基于粒子群算法優(yōu)化最小二乘支持向量機在基坑施工過程中周圍環(huán)境沉降預測研究

任海龍 REN Hai-long；張潔 ZHANG Jie；馬征 MA Zheng

（①云南工商學院，昆明 651700；②山東海福工程咨詢有限公司，濱州 256600）

0 引言

由基坑施工引發(fā)周圍環(huán)境的沉降是極為復雜且常見的現(xiàn)象，但基坑工程具有時間短、工序復雜、臨空面暴露時間長的特點，這樣會造成周圍環(huán)境的沉降數(shù)據(jù)收集的時間少、樣本數(shù)據(jù)不足等特性，因此，周圍環(huán)境的沉降數(shù)據(jù)是一個小樣本數(shù)據(jù)?，F(xiàn)有研究表明[1]基坑施工對周圍環(huán)境沉降研究的方式、方法對觀測數(shù)據(jù)依賴數(shù)據(jù)的依賴性較大，但現(xiàn)實情況往往不滿足研究條件[2、3]，這就造成因預測精度不高導致的工程事故發(fā)生。基于上述原因，如何在有限的樣本數(shù)據(jù)中尋求內(nèi)在規(guī)律對周圍環(huán)境沉降量的快速、精準預測是十分必要的。對現(xiàn)有研究總結(jié)發(fā)現(xiàn)[4、5]，LSSVM 模型在小樣本數(shù)據(jù)的預測方面具有其優(yōu)越性，但該模型對參數(shù)選擇的依賴性較大，參數(shù)選擇的優(yōu)劣直接影響了該模型的預測精度[6、7]，因此，本文提出了由PSO（粒子群優(yōu)化算法）優(yōu)化LSSVM 模型（最小二乘支持向量機）參數(shù)選擇的一種預測模型。為了驗證模型的可靠性，本文采用某市實測沉降量數(shù)據(jù)對比分析了PSO 算法，遺傳算法等對預測精度進行定量分析。

1 最小二乘支持向量機原理（LSSVM）

式中，ω∈Rnf為超平面的權(quán)值向量，φ（·）為非線性變換映射函數(shù)，將輸入樣本一維數(shù)據(jù)映射到高維特征空間（Rn→Rnf）；b 為偏置量。

根據(jù)結(jié)構(gòu)風險最小化原則，尋找ω 和b 使（2）式最小化，即有：

為求解上式問題，引入拉格朗日函數(shù)：

式中，αi為拉格朗日乘子。

根據(jù)Mercer 條件，核函數(shù)可定義為：

研究表明[8～10]，當驗證數(shù)據(jù)較少時，徑向基核函數(shù)的普適性較強，因此，本文的選取徑向基核函數(shù)作為LSSVM的核函數(shù)，見公式（6）。

式中，σ 為徑向基核函數(shù)的寬度參數(shù)。

常規(guī)方法的LSSVM 模型對懲罰因子和核參數(shù)選擇耗時長[9，10]，本文提出PSO 算法對該模型參數(shù)進行選擇提高效率。

2 PSO 算法

PSO 算法[11、12]是通過在訓練過程中尋求時序數(shù)列的內(nèi)在關(guān)系對自身行為的不斷修正，達到最優(yōu)解的目的。在尋求最優(yōu)解的過程中，根據(jù)式（7）、（8）定位空間速度和位置。

沉降量預測PSO-LSSVM 算法的流程：

①通過已有的研究成果可知[13、14]，應用重構(gòu)后的時序數(shù)列可以極大提高LSSVM 模型的預測精度，因此，本文將沉降量的時序數(shù)列重構(gòu)后進行歸一處理，為預測模型提供樣本數(shù)據(jù)（學習、測試）；

②初始化粒子在空間中的位置和速度；

③計算每個粒子的適應值f（xi），如下：

式中yi為第i 個樣本的實測值，y 為第i 個樣本的預測值，i=1，2，…n 為測試樣本個數(shù)。

④按式（7）和（8）更粒子在解空間中的速度和位置。

⑤對尋優(yōu)條件進行判別，若不滿足返回步驟③重新尋求最優(yōu)解，若條件滿足，則結(jié)束本過程，導出最優(yōu)解。

⑥將所得的參數(shù)代入式（8），得到回歸函數(shù)表達式，利用得出的回歸函數(shù)即可進行沉降量預測研究。

PSO-LSSVM 算法流程如圖1 所示。

圖1 PSO-LSSVM 算法流程圖

3 實例分析

基于上述方法對云南省大理市某基坑周圍環(huán)境的沉降量進行預測，該基坑最大開挖深度13m，支護形式為排樁+土釘墻支護，場地周圍環(huán)境復雜有多條管線和住宅，為保證在基坑施工過程中不對周圍環(huán)境造成較大破壞，對受基坑影響較大的地區(qū)進行監(jiān)測。圖2 為測點布置平面圖。受篇幅限制，本文選取受基坑施工影響最大處兩側(cè)點jk5、jk6 進行詳細說明。以測點jk5、jk6 的2019年1 月到2020年5 月的65 個周期沉降量驗證本文提出模型的預測精度。據(jù)現(xiàn)有研究表明[15]，當樣本集的比例約等于9:1 時，可以保證模型的訓練速度和預測精度。因此，本文以前58 個數(shù)據(jù)作為訓練樣本，以后7 個數(shù)據(jù)作為測試樣本。由于沉降數(shù)據(jù)為時序數(shù)列，本文用互信息法[16]和G-P 法[17]求得jk5 的τ=4，m=4，測點jk6 的τ=6，m=4，依據(jù)BIC 信息準則取K=7。本文選取了優(yōu)化算法中常用算法來進行對比分析，兩種優(yōu)化算法迭代后收斂特性曲線如圖3 所示。

圖2 基坑周圍建筑物示意圖

圖3 jk5 收斂曲線

預測系統(tǒng)的性能通過適應值[18]來綜合反映，從圖3 可看出，PSO 算法可在最少的迭代次數(shù)中找到最優(yōu)解，這就表明了從運算速度和精度來看PSO 算法明顯優(yōu)于GA 算法。以外本文將BP、GA-LSSVM、PSO-LSSVM 這三種模型進行對比，預測效果如圖4、圖5 所示。

圖4 測點jk5 周圍建筑沉降預測

圖5 測點jk6 周圍建筑沉降預測

從圖4 和圖5 可以看出，這三種預測模型在沉降量變化趨勢的擬和上都能有良好的表現(xiàn)，但在局部沉降值的預測存在一定差異。本文依靠絕對誤差（MAPE）作為各預測模型的精度指標，如表1、表2。從表1、表2 可以看出PSO-LSSVM 模型精度最高。從迭代次數(shù)和精度的綜合表現(xiàn)來看本文提出PSO-LSSVM 模型應用于沉降預測上面有良好的預測性和便捷性。

表1 jk5 三種算法對比

表2 jk6 三種算法對比

4 結(jié)論

對在基坑施工過程中周圍環(huán)境沉降預測可以對實際工程有一定的指導作用，可以對在施工過程中基坑周圍環(huán)境起到良好的預警作用，本文提出的PSO-LSSVM 算法提高了沉降量的預測精度，減少LSSVM 模型對參數(shù)的依賴性，根據(jù)本文得出以下結(jié)論：①PSO 算法對LSSVM 模型參數(shù)選取上在速度和精度上展現(xiàn)了優(yōu)越性，為非線性數(shù)據(jù)建模問題提供了新思路。②本文所提出方法在基坑施工過程中周圍環(huán)境沉降值的預測，最小誤差僅為0.9%，具有極高的預測精度。③本位所提出的模型易于實現(xiàn)，為基坑施工過程中沉降問題的研究提供了新思路。