BP 神经网络法在某输气站沉降预测中的应用

旷罛

(上海千年城市规划工程设计股份有限公司，上海　201108)



BP 神经网络法在某输气站沉降预测中的应用

旷罛

(上海千年城市规划工程设计股份有限公司，上海201108)

摘要:介绍了几种常用的沉降预测方法，通过详细系统的试算，建立了适用于沉降预测的BP神经网络模型，并以“川气东送”管道工程某输气站的沉降监测为研究对象，将BP神经网络法与传统的曲线法进行对比分析，论述了各种方法的优劣，明确了BP神经网络法用于沉降预测的可行性。

关键词:输气站，沉降预测，BP神经网络法，软弱地基

1　概述

管道作为流体物质运输的一种特殊方式，在现代工业生产和人民生活中起着重要的作用。管道会由于埋设在软土地基上而产生沉降变形，当管道地基发生沉降尤其是不均匀沉降时，管道就有可能因此产生裂缝、扭曲或者破裂［1］。

“川气东送”某输气站位于江苏省南京市某化工园区内，在站场修建完毕投入运行以后，由于雨季地表水下渗，场区出现沉降现象，场区北部沉降现象尤为明显。所以很有必要对该输气站进行沉降监测及预测。

2　预测沉降的方法

主要的沉降计算方法有:

1)根据固结理论，应用数学方法基于土的本构模型计算沉降［2］;2)根据实测资料，推算出沉降和时间的关系［3］。表1列出了多种常见的根据实测资料推算沉降量的方法。

表1　沉降预测方法分类

一般在荷载稳定后，多采用曲线拟合法或者系统分析法进行预测［4］。

2．1指数曲线法

指数曲线法是指在上部荷载的作用下，假定土体地基沉降量的平均增长速率，以指数曲线形式减少，其数学表达式为:

2．2双曲线法

双曲线法认为沉降量与时间按双曲线递减，其数学表达式为:

2．3皮尔曲线法

皮尔曲线也被称作为生长曲线，该曲线最初是用于反映生物的生长和繁殖过程，其数学表达式为:

3　BP神经网络法

3．1人工神经网络概述

在对人脑的基本认识的基础上，以数学和物理的方法以及信息处理的角度对人脑进行抽象，并建立某种简化模型，就称之为人工神经网络。对生物神经元进行简化描述，就形成了人工神经元，其基本表述如下:

式中:τij——输入输出的突触时延;

Tj——神经元j的阈值;

wij——神经元i到j的权值;

f——神经元j的转移函数。

不同的神经元之所以能够拥有不同的信息处理功能，其中主要的一个原因就是它们的转移函数不尽相同。目前常用的转移函数有如下几种:

1)阈值型转移函数。

单极性阈值转移函数:

双极性阈值转移函数:

2)非线性转移函数。

单极性Sigmoid函数，简称S型函数:

双极性S型转移函数:

3)线性转移函数。

3．2人工神经网络模型

大量的同时也是很简单的神经元，通过互相连接，形成复杂的非线性网络系统，就是神经网络模型，如图1所示。

图1　BP神经网络简图

图1中，每个神经元为一个圆圈，每个神经元之间相互连接，形成一个网络。

3．3BP神经网络概述

BP网络是一种多层前馈神经网络，是人工神经网络中广泛运用的类型［6］。如图1所示，BP神经网络包括:输入层、隐层(中间层)、输出层，上下层之间实现全连接，而每层神经元之间无连

接［5］。

4　BP神经网络沉降预测模型的建立

BP神经网络的设计要素主要包括:输入输出数据的选择、隐含层的层数及每层节点个数的确定、各层转移函数的选取、数据的预处理、训练方法的选择。本文借助MATLAB软件的神经网络工具箱，通过试算来确定最适合本项目的BP神经网络模型。

4．1输入输出数据

本项目数据是沉降监测数据，即时间与沉降量的映射关系，输入数据为时间t，输出数据为对应的沉降量s(t)，从而确定输入层节点个数为1，输出层节点个数为1。

4．2隐含层的层数及每层节点个数

在样本相对来说较少的时候，一个隐含层足以满足要求［5］，因此选择隐含层层数为1。

对于有限个输入输出的映射，并不需要无限个隐层节点。因此存在最佳隐层节点个数，下面的公式可以用于参考:

其中，k为隐层节点个数;n为输入层节点个数;m为输出层节点个数;a为1～10之间的常数。

由上式可以计算得出，隐层的节点个数在2～11之间为宜，后文通过试算进一步确定。

4．3各层转移函数

BP网络中要求转移函数必须可微，本文隐层采用单极性S型函数(logsig)，输出层采用线性函数(purelin)。

4．4数据预处理

在运用数据进行运算时，需要进行数据预处理，数据预处理常常使用归一化方法，如果将数据转换为［0，1］区间，常用以下公式:

4．5训练方法及其参数

根据相关文献及经验，本文选取表2中的几种方法进行试算。

表2　训练方法的比较

4．6试算结果

通过对该输气站设置的“W11号”和“23号”两个监测点进行试算，试算结果如表3，表4所示。

表3　不同训练方法下最佳隐层节点数及其相对误差(一)

表4　不同训练方法下最佳隐层节点数及其相对误差(二)

图2　不同训练方法下最佳隐层节点数及其相对误差柱形图

由图2可以得出，训练方法选取Levenberg-Marquardt算法(对应MTALAB中的trainlm函数)时，BP神经网络模型的计算效果较好，并同时确定最佳隐层节点数为6。

5　各预测方法结果对比

采用上述指数曲线法、双曲线法、皮尔曲线法和人工神经网络法，对该输气站的“W11号”和“23号”监测点的监测数据进行拟合与预测(监测数据为0 d～130 d，130 d之后的为预测数据)，最终结果汇总如下:

1)“W11号”监测点预测结果见图3～图5。2)“23号”监测点预测结果见图6～图8。

图3　“W11号”点各方法相对误差曲线

图4　“W11号”点各方法相对误差平均值柱形图

图5　“W11号”点各方法拟合与预测曲线图

图6　“23号”点各方法相对误差曲线

图7　“23号”点各方法相对误差平均值柱形图

图8　“23号”点各方法拟合与预测曲线

6　结语

1)BP神经网络法对监测值的拟合精度非常高，运用BP神经网络法进行沉降预测是可行的，令人信服的。从预测结果对比得出，各方法从好到差依次为BP神经网络法、双曲线法、指数曲线法、皮尔曲线法。

2)曲线法中双曲线法与指数曲线法其拟合值与监测值均吻合良好。对于该输气站的实际情况，双曲线法的拟合和预测效果要优于指数曲线法。皮尔曲线法拟合效果最差。

3)本文只运用BP神经网络法预测了总共一年时间的沉降量，并未对一年半及两年这两个时间节点进行预测，主要是由于预测过程中发现，假如使用神经网络法进行长期预测，其效果并不理想，预测数据偏差较大，并不符合实际经验。出现这种状况的主要原因在于，预测的时间越长，神经网络的输出就偏离原来的输入数据越远，也就是偏离原来的规律越远，这是神经网络的一大缺陷，即长期泛化能力低下。

因此，坚持实际监测是非常有必要的，这样可以充实输入数据，使沉降的规律性更好的反映出来，以此提高后续预测的准确性。

参考文献:

［1］冷建成，周国强，张国威，等．地基沉降下管道的有限元应力分析［J］．石油矿场机械，2012，41(4):80-83．

［2］ 黎军丰．公路软土路基沉降预测方法综述［J］．科技情报开发与经济，2010，20(14):182-186．

［3］李建初，赵其华，韩刚，等．软土路基沉降预测模型比较研究［J］．地质灾害与环境保护，2012，23(1):25-29．

［4］ 付宏渊．高速公路路基沉降预测及施工控制［M］．北京:人民交通出版社，2007．

［5］ 飞思科技产品研发中心．神经网络理论与MATLAB7实现［M］．北京:电子工业出版社，2005．

［6］ 丛爽．面向MATLAB工具箱的神经网络理论与应用［M］．合肥:中国科学技术大学出版社，2009．

中图分类号:TU433

文献标识码:A

文章编号:1009-6825(2016)17-0070-03

收稿日期:2016-04-03

作者简介:旷罛(1991-)，男，硕士，助理工程师

The application of BP neural network in a gas station settlement prediction

Kuang Chong
(Shanghai Millennium City Planning＆Engineering Design Limited Company by Share，Shanghai 201108，China)

Abstract:This paper introduced several commonly used settlement prediction method，through the detailed system calculation，established the BP neural network model suitable for settlement prediction，and taking the settlement monitoring of a gas station of“Sichuan East Gas Transmission”pipeline project as the research object，made contrast analysis on BP neural network and traditional curve method，discussed the advantages and disadvantages of various methods，cleared the feasibility of BP neural network method used for settlement prediction．

Key words:gas station，settlement prediction，BP neural network，soft foundation