（河南科技大學(xué)應(yīng)用工程學(xué)院，河南 三門峽 472000）

0 引言

地鐵車站深基坑工程由于開挖工期長(zhǎng)、施工難度大、地質(zhì)條件和周邊環(huán)境復(fù)雜、施工過程中各種不確定的因素多等特點(diǎn)，致使地鐵車站深基坑工程施工具有很高的風(fēng)險(xiǎn)性，為了保證工程施工順利實(shí)施，開展變形監(jiān)測(cè)和預(yù)測(cè)工作具有重要的意義。近年來，諸多學(xué)者運(yùn)用時(shí)間序列、灰色系統(tǒng)、ARMA模型、BP 神經(jīng)網(wǎng)絡(luò)等多種方法進(jìn)行基坑監(jiān)測(cè)數(shù)據(jù)的處理及預(yù)測(cè)。BP 神經(jīng)網(wǎng)絡(luò)在非線性映射、自適應(yīng)學(xué)習(xí)、輸入輸出靈活等方面具有優(yōu)良性能，因而被廣泛應(yīng)用于基坑變形預(yù)測(cè)。但通過研究發(fā)現(xiàn)，BP 神經(jīng)網(wǎng)絡(luò)在應(yīng)用過程中出現(xiàn)收斂速度慢、容易陷入局部極小值、隱含層神經(jīng)元不確定等不足，而導(dǎo)致預(yù)測(cè)結(jié)果不理想?；诖耍疚囊脏嵵菔械罔F5 號(hào)線某車站深基坑變形監(jiān)測(cè)實(shí)測(cè)數(shù)據(jù)為基礎(chǔ)，利用GA 遺傳算法在全局尋優(yōu)上的強(qiáng)大搜索能力，優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，避免預(yù)測(cè)過程陷入局部極小，通過工程實(shí)證分析，表明GA_BP組合預(yù)測(cè)模型能夠有效提高預(yù)測(cè)精度。

1 變形預(yù)測(cè)BP 神經(jīng)網(wǎng)絡(luò)

1.1 變形預(yù)測(cè)BP 神經(jīng)網(wǎng)絡(luò)模型簡(jiǎn)介

變形預(yù)測(cè)BP 神經(jīng)網(wǎng)絡(luò)是一種人工神經(jīng)網(wǎng)絡(luò)的誤差逆向傳播訓(xùn)練算法[1]，其學(xué)習(xí)過程由信號(hào)的正向傳播和誤差的反向傳播兩個(gè)過程構(gòu)成，正向傳播時(shí)，在輸入層輸入樣本數(shù)據(jù)，經(jīng)過隱含層處理后，傳向輸出層，若輸出層的實(shí)際輸出與變形監(jiān)測(cè)實(shí)際值不符時(shí)，則轉(zhuǎn)向誤差反向傳播階段，將輸出誤差通過隱含層向輸入層傳播，并將誤差分?jǐn)偨o各層的神經(jīng)元，獲取各層神經(jīng)元的誤差信號(hào)，作為修正各個(gè)神經(jīng)元權(quán)值的重要依據(jù)[2]。BP 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 BP 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

1.2 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的缺陷

BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型算法決定了誤差函數(shù)存在多個(gè)局部極小值，不同的網(wǎng)絡(luò)初始權(quán)值直接決定了BP 神經(jīng)算法在收斂于局部最小值還是全局最小值，則會(huì)產(chǎn)生不同的預(yù)測(cè)結(jié)果。因此，為了得到理想的預(yù)測(cè)結(jié)果，必須通過計(jì)算來確定收斂于全局極小值的網(wǎng)絡(luò)初始權(quán)值，遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)能夠解決初始權(quán)值選取問題。

2 基于遺傳算法的GA-BP 神經(jīng)網(wǎng)絡(luò)

遺傳算法主要基于Darwin 的進(jìn)化論和Mendel 的遺傳學(xué)說，Darwin 的進(jìn)化論的核心觀點(diǎn)是適者生存，Mendel 的遺傳學(xué)說的主要觀點(diǎn)是基因遺傳原理Mendel 的遺傳學(xué)說[3]。它從一組隨機(jī)產(chǎn)生的初始解開始訓(xùn)練、優(yōu)化，通過對(duì)遺傳序列的選擇、交叉以及變異篩選，保留下來適應(yīng)度好的個(gè)體，新的群體不僅繼承了上一代的優(yōu)點(diǎn)，又使得新的群體優(yōu)于上一代，如此反復(fù)循環(huán)，最后收斂于最適應(yīng)環(huán)境的某個(gè)個(gè)體上，既得到了問題的最優(yōu)解[1][4]。遺傳算法的實(shí)施流程圖如圖2所示。

圖2 遺傳算法的實(shí)施流程圖

3 工程案例

3.1 工程概況

鄭州地鐵5 號(hào)線某車站結(jié)構(gòu)型式為地下三層三跨箱型框架結(jié)構(gòu)，島式車站，站臺(tái)寬13m，有效站臺(tái)長(zhǎng)度140m，車站外包總長(zhǎng)170.2m，標(biāo)準(zhǔn)段外包總寬22.3m。車站頂板覆土4.0m，主體結(jié)構(gòu)標(biāo)準(zhǔn)段基坑深24.0m，寬22.3m；盾構(gòu)井段基坑深25.7m，寬26.5m。擬建工程場(chǎng)地屬于A 區(qū)地貌，車站在開挖過程中不可避免會(huì)對(duì)周圍地層、地下管線、建（構(gòu)）筑物等造成影響，為了保證施工期間道路暢通，周邊環(huán)境安全穩(wěn)定以及工程結(jié)構(gòu)自身安全，必須對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)，指導(dǎo)施工和改進(jìn)設(shè)計(jì)方案。

3.2 模型建立

取地面沉降監(jiān)測(cè)點(diǎn)DBC-9-3 2016年3月4日到2016年7月22日的累計(jì)變形監(jiān)測(cè)數(shù)據(jù)作為訓(xùn)練樣本，建立深基坑地表沉降經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型，并運(yùn)用該模型對(duì)DBC-9-3監(jiān)測(cè)點(diǎn)7月29日、8月5日、8月12日的累計(jì)變形量進(jìn)行預(yù)測(cè)。首先利用遺傳算法優(yōu)化BP算法程序?qū)ふ胰肿顑?yōu)解，確定最優(yōu)的初始權(quán)值和閾值，然后利用選取的訓(xùn)練樣本訓(xùn)練該神經(jīng)網(wǎng)絡(luò)，達(dá)到預(yù)設(shè)的約束條件后，利用該模型進(jìn)行預(yù)測(cè)。輸入值為前三期累計(jì)變形量、隱含層節(jié)點(diǎn)數(shù)設(shè)為5、輸出值為第四期累計(jì)變形量，以此類推，迭代次數(shù)設(shè)為200。計(jì)算結(jié)果如表1所示。

表1 GA-BP模型與BP模型回歸值對(duì)比

表2 GA-BP模型與BP模型預(yù)測(cè)對(duì)比

3.3 結(jié)果分析

通過表1、表2可以看出，BP 神經(jīng)網(wǎng)絡(luò)模型模擬最大絕對(duì)誤差值為-4.03mm，最大相對(duì)誤差為19.68%，模擬值相對(duì)誤差平均值為5.84%，相關(guān)系數(shù)R2為0.9690，模型預(yù)測(cè)最大絕對(duì)誤差為1.53mm，最大相對(duì)誤差為3.26%；GA-BP 模型模擬最大絕對(duì)誤差值為-1.96，最大相對(duì)誤差為6.68%，相關(guān)系數(shù)R2為0.9902，模型預(yù)測(cè)最大絕對(duì)誤差為0.82mm，最大相對(duì)誤差為1.76%。從上述數(shù)據(jù)可以看出，GA-BP 神經(jīng)網(wǎng)絡(luò)模型能夠有效提高預(yù)測(cè)精度。

4 結(jié)論

（1）采用經(jīng)過遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)模型來預(yù)測(cè)地鐵車站深基坑施工周邊地表沉降值，誤差小，收斂速度快，證明該模型與方法分析此類時(shí)間序列數(shù)據(jù)有較好的適用性和準(zhǔn)確性。

（2）GA-BP 模型精度很大程度上依靠訓(xùn)練樣本的數(shù)量，訓(xùn)練樣本越多，預(yù)測(cè)精度就越高，應(yīng)該及時(shí)將新的監(jiān)測(cè)信息添加到訓(xùn)練樣本中，及時(shí)更新模型以便得到更好的預(yù)測(cè)效果。