论文部分内容阅读
摘 要：利用径向基神经网络构建起前N期沉降量与N+1沉降量之间存在的非线性关系，从而实现径向基神经网络对地铁隧道施工上方地面沉降量预测的功能。利用成都地铁7号线某盾构区间地面的沉降监测数据建立RBF預测模型并且与BP预测模型进行对比。仿真实验结果表明，RBF预测模型预测结果的平均误差率、误差中误差、迭代次数均小于BP神经网络，说明了RBF神经网络在地铁沉降预测分析中的有效性、优越性。
关键词：地铁盾构施工 沉降预测 RBF神经网络
中图分类号：TU43 文献标识码：A 文章编号：1672-3791（2017）07（b）-0093-02
地铁盾构法施工已成为当前城市地铁隧道施工的一项重要技术，它是指在地面下暗挖隧道的一种施工方法[1]。随着地铁盾构施工的进行，必然会对周围土质应力情况造成影响，进而引起施工隧道上方地面的变形。变形严重时，将会对地下管线设施、地面道路、周围建筑物等造成严重破坏[2]。因此在地下盾构施工的过程中，对地面变形进行实时监测，构建起形变预测模型，从而对施工预警防护工作提供指导，这对于地铁盾构安全施工是十分有必要的。
人工神经网络是一种具有适应外界条件能力的系统，具有强大的自护学习能力，能够建立起自变量和应变量之间高度非线性映射关系，因此人工神经网络常用于工程的变形监测预测当中[3]。其中径向基（RBF）神经网络具有收敛速度快且唯一最佳逼近的特点，因此该文选取RBF神经网络作为地铁盾构施工上方地面变形的预测模型。通过所建立的RBF预测模型得到沉降预测值与实测值进行对比，可验证RBF预测模型的可行性与精确性。
1 径向基神经网络的原理与结构
径向基神经网络设计原理与BP神经网络截然不同。其中径向基神经网络的隐藏层将输入数据进行变换，将非线性问题从低维投射到高维从而变得线性可分。这样就避免了BP神经网络中容易陷入局部最优值的缺点。此外径向基神经网络还具有结构简单，训练简洁并且收敛速度快的优点。理论上径向基神经网络能够逼近任意非线性函数[4]。
径向基神经网络是一种前馈神经网络，网络结构分为输入层、隐含层和输出层三层。输入层由输入信号源节点组成。隐含层节点数由问题需求而定，隐含层中的转换函数即径向基函数是对中心点径向对称且衰减的非负非线性函数。与其他向前型网络不同，径向基神经网络的转换函数为局部响应函数。常用的高斯径向基函数可表示为：
2 基于径向基神经网络的沉降预测
2.1 工程区概况
以成都地铁7号线某盾构区间左线地面沉降为例。采用二等水准测量规范对监测点进行高程测量，每24 h的监测次数由沉降速率来决定，沉降速率快则相应要提高监测频率。从2016年5月28日开始至6月16日结束，对18号监测点进行了35期沉降数据采集。利用Matlab软件构建RBF预测模型，其中利用前30期數据构建模型对后5期数据进行仿真预测，将得到的预测值与实测值进行比较，分析RBF预测模型的预测效果。
2.2 仿真预测
该文选取了18号监测点的数据，建立预测模型，并对最后五期监测数据进行预测。同时我们将RBF神经网络预测模型与BP神经网络的预测结果进行对比，分析RBF模型的精度及优越性。
表1记录了18号监测点31～35期数据实测值与预测值的对比。表中RBF神经网络各期预测值的误差率均小于同期BP神经网络的预测结果，这说明RBF神经网络在地铁盾构施工地表沉降的预测中，绝对预测精度要高于BP神经网络预测方法。表2则记录了两种预测算法在两次预测过程当中预测值的中误差，以及迭代至收敛所需要的次数。可以看出，RBF神经网络后五期预测值的中误差为0.22，小于BP神经网络的0.74，说明RBF神经网络预测值的精确度更高。此外从迭代次数能够看出RBF神经网络的收敛速度也优于BP神经网络。
3 结论
（1）Matlab所构建的径向基神经网络预测模型预测值的平均误差率为0.98%，远低于BP神经网络预测模型的4.21%，而且径向基神经网络预测模型预测值中误差比BP神经网络预测值中误差降低了71.43%。各项精度指标证明径向基神经网络更适用于地铁盾构施工地表沉降预测当中。
（2）径向基神经网络与BP神经网络相比，比容易陷入局部最优值并且收敛速度更快，程序耗时更短。
（3）由于地铁盾构施工方法的特殊性，任何施工不当都有可能会对地面下的管线设施造成破坏，也可能危及地面上车辆行人的安全。因此在地铁盾构施工过程中进行实时监测并对累计沉降量进行预测具有重要意义。径向基神经网络预测方法在其他类型的变形预测中也有很好的推广价值。
参考文献
[1] 谢雄耀，李军，王强.盾构施工地表沉降自动化监测及数据移动发布系统[J].岩土力学，2016（S2）：788-794.
[2] 赵建飞，张俊中，李东辉，等.加权GM（1.1）模型在地铁沉降监测中的应用[J].测绘与空间地理信息，2015（5）：56-58.
[3] 郝飞.基于时序思想BP网络的地铁地表沉降预测[J].山西建筑，2016，42（20）：170-172.
[4] 黄禄文，刘海卿.建筑物基础沉降径向基神经网络预测[J].辽宁工程技术大学学报，2016（8）：836-840.
关键词：地铁盾构施工 沉降预测 RBF神经网络
中图分类号：TU43 文献标识码：A 文章编号：1672-3791（2017）07（b）-0093-02
地铁盾构法施工已成为当前城市地铁隧道施工的一项重要技术，它是指在地面下暗挖隧道的一种施工方法[1]。随着地铁盾构施工的进行，必然会对周围土质应力情况造成影响，进而引起施工隧道上方地面的变形。变形严重时，将会对地下管线设施、地面道路、周围建筑物等造成严重破坏[2]。因此在地下盾构施工的过程中，对地面变形进行实时监测，构建起形变预测模型，从而对施工预警防护工作提供指导，这对于地铁盾构安全施工是十分有必要的。
人工神经网络是一种具有适应外界条件能力的系统，具有强大的自护学习能力，能够建立起自变量和应变量之间高度非线性映射关系，因此人工神经网络常用于工程的变形监测预测当中[3]。其中径向基（RBF）神经网络具有收敛速度快且唯一最佳逼近的特点，因此该文选取RBF神经网络作为地铁盾构施工上方地面变形的预测模型。通过所建立的RBF预测模型得到沉降预测值与实测值进行对比，可验证RBF预测模型的可行性与精确性。
1 径向基神经网络的原理与结构
径向基神经网络设计原理与BP神经网络截然不同。其中径向基神经网络的隐藏层将输入数据进行变换，将非线性问题从低维投射到高维从而变得线性可分。这样就避免了BP神经网络中容易陷入局部最优值的缺点。此外径向基神经网络还具有结构简单，训练简洁并且收敛速度快的优点。理论上径向基神经网络能够逼近任意非线性函数[4]。
径向基神经网络是一种前馈神经网络，网络结构分为输入层、隐含层和输出层三层。输入层由输入信号源节点组成。隐含层节点数由问题需求而定，隐含层中的转换函数即径向基函数是对中心点径向对称且衰减的非负非线性函数。与其他向前型网络不同，径向基神经网络的转换函数为局部响应函数。常用的高斯径向基函数可表示为：
2 基于径向基神经网络的沉降预测
2.1 工程区概况
以成都地铁7号线某盾构区间左线地面沉降为例。采用二等水准测量规范对监测点进行高程测量，每24 h的监测次数由沉降速率来决定，沉降速率快则相应要提高监测频率。从2016年5月28日开始至6月16日结束，对18号监测点进行了35期沉降数据采集。利用Matlab软件构建RBF预测模型，其中利用前30期數据构建模型对后5期数据进行仿真预测，将得到的预测值与实测值进行比较，分析RBF预测模型的预测效果。
2.2 仿真预测
该文选取了18号监测点的数据，建立预测模型，并对最后五期监测数据进行预测。同时我们将RBF神经网络预测模型与BP神经网络的预测结果进行对比，分析RBF模型的精度及优越性。
表1记录了18号监测点31～35期数据实测值与预测值的对比。表中RBF神经网络各期预测值的误差率均小于同期BP神经网络的预测结果，这说明RBF神经网络在地铁盾构施工地表沉降的预测中，绝对预测精度要高于BP神经网络预测方法。表2则记录了两种预测算法在两次预测过程当中预测值的中误差，以及迭代至收敛所需要的次数。可以看出，RBF神经网络后五期预测值的中误差为0.22，小于BP神经网络的0.74，说明RBF神经网络预测值的精确度更高。此外从迭代次数能够看出RBF神经网络的收敛速度也优于BP神经网络。
3 结论
（1）Matlab所构建的径向基神经网络预测模型预测值的平均误差率为0.98%，远低于BP神经网络预测模型的4.21%，而且径向基神经网络预测模型预测值中误差比BP神经网络预测值中误差降低了71.43%。各项精度指标证明径向基神经网络更适用于地铁盾构施工地表沉降预测当中。
（2）径向基神经网络与BP神经网络相比，比容易陷入局部最优值并且收敛速度更快，程序耗时更短。
（3）由于地铁盾构施工方法的特殊性，任何施工不当都有可能会对地面下的管线设施造成破坏，也可能危及地面上车辆行人的安全。因此在地铁盾构施工过程中进行实时监测并对累计沉降量进行预测具有重要意义。径向基神经网络预测方法在其他类型的变形预测中也有很好的推广价值。
参考文献
[1] 谢雄耀，李军，王强.盾构施工地表沉降自动化监测及数据移动发布系统[J].岩土力学，2016（S2）：788-794.
[2] 赵建飞，张俊中，李东辉，等.加权GM（1.1）模型在地铁沉降监测中的应用[J].测绘与空间地理信息，2015（5）：56-58.
[3] 郝飞.基于时序思想BP网络的地铁地表沉降预测[J].山西建筑，2016，42（20）：170-172.
[4] 黄禄文，刘海卿.建筑物基础沉降径向基神经网络预测[J].辽宁工程技术大学学报，2016（8）：836-840.