徑向基神經(jīng)網(wǎng)絡在地鐵沉降預測當中的應用

周星勇

摘 要：利用徑向基神經(jīng)網(wǎng)絡構建起前N期沉降量與N+1沉降量之間存在的非線性關系，從而實現(xiàn)徑向基神經(jīng)網(wǎng)絡對地鐵隧道施工上方地面沉降量預測的功能。利用成都地鐵7號線某盾構區(qū)間地面的沉降監(jiān)測數(shù)據(jù)建立RBF預測模型并且與BP預測模型進行對比。仿真實驗結果表明，RBF預測模型預測結果的平均誤差率、誤差中誤差、迭代次數(shù)均小于BP神經(jīng)網(wǎng)絡，說明了RBF神經(jīng)網(wǎng)絡在地鐵沉降預測分析中的有效性、優(yōu)越性。

關鍵詞：地鐵盾構施工 沉降預測 RBF神經(jīng)網(wǎng)絡

中圖分類號：TU43 文獻標識碼：A 文章編號：1672-3791（2017）07（b）-0093-02

地鐵盾構法施工已成為當前城市地鐵隧道施工的一項重要技術，它是指在地面下暗挖隧道的一種施工方法[1]。隨著地鐵盾構施工的進行，必然會對周圍土質應力情況造成影響，進而引起施工隧道上方地面的變形。變形嚴重時，將會對地下管線設施、地面道路、周圍建筑物等造成嚴重破壞[2]。因此在地下盾構施工的過程中，對地面變形進行實時監(jiān)測，構建起形變預測模型，從而對施工預警防護工作提供指導，這對于地鐵盾構安全施工是十分有必要的。

人工神經(jīng)網(wǎng)絡是一種具有適應外界條件能力的系統(tǒng)，具有強大的自護學習能力，能夠建立起自變量和應變量之間高度非線性映射關系，因此人工神經(jīng)網(wǎng)絡常用于工程的變形監(jiān)測預測當中[3]。其中徑向基（RBF）神經(jīng)網(wǎng)絡具有收斂速度快且唯一最佳逼近的特點，因此該文選取RBF神經(jīng)網(wǎng)絡作為地鐵盾構施工上方地面變形的預測模型。通過所建立的RBF預測模型得到沉降預測值與實測值進行對比，可驗證RBF預測模型的可行性與精確性。

1 徑向基神經(jīng)網(wǎng)絡的原理與結構

徑向基神經(jīng)網(wǎng)絡設計原理與BP神經(jīng)網(wǎng)絡截然不同。其中徑向基神經(jīng)網(wǎng)絡的隱藏層將輸入數(shù)據(jù)進行變換，將非線性問題從低維投射到高維從而變得線性可分。這樣就避免了BP神經(jīng)網(wǎng)絡中容易陷入局部最優(yōu)值的缺點。此外徑向基神經(jīng)網(wǎng)絡還具有結構簡單，訓練簡潔并且收斂速度快的優(yōu)點。理論上徑向基神經(jīng)網(wǎng)絡能夠逼近任意非線性函數(shù)[4]。

徑向基神經(jīng)網(wǎng)絡是一種前饋神經(jīng)網(wǎng)絡，網(wǎng)絡結構分為輸入層、隱含層和輸出層三層。輸入層由輸入信號源節(jié)點組成。隱含層節(jié)點數(shù)由問題需求而定，隱含層中的轉換函數(shù)即徑向基函數(shù)是對中心點徑向對稱且衰減的非負非線性函數(shù)。與其他向前型網(wǎng)絡不同，徑向基神經(jīng)網(wǎng)絡的轉換函數(shù)為局部響應函數(shù)。常用的高斯徑向基函數(shù)可表示為：

2 基于徑向基神經(jīng)網(wǎng)絡的沉降預測

2.1 工程區(qū)概況

以成都地鐵7號線某盾構區(qū)間左線地面沉降為例。采用二等水準測量規(guī)范對監(jiān)測點進行高程測量，每24 h的監(jiān)測次數(shù)由沉降速率來決定，沉降速率快則相應要提高監(jiān)測頻率。從2016年5月28日開始至6月16日結束，對18號監(jiān)測點進行了35期沉降數(shù)據(jù)采集。利用Matlab軟件構建RBF預測模型，其中利用前30期數(shù)據(jù)構建模型對后5期數(shù)據(jù)進行仿真預測，將得到的預測值與實測值進行比較，分析RBF預測模型的預測效果。

2.2 仿真預測

該文選取了18號監(jiān)測點的數(shù)據(jù)，建立預測模型，并對最后五期監(jiān)測數(shù)據(jù)進行預測。同時我們將RBF神經(jīng)網(wǎng)絡預測模型與BP神經(jīng)網(wǎng)絡的預測結果進行對比，分析RBF模型的精度及優(yōu)越性。

表1記錄了18號監(jiān)測點31～35期數(shù)據(jù)實測值與預測值的對比。表中RBF神經(jīng)網(wǎng)絡各期預測值的誤差率均小于同期BP神經(jīng)網(wǎng)絡的預測結果，這說明RBF神經(jīng)網(wǎng)絡在地鐵盾構施工地表沉降的預測中，絕對預測精度要高于BP神經(jīng)網(wǎng)絡預測方法。表2則記錄了兩種預測算法在兩次預測過程當中預測值的中誤差，以及迭代至收斂所需要的次數(shù)?？梢钥闯觯琑BF神經(jīng)網(wǎng)絡后五期預測值的中誤差為0.22，小于BP神經(jīng)網(wǎng)絡的0.74，說明RBF神經(jīng)網(wǎng)絡預測值的精確度更高。此外從迭代次數(shù)能夠看出RBF神經(jīng)網(wǎng)絡的收斂速度也優(yōu)于BP神經(jīng)網(wǎng)絡。

3 結論

（1）Matlab所構建的徑向基神經(jīng)網(wǎng)絡預測模型預測值的平均誤差率為0.98%，遠低于BP神經(jīng)網(wǎng)絡預測模型的4.21%，而且徑向基神經(jīng)網(wǎng)絡預測模型預測值中誤差比BP神經(jīng)網(wǎng)絡預測值中誤差降低了71.43%。各項精度指標證明徑向基神經(jīng)網(wǎng)絡更適用于地鐵盾構施工地表沉降預測當中。

（2）徑向基神經(jīng)網(wǎng)絡與BP神經(jīng)網(wǎng)絡相比，比容易陷入局部最優(yōu)值并且收斂速度更快，程序耗時更短。

（3）由于地鐵盾構施工方法的特殊性，任何施工不當都有可能會對地面下的管線設施造成破壞，也可能危及地面上車輛行人的安全。因此在地鐵盾構施工過程中進行實時監(jiān)測并對累計沉降量進行預測具有重要意義。徑向基神經(jīng)網(wǎng)絡預測方法在其他類型的變形預測中也有很好的推廣價值。

參考文獻

[1] 謝雄耀，李軍，王強.盾構施工地表沉降自動化監(jiān)測及數(shù)據(jù)移動發(fā)布系統(tǒng)[J].巖土力學，2016（S2）：788-794.

[2] 趙建飛，張俊中，李東輝，等.加權GM（1.1）模型在地鐵沉降監(jiān)測中的應用[J].測繪與空間地理信息，2015（5）：56-58.

[3] 郝飛.基于時序思想BP網(wǎng)絡的地鐵地表沉降預測[J].山西建筑，2016，42（20）：170-172.

[4] 黃祿文，劉海卿.建筑物基礎沉降徑向基神經(jīng)網(wǎng)絡預測[J].遼寧工程技術大學學報，2016（8）：836-840.