论文部分内容阅读
摘要：信息化施工是建筑基坑工程的重要环节，对于确保基坑安全顺利进行非常重要，其中以数据的分析预报是其关键。基坑工程是一个非线性系统，提出利用灰色神经网络作为基坑信息化施工中的数据分析预报工具，实例结果显示该方法具有良好的预测能力，可以有效地指导施工。
关键词：建筑基坑；信息化施工；灰色神经网络模型
1 引言
随着我国经济的快速发展，城市高层建筑和地下结构越来越多，从而导致基坑工程数量的急剧增长。在设计和施工经验不断积累和丰富的同时，不断出现基坑事故，对国民经济和人民生命财产安全都造成了重大损失。这些事故都与基坑变形的监测不利和险情预报不准有直接和间接的关系，因此建筑深基坑工程开挖过程中采用信息化施工对深基坑进行有效的监测，同时对监测数据进行科学的处理和及时的预报对于控制基坑事故的发生是非常有必要的。由于灰色神经网络模型的趋势性和非线性分析能力，本文将其作为基坑工程信息化施工中的变形数据处理工具。实例应用结果显示该模型具有较高的预测精度，能反映基坑位移的非线性发展规律，具有较高的工程应用价值。
2 建筑基坑变形分析模型
选择一个优秀的数据分析和变形趋势预测模型对于信息化施工的成败非常关键。由于灰色神经网络模型的趋势性和非线性分析能力，本文将其作为基坑工程信息化施工中的变形数据处理工具。
2.1 灰色系统模型
取 为GM(1,1)建模序列 ， 为 的AGO序列， 为 的均值序列，GM(1,1)模型的定义型，即其灰微分方程模型为
其中a为发展系数，b为灰作用量，是微分方程的参数。
灰微分方程白化型为
由最小二乘法，可得参数
其中
，
GM(1,1)模型的白化型响应式为
，
2.2 BP人工神经网络模型
人工神经网络是由大量称为神经元或节点的简单信息处理元件组成。多层节点模型与误差反向传播（error back propagation，BP）算法是目前一种比较成熟而又应用最广泛的人工神经网络模型和算法。人工神经网络拟合序列有几个潜在的优点：首先，人工神经网络具有模仿多种函数的能力，包括非线性函数、分段函数等；其次，不像传统的数据序列辨识方法必须事先假设数据间存在某种类型的函数关系，人工神经网络能利用所提供的数据变量自身属性或内涵建立相关的函数关系式，而且不需要预先假设基本的参数分布；再次，该方法信息利用率高，而且避免了系统数据辨识方法在序列累加时因正负抵消而产生信息失真的现象。因此，人工神经网络模型特别适合于对灰色预测模型进行残差修正[1]。本文利用的是一个三层BP网络，由一个输入层、一个隐含层和一个输出层构成。整个训练过程由正向和反向传播过程组成。
2.3 灰色神经网络模型
设有原始基坑变形数据 利用灰色预测模型建立模型可得模拟值 ，原始数据 与灰色预测模型模拟值 之差称为残差，记为 。
1）建立残差序列的BP神经网络模型
基坑位移残差神经网络模型输入层对应灰色预测模型基坑变形模拟值，输出层对应于残差值。采用上述BP算法，通过沉降模拟序列，残差序列训练这个网络，使不同的输出向量得到相应的输出量值（经实践检验值）。训练好的BP网络模型可以作为残差预测的有效工具。
2）确定残差的新预测值
对灰色预测模型沉降预测值进行BP神经网络预测得出残差补偿值 ，在此基础上构造新的预测值 ，
则 便是灰色神经网络模型的预测值。
3 实例分析
南京市中医院全国肛肠中心楼位于金陵路1号。该工程基坑支护采用钻孔灌注桩加单层钢筋混凝土支撑、深搅桩止水的支护形式。在开挖过程中要对基坑的变形进行监测，所以在不同地段设置了支护结构（压顶圈梁）的水平位移、基坑周边建筑物的沉降变形、基坑内支撑立柱桩的沉降、深层水平位移（测斜）、支撑轴力、结构围护桩身应力等监测点。现选择7号点水平位移资料进行预测，7号点的监测数据为压顶圈梁水平位移量，每次监测间隔时间为2天[2]。
首先在这里需要指出的是文献[2]中在建立灰色预测模型时，对原始数据进行了累加，而实际上原始位移数据就是一种累加性质的数据，并且其具有递增的特点，因此无需对其进行累加，即建立直接灰色预测模型，其精度通常高于普通GM(1,1)模型。此时前面建立模型所指的原始数据便是建模数据的一次累减序列。
其次文献[2]中也指出了灰色预测模型并不适合于长期预测，因此需要建立动态递补模型或新陈代谢模型，即随着预测的进行，去掉最老的信息，增加最新的信息，因此本文也以此建立动态灰色神经网络模型，每级模型建模数据为6个，预测数据为未来1级数据，预测结果见图1。
图1 灰色神经网络预测结果
从图1可以看出灰色神经网络模型预测效果很好，平均相对误差为0.918%，这说明灰色神经网络能够在一定程度上描述基坑变形的非线性发展，利用优灰色神经网络模型可以作为建筑基坑工程信息化施工数据分析的有力工具。
4 结束语
信息化施工是确保建筑深基坑工程安全顺利进行的有效手段，其中以数据的分析预报尤为重要，是信息化施工中的重要环节。本文根据基坑工程系统的复杂性、非线性，提出利用灰色神经网络作为基坑信息化施工中的数据分析预报工具，并通过实例应用验证了该方法具有良好的预测能力，可以有效地指导施工。
参考文献：
[1] 刘思峰，谢乃明等.灰色系统理论及其应用（第四版）[M].北京：科学出版社，2008.
[2] 胡冬，张小平. 基于灰色系统理论的基坑变形预测研究[J]. 地下空间与工程学报，2009，5(1)：74-77.
[3] 黄巍松，胡翔勇，吉培榮.直接建模与累加建模灰色模型特性的比较[J].武汉水利电力大学(宜昌)学报，
1999，21（4）：323-325.
关键词：建筑基坑；信息化施工；灰色神经网络模型
1 引言
随着我国经济的快速发展，城市高层建筑和地下结构越来越多，从而导致基坑工程数量的急剧增长。在设计和施工经验不断积累和丰富的同时，不断出现基坑事故，对国民经济和人民生命财产安全都造成了重大损失。这些事故都与基坑变形的监测不利和险情预报不准有直接和间接的关系，因此建筑深基坑工程开挖过程中采用信息化施工对深基坑进行有效的监测，同时对监测数据进行科学的处理和及时的预报对于控制基坑事故的发生是非常有必要的。由于灰色神经网络模型的趋势性和非线性分析能力，本文将其作为基坑工程信息化施工中的变形数据处理工具。实例应用结果显示该模型具有较高的预测精度，能反映基坑位移的非线性发展规律，具有较高的工程应用价值。
2 建筑基坑变形分析模型
选择一个优秀的数据分析和变形趋势预测模型对于信息化施工的成败非常关键。由于灰色神经网络模型的趋势性和非线性分析能力，本文将其作为基坑工程信息化施工中的变形数据处理工具。
2.1 灰色系统模型
取 为GM(1,1)建模序列 ， 为 的AGO序列， 为 的均值序列，GM(1,1)模型的定义型，即其灰微分方程模型为
其中a为发展系数，b为灰作用量，是微分方程的参数。
灰微分方程白化型为
由最小二乘法，可得参数
其中
，
GM(1,1)模型的白化型响应式为
，
2.2 BP人工神经网络模型
人工神经网络是由大量称为神经元或节点的简单信息处理元件组成。多层节点模型与误差反向传播（error back propagation，BP）算法是目前一种比较成熟而又应用最广泛的人工神经网络模型和算法。人工神经网络拟合序列有几个潜在的优点：首先，人工神经网络具有模仿多种函数的能力，包括非线性函数、分段函数等；其次，不像传统的数据序列辨识方法必须事先假设数据间存在某种类型的函数关系，人工神经网络能利用所提供的数据变量自身属性或内涵建立相关的函数关系式，而且不需要预先假设基本的参数分布；再次，该方法信息利用率高，而且避免了系统数据辨识方法在序列累加时因正负抵消而产生信息失真的现象。因此，人工神经网络模型特别适合于对灰色预测模型进行残差修正[1]。本文利用的是一个三层BP网络，由一个输入层、一个隐含层和一个输出层构成。整个训练过程由正向和反向传播过程组成。
2.3 灰色神经网络模型
设有原始基坑变形数据 利用灰色预测模型建立模型可得模拟值 ，原始数据 与灰色预测模型模拟值 之差称为残差，记为 。
1）建立残差序列的BP神经网络模型
基坑位移残差神经网络模型输入层对应灰色预测模型基坑变形模拟值，输出层对应于残差值。采用上述BP算法，通过沉降模拟序列，残差序列训练这个网络，使不同的输出向量得到相应的输出量值（经实践检验值）。训练好的BP网络模型可以作为残差预测的有效工具。
2）确定残差的新预测值
对灰色预测模型沉降预测值进行BP神经网络预测得出残差补偿值 ，在此基础上构造新的预测值 ，
则 便是灰色神经网络模型的预测值。
3 实例分析
南京市中医院全国肛肠中心楼位于金陵路1号。该工程基坑支护采用钻孔灌注桩加单层钢筋混凝土支撑、深搅桩止水的支护形式。在开挖过程中要对基坑的变形进行监测，所以在不同地段设置了支护结构（压顶圈梁）的水平位移、基坑周边建筑物的沉降变形、基坑内支撑立柱桩的沉降、深层水平位移（测斜）、支撑轴力、结构围护桩身应力等监测点。现选择7号点水平位移资料进行预测，7号点的监测数据为压顶圈梁水平位移量，每次监测间隔时间为2天[2]。
首先在这里需要指出的是文献[2]中在建立灰色预测模型时，对原始数据进行了累加，而实际上原始位移数据就是一种累加性质的数据，并且其具有递增的特点，因此无需对其进行累加，即建立直接灰色预测模型，其精度通常高于普通GM(1,1)模型。此时前面建立模型所指的原始数据便是建模数据的一次累减序列。
其次文献[2]中也指出了灰色预测模型并不适合于长期预测，因此需要建立动态递补模型或新陈代谢模型，即随着预测的进行，去掉最老的信息，增加最新的信息，因此本文也以此建立动态灰色神经网络模型，每级模型建模数据为6个，预测数据为未来1级数据，预测结果见图1。
图1 灰色神经网络预测结果
从图1可以看出灰色神经网络模型预测效果很好，平均相对误差为0.918%，这说明灰色神经网络能够在一定程度上描述基坑变形的非线性发展，利用优灰色神经网络模型可以作为建筑基坑工程信息化施工数据分析的有力工具。
4 结束语
信息化施工是确保建筑深基坑工程安全顺利进行的有效手段，其中以数据的分析预报尤为重要，是信息化施工中的重要环节。本文根据基坑工程系统的复杂性、非线性，提出利用灰色神经网络作为基坑信息化施工中的数据分析预报工具，并通过实例应用验证了该方法具有良好的预测能力，可以有效地指导施工。
参考文献：
[1] 刘思峰，谢乃明等.灰色系统理论及其应用（第四版）[M].北京：科学出版社，2008.
[2] 胡冬，张小平. 基于灰色系统理论的基坑变形预测研究[J]. 地下空间与工程学报，2009，5(1)：74-77.
[3] 黄巍松，胡翔勇，吉培榮.直接建模与累加建模灰色模型特性的比较[J].武汉水利电力大学(宜昌)学报，
1999，21（4）：323-325.