基于RBF径向基神经网络深基坑周边构筑物沉降趋势量预测.pdfVIP

第24卷增刊 徐州工程学院学报(自然科学版) 2009年11月 Institute Sciences Nov．2009 V01．24 JournalofXuzhou of Edition) Suppl． Techology(Natural 基于RB F径向基神经网络的深基坑周边构筑 物沉降趋势量预测 王大新 (南京建力剜绘勘幂院，南京211500) 摘 要：根据已有实测的基坑周边构筑物沉降变形监测数据资料，以连续At时间内的现场变形 监测值为RBF径向基神经网络输入单元，以未来时间的变形值为输出单元，建立能够预测其后期发展 趋势大小的神经网络预测模型，并根据实测资料验证了该模型的准确性，从而为动态化设计和信息化 施工提供参考和依据。 关键词：人工神经网络；RBF径向基神经网络；深基坑；沉降趋势量 中图分类号：TU46+3文献标志码：A文章编号：1674—358X(2009)SI一0087—07 0 引言 近年来愈来愈多的专家学者和工程技术人员认识到现场监测及其预报的重要性，并提出了动态设计与信息 化施工方法111。由于基坑工程现场监测的时间序列数据中蕴含着系统演化的信息。所以期望能从这些数据中找出 其蕴含的内在规律性，并用已知的观测数据来预测系统未来的发展动态，也即利用施工工程中监测的信息来预 测可能引起的过量的变形、位移和土体或结构潜在的失稳、破坏，进而反馈于原设计，及时调整施工方案或采 取应急对策。简言之，信息化施工最关键的环节就是利用前期工程监测数据进行后期预测预报。基坑是分层分 段开挖的，初期开挖的基坑监测数据由于数量较少，不能有效建立预报所需的模型，但可作为建模的原始数据， 随着基坑开挖的进展，不断收集数据，建模与预报必须同时进行。 影响基坑变形的因素很多，各种因素的影响程度又很难确切表达，但它们的影响结果综合反映在所监测的 变形量中。所以，各种回归分析、灰色预测等方法进行基坑变形的预测常常误差较大。神经网络具有自适应性、 非线性、学习功钱及容错性强等特点，特别适合于处理各种非线性阉题，而在神经网络中，各种输入输出模式 的关系信息是分布式存储于网络的连接权中，这些关系信息又是通过对已有知识的学习而自动获得的，没有人 为的主观推断，所以它能更真实地反映基坑系统的输入输出关系，这正是神经网络预测精度高于其它方法的主 要原因。因此可以说神经网络是解决基坑施工变形预测问题的最有效方法之一。本文在分析建立基坑变形时间 序列预测模型的原理和方法的基础上，结合本人作过的工程实例进行了建模预测，预测结果与实测结果很吻合， 取得了良好的效果。 1 RBF径向基神经网络模型的设计 人工神经网络工具箱是在MATLAB环境下开发出来的许多工具箱之一。它以神经网络理论为基础，用 MATLAB语言构造出典型神经网络的激活函数，如：s型、线性、饱和线性等激活函数，使设计者对所选定网 络输出的计算，变成对激活函数的调用。另外，根据各种典型的修正网络权值的规则，加上网络的训练过程， 在MATLAB环境下编写出各种网络权值训练的子程序，直接调用即可，非常方便。 目前，神经网络模型有百余种12,3,41，构造的方法也是多种多样。一般将神经网络分为以下四种类型：前馈型、 Basis 型和RBF(RadialFunction)网络模型。BP网络模型用于函数逼近时，权值的调节采用负梯度下降法，这种 调节权值的方法有它的局限性，即存在着收敛速度慢和局部极小等缺点；而RBF网络模型无论在逼近能力、分 类能力和学习速度等方面均优于BP网络模型。RBF网络模型由三层组成，其模型结构如图l所示。输入层节点 只是将输入信号传递到隐层，隐层节点通常是由基函数构成，而输出层节点通常是简单的线性函数。隐层节点 收稿日期：2009-09—20 作者简介：王大新(1966-)．男，高级工程师、注衙土未工程师(岩土)、苴理工程井、一级建适师、房地产估价师。 中的基函数(核函数)对输入信号在局部产生影响，即当输入信