基于神经网络的深基坑开挖监测数据处理方法

基于神经网络的深基坑开挖监测数据处理方法

1基坑工程监测的必要性目前，公共交通的发展正在加速，尤其是地铁的建设。地铁施工中诸多车站深基坑开挖对周边环境保护是工程界面临的重要课程之一。在基坑工程中,由于地质条件、荷载条件、施工条件和外界其它因素的影响,使其成为一个灰色、模糊、随机的工程问题。也就是说,预先通过理论设计确定施工参数有很大困难,所以在理论分析指导下有计划地进行现场工程监测十分必要。工程实践表明,施工监测避免了大量工程事故,取得了良好的社会经济效益。基坑工程施工中,对监测数据处理和分析,进而提取有价值的信息点是一个难题。地铁车站深基坑开挖中,由于挡墙位移引起周围环境的欠地层损失,这种损失通过监测表现为地表测点的沉降与偏移,从而危及周边建(构)筑物的安全和基坑本身的稳定性。如周围建筑物产生裂缝,邻近区间隧道产生过大变形等。我们所获得的各种监测信息究竟与以上影响有什么定性和定量关系,很难用理论来回答,因为其数学模型的描述是复杂而模糊的。但这其中的一一映射关系是客观存在的,只不过是一种高度的非线性映射,很难进行事前的理论设计。基坑周围测点所反馈的地表沉降与挡墙偏移信息应该说已经确定了一定的施工工况,这一工况对周围环境就有一定的影响力,也反映了基坑自身的安全性。如何确定这一客观存在的映射关系,本文拟从另一个角度提出一种方法。2网络映射能力及关于特性用传统建模方法不能描述的复杂工程问题,神经网络模型却有其相对优势。由于它简单模拟人脑神经元工作的部分机理,具有高度的非线性变换能力,通过一定的学习算法,完全有可能掌握通过数据表现客观存在的复杂映射关系。它不同于纯数学的多元拉格朗日插值或多元函数曲线拟合及普通的回归分析方法。这里有必要叙述一下Kolmogorov定理,以证明神经网络的高度映射能力。给定任一连续函数f:Un→Rm,f(X)=Y,这里U是闭单位区间,则可以精确地用一个三层前向网络实现,此网络的第一层(即输入层)有n个处理单元,中间层有(2n+1)个处理单元,第三层(即输出层)有m个处理单元。该模型建立过程中,最关键的一步就是网络输入参数的选择问题。首先应从工程实践出发深刻分析问题本身,综合确定影响因素。所选定的参数必须包含确定模型所需的全部信息。比如采用较少的测点数据是不能反映一定的施工工况的,也就不能建立一一对应的映射关系。另外一个问题是输入模式的对数应尽可能的多,随着预测的进行,新的模式对应加入网络的学习训练。因为映射关系是客观存在的,数据假设实测是可靠的。所以从逻辑上说模型不可能是矛盾方程组;而所应避免的是欠定方程组,因为它得不出一一映射关系。关于基坑开挖来说,主要监测信息是测斜、地下水位测试、围护结构墙顶位移、围护结构外侧地表土体位移和周边环境建筑物沉降观测等,其中测斜是关键信息,因为它能综合反映基坑变形情况,测斜变形速率直接反映了基坑的稳定性。所以在用神经网络模型评估基坑稳定性时,与测斜有关的各种参数一定要作为网络的输入参数。3累积误差逆传播学习流行的误差逆传播学习(ErrorBack-Propagation)简称BP算法,仅仅实现了代价函数曲面上的梯度下降。由于非线性隐含单元的存在,代价函数存在多个极小点(局部极小点)。因此梯度下降不能保证求出全局最小。而新兴的简单的遗传算法(GA)全局最优搜索在很多情况下不是十分有效,因为GA的寻找过程是随机的,带有一定程度的盲目性和概率性,即使已经到达最优点的附近也可能“视而不见”与其“擦肩而过”。于是本文采用一种新的网络学习算法——遗传BP算法,引入BP算法的梯度信息后将避免这种现象。传统的遗传算法是源于达尔文的自然选择理论,而遗传BP算法里源于Lamarck的进化理论。在遗传算法中附加一个BP局部优化器,在每个后代进入种群前,采用BP算法进行局优运算。交叉和变异产生的解通常会在局优子空间之外,但是BP局部优化器可以修补这些解,使之产生的最后的后代在局优子空间内。本文在BP局优运算里不采用流行的标准误差逆传播学习算法,因为它偏离了E上真正的梯度下降,必须选择足够小的学习率。采用累积误差逆传播算法,它可以实现真正的代价函数曲面梯度下降。(1)由EBP算法,定义代价函数:E=12∑k=1m∑j=1q(ckj−okj)2(1)E=12∑k=1m∑j=1q(cjk-ojk)2(1)其中ckjjk,оkjjk分别为第k个模式对的实际输出和期望输出的第j个分量,E同时也是遗传算法里每条染色体的适应值,以反映对样本集的拟合情况。(2)根据梯度下降现则:ΔWBCij=−α∂E∂Wij=∑k=1m(−α∂EK∂Wij)(2)ΔWABij=−β∂E∂Wij=∑k=1m(−β∂EK∂Wij)(3)ΔWijBC=-α∂E∂Wij=∑k=1m(-α∂EΚ∂Wij)(2)ΔWijAB=-β∂E∂Wij=∑k=1m(-β∂EΚ∂Wij)(3)其中Wij为连接权矩阵;A,B,C为输入层,中间层,输出层;α,β为学习率。(3)遗传BP算法:把WABBA,WBCCB,θB,θC组成一个大的连接权矩阵,称为一条染色体;每一个权值或阈值称为一个基因,采用实数编码,分别定义算术交叉、变异,以避免二进制编码的繁琐。具体步骤如下:①随机产生N组不同实数区间内取值的初始网络权值;②用BP算法对这N组初始权值分别进行预训练,若经过预训练后这N组权值中至少已有一组满足精度要求,则算法结束,否则转入步骤③;③分别依据经过预训练的上述N组权值所对应的上下限确定取值区间,在区间内随机产生r×N组新的权值,连同经过预训练的上述N组权值一起,构成扩大的采样基因群体,共(r+1)×N组;④对采样空间的(r+1)×N条染色体进行交叉、变异等遗传操作;⑤如果经过步骤的操作已至少得到一组满足精度要求的权值,则算法结束;否则自然选择N组较好的替换初始群体,回复到步骤②。以上就是一个优生优育的神经网络。4类型化及差异问题的解析解神经网络用于工程领域与其它方面有所不同的是必须考虑数值稳定性。因为输入参数是通过观测得来的,难免带有误差;计算机的有限字长还会产生舍入误差,数值计算方法的稳定与否会影响到初值误差,舍入误差的前向传播增长,数值不稳定的算法是不能使用的。网络关于初值稳定的实际含义是:若输入层存在误差,则由它引起的以后各隐含层及输出层上的误差不超过原始误差的常数倍。因此只要初始误差充分小,以后各层的误差就可以充分小。以下作详细推导:在神经网络计算中使用矩阵语言是方便的,所以下面全部采用矩阵记法。设输入短量V=[ν1,ν2,…νn]T,输入误差矢量ΔV=[Δν1,Δν2,…Δνn]T;连接权矩阵W=[w1,w2,…wm]T,其中wi为n维行向量,阈值矢量θ为m维列向量;神经元状态矢量U(列向量),ΔU为由ΔV引起的传递误差列向量,f(X)=(1+e-X)-1。U=f(W*V+θ)(6)U+ΔU=f(W*(V+ΔV)+θ)(7)U=f(W*V+θ)(6)U+ΔU=f(W*(V+ΔV)+θ)(7)(7)式中:ΔU=f(W*V+θ+(W*ΔV))-f(W*V+θ)=(A*W)*ΔV(8)式中:A为m阶对角阵,Aij=ai(下标表示矩阵的元素);α=f(1)(W*V+θ),为m维列向量,其中f(1)为f的一阶导数;*表示矩阵相乘。而f(1)(x)=e−x(1+e−x)2≤1f(1)(x)=e-x(1+e-x)2≤1是不会放大初值的。设(A*W)=H,则(8)式可写成如下格式:ΔU=H*ΔV(9)ΔU=Η*ΔV(9)根据差分方程稳定性理论,(9)式按Euclid范数或最大范数稳定的充要条件是:存在M使得∥Hk∥≤M(10)∥Ηk∥≤Μ(10)(10)式对任何k≤(网络层数-1)成立。由此得到一个实用的判据(必要条件):ρ(H)≤1+M1τ(11)ρ(Η)≤1+Μ1τ(11)式中р(H)为矩阵的谱半径。因为可把程序编在MATLAB中,所以(11)式的实现是较容易的。由此可见,得出解之后应按(11)式进行判断,若不满足则有可能误差淹没真解,表明得出的映射关系受初值影响过大,是不可靠的。而一般三层前馈网络,误差传播的历程不会太长,是可取的。5测点沉降值f位移值f上海地铁明珠二线车站采用全信息化施工,本着“理论导向、量测定量、经验判断、精心监控”的原则。所采集的监测数据比较完善,利于神经网络模型的实现,本文用此方法做了一些有益的尝试。以地下连续墙测斜孔的测斜曲线f(x)与坐标轴所围面积值(见图1)代表环境土层的欠地层损失作为网络的输入参数之一,还有测斜最大水平位移,另外以本次测斜值变化曲线与坐标轴所围面积(图2)作为输入参数之二以反映基坑整体稳定性,还有每天最大变化量,再加上地下连续墙墙顶位移G及其日均变化量和若干邻近地表测点F位移值,综合表示一定的施工工况。预测值即网络的输出值选为邻近基坑一居民房的测点沉降值。基坑安全性,定义为区间的值,1代表绝对安全,0代表出现的险情(图3)。由于对不同的邻近建筑所选测斜孔不一样,实际预测时样本集很复杂,这里不再一一列出。只叙述总体思路,其中基坑的稳定性预测是关键。结合多年实践经验,基坑围护墙测斜:对于只存在基坑自身安全性的测试,最大位移一般取80mm,每天最大变化量不超过10mm。对于周围有需严格保护构筑物的基坑,应根据保护对象的等级和要求来确定。墙顶隆起或沉降不得超过10mm,每天发展不超过2mm等。这些都是从某单一数据判断基坑的稳定性,但都代表了人的经验和智慧,而神经网络通过学习训练完全可以掌握它,具有所谓的人工智能,从各种数据信息的整体出发,综合评判,更准确,也避免了人为的盲目性。在生成样本集时,居民房的测点沉降值用初期的实测值;基坑安全性指标根据样本集输入值所描述的工况由专家会诊并结合规范确定,以充分利用专家的知识来训练网络,样本集生成后用遗传BP算法训练网络,使之具有人工智能,然后将选取的监测值输入训练好的网络,以判断基坑的整体稳定性并预测沉降值。这里给出某一段时间内某一居民房的测点沉降预测值(图4)和基坑的整体稳定性预测值(图5)以供参考,两图对比可以看出房屋测点沉降预测最大值与基坑稳定性最差的日期是相吻合的,且险情经处理后基坑稳定性明显得到提高,避免了事故的发生。与初期实测值比较,其精度是可用的,且具有速度快,易操作,经济性好的优点。基坑安全性的评估更避免了人为判断的随机性和盲目性。根据网络的评估,再结合一定工程经验,可以主动检查施工,防患于未然,其前景是好的。6地铁车站深基坑施工监测数据处理工作中应用bp算法的必要性(1)本文针对当前大城市地铁车站等深基坑施工中监测数据处理分析问题,提出了遗传BP人工神经网络的智能方法。实例分析表明,该方法具有预测速度快、精度高、实用性强、经济性好的特点,是地铁车站信息化施工管理的有效工具,在工程中具有借鉴意义。(2)由于现场测量数据一般都不可避免的带有误差,所以本文首次提出并着重分析了人工神经网络的初