见图2。
图2 预测值与实际值对比图
Fig 2 Comparison of predicted values and actual values
通过表2数据可看出，BP神经网络和GA-BP神经网络均可以比较精确的预测基坑的下一时刻变形，但GA-BP神经网络预测值的误差明显小于BP神经网络预测值的误差，其整体预测结果明显优于BP网络预测结果。图2直观的表示出了GA-BP网络预测值、BP神经网络预测值与实际监测数据的对比效果，该图可明显看出GA-BP网络预测结果更贴合实际变形值，且能够更精确的反映实际变形趋势。
4.结论
（1）BP神经网络和遗传优化算法的GA-BP神经网络均可比较精确的预测基坑支护桩桩体的变形值，误差均在限值之内。
（2）通过遗传算法的优化，BP网络可以快速收敛，避免陷入局部极小值，对BP网络的计算速度与精度有了大幅的提高。
（3）较BP神经网络而言，GA-BP神经网络预测结果更贴合实际变形值，且能够更精确的反映实际变形趋势，更适用于深基坑工程的变形预测。
参考文献
[1]宋娜.基于遗传神经网络的深基坑施工控制研究[D].青岛:山东科技大学，2007.
[2]张灿.遗传算法BP神经网络在变形监测中的研究[J].应用技术，2013.3.
[3]黄丽.BP神经网络算法改进及应用研究[D].重庆：重庆师范大学，2008.
[4]贺勇等.基坑工程表观监测与安全预警问题的研究[J].勘察科学技术，2003(4):29-30.
[5] Ghaboussi J.,garrett Jr.,X.Wu,Material modeling with neural networks,Proc.,Int.Conf.on Numerical Methods in engineering,Theory and Aplications,Swansea, U.K.,1990:701-717.
论文作者:黄亚宁1,宋肖冰2
论文发表刊物:《建筑知识》2017年22期
论文发表时间:2018/1/2
标签：神经网络论文; 基坑论文; 误差论文; 算法论文; 网络论文; 位移论文; 极小论文; 《建筑知识》2017年22期论文;