基于主成分分析和径向基神经网络基坑变形预测.docVIP

基于主成分分析和径向基神经网络基坑变形预测 　　 摘要：基坑变形对周围环境有重要影响，对其预测是工程中的一个难点，选用某地区33组基坑工程监测数据，通过主成分分析确定基坑变形的主要影响因素，采用遗传算法优化的径向基神经网络模型建立基坑变形预测模型，实际工程证明该模型准确可靠，具有较强的实用性。 　　关键词：基坑边形；预测；主成分分析；遗传算法；神经网络 　　Abstract: Predicition of pit deformation is important for construction environment, a new method based on principal component analysis, genetic algorithm and radical basis function model was employed to solve this matter with 33 sample, case show it was reliable and precise. 　　Keywords: pit deformation; prediction; genetic algorithm; artificial neural network 　　中图分类号：TU74 　　引言:随着我国国民经济发展，城市规模不断扩大，受用地空间限制，高层建筑越来越多，建筑基坑工程也越来越多，基坑施工对周边环境具有较大影响，其安全性也越发显得重要[1][2]。基坑变形是基坑是否稳定最直观、最准确也的监测指标。基坑变形受多种因素影响，由于岩土体物理力学性质较为复杂，并且基坑附近应力场在在施工过程不断发生改变，因此基坑变形规律复杂，其预测是工程中的一个重点和难点[3]。 　　主成分分析[4]（Principal Component Analysis，PCA）通过变量线性变换确定起主要作用的重要变量，使复杂问题大大简化。径向基神经网络（Radical Basis Function）具有较强的逼近能力，并且收敛速度较快，采用遗传算法（Genetic Algorithm）对其进行优化可以实现全局寻优。基于上述思想，本文首先采用主成分分析确定基坑变形主要影响因素，而后采用遗传算法优化的径向基神经网络构建基坑变形预测模型，最后通过一个工程实例验证了该模型的实用性。 　　 一、主成分分析 　　某一实际问题可能有众多影响因素，在对其进行系统分析时若考虑所有因素的影响会使问题极为复杂，针对这一问题，引入主成分分析方法，主成分分析方法通过对大量数据的总结对影响因素进行概括和综合，将所有影响因素转化为几个主要影响因素或者确定几个主要影响因素而忽略其他作用较小的因素。 　　二、遗传算法-支持向量机模型 　　1.径向基神经网络 　　基坑变形是一个复杂的非线性问题，线性数学无法对其进行解释，径向基神经网络[5]可以描述复杂的非线性规律，该网络由输入层、隐含层、线性单元层和输出层构成（见图1），通过对训练样本数据的误差分析建立输入变量与输出变量之间的映射关系，其预测结果具有较高的精度，该模型目前已在广泛应用于电力、医学、农业、采矿等领域。 　　 　　 　　 　　图1 径向基神经网络结构图 　　2.遗传算法优化径向基神经网络原理 　　神经网络构建难点在于网络参数设置，其预测精度与参数设置有很大关系，参数设置合理时模型能够反映恰当的实际情况，参数设置不合理时模型会陷入局部最优解，预测结果与实际偏差较大。径向基神经网络最大的优点在于该网络只有一个设计参数ε，因此其参数选择比其他神经网络较为容易。遗传算法[6]通过模拟生物进化过程中的自然选择和个体竞争实现寻优，具有较强的搜索能力，可以实现全局寻优，采用遗传算法优化径向基神经网络可以实现构建最优预测模型，以学习样本数据输出值值与实际值之差的均方和为评价指标对BP模型参数进行评价，其优化过程如下：（1）确定ε可能存在区间；（2）设置评价函数；（3）对ε采取二进制编码，设置初始种群；（4）对染色体进行解码并计算适应度；（5）根据评价准则迭代计算，直至满足终止条件。 　　三、预测模型构建与验证 　　基坑变形包括基坑影响范围内土体沉降、基坑底部土体隆起以及基坑支护结构变形等等，考虑土体沉降对周围环境影响最重要，因此选取该位移作为基坑变形主控指标。 　　1.基坑变形主成分分析 　　基坑变形影响因素众多，主要包括场地工程地质条件、地下水深度、基坑深度、几何形状、支护结构形式、基坑开挖方式等等。采用数学建模对基坑变形预测需要对影响因素进行量化，但如果将上述因素全部量化用于构建基坑变形预测模型会使问题极为复杂，因此有必要采用主成分分析对该问题进行简化。 　　选取某地深度为6.2至