基于GA_BP神经网络的地铁车站深基坑变形预测研究

（河南科技大学应用工程学院，河南 三门峡 472000）

0 引言

地铁车站深基坑工程由于开挖工期长、施工难度大、地质条件和周边环境复杂、施工过程中各种不确定的因素多等特点，致使地铁车站深基坑工程施工具有很高的风险性，为了保证工程施工顺利实施，开展变形监测和预测工作具有重要的意义。近年来，诸多学者运用时间序列、灰色系统、ARMA模型、BP 神经网络等多种方法进行基坑监测数据的处理及预测。BP 神经网络在非线性映射、自适应学习、输入输出灵活等方面具有优良性能，因而被广泛应用于基坑变形预测。但通过研究发现，BP 神经网络在应用过程中出现收敛速度慢、容易陷入局部极小值、隐含层神经元不确定等不足，而导致预测结果不理想。基于此，本文以郑州市地铁5 号线某车站深基坑变形监测实测数据为基础，利用GA 遗传算法在全局寻优上的强大搜索能力，优化BP神经网络，避免预测过程陷入局部极小，通过工程实证分析，表明GA_BP组合预测模型能够有效提高预测精度。

1 变形预测BP 神经网络

1.1 变形预测BP 神经网络模型简介

变形预测BP 神经网络是一种人工神经网络的误差逆向传播训练算法[1]，其学习过程由信号的正向传播和误差的反向传播两个过程构成，正向传播时，在输入层输入样本数据，经过隐含层处理后，传向输出层，若输出层的实际输出与变形监测实际值不符时，则转向误差反向传播阶段，将输出误差通过隐含层向输入层传播，并将误差分摊给各层的神经元，获取各层神经元的误差信号，作为修正各个神经元权值的重要依据[2]。BP 神经网络的拓扑结构如图1所示。

图1 BP 神经网络拓扑结构图

1.2 BP 神经网络预测模型的缺陷

BP 神经网络预测模型算法决定了误差函数存在多个局部极小值，不同的网络初始权值直接决定了BP 神经算法在收敛于局部最小值还是全局最小值，则会产生不同的预测结果。因此，为了得到理想的预测结果，必须通过计算来确定收敛于全局极小值的网络初始权值，遗传算法优化BP 神经网络能够解决初始权值选取问题。

2 基于遗传算法的GA-BP 神经网络

遗传算法主要基于Darwin 的进化论和Mendel 的遗传学说，Darwin 的进化论的核心观点是适者生存，Mendel 的遗传学说的主要观点是基因遗传原理Mendel 的遗传学说[3]。它从一组随机产生的初始解开始训练、优化，通过对遗传序列的选择、交叉以及变异筛选，保留下来适应度好的个体，新的群体不仅继承了上一代的优点，又使得新的群体优于上一代，如此反复循环，最后收敛于最适应环境的某个个体上，既得到了问题的最优解[1][4]。遗传算法的实施流程图如图2所示。

图2 遗传算法的实施流程图

3 工程案例

3.1 工程概况

郑州地铁5 号线某车站结构型式为地下三层三跨箱型框架结构，岛式车站，站台宽13m，有效站台长度140m，车站外包总长170.2m，标准段外包总宽22.3m。车站顶板覆土4.0m，主体结构标准段基坑深24.0m，宽22.3m；盾构井段基坑深25.7m，宽26.5m。拟建工程场地属于A 区地貌，车站在开挖过程中不可避免会对周围地层、地下管线、建（构）筑物等造成影响，为了保证施工期间道路畅通，周边环境安全稳定以及工程结构自身安全，必须对监测数据进行预测，指导施工和改进设计方案。

3.2 模型建立

取地面沉降监测点DBC-9-3 2016年3月4日到2016年7月22日的累计变形监测数据作为训练样本，建立深基坑地表沉降经遗传算法优化的BP神经网络模型，并运用该模型对DBC-9-3监测点7月29日、8月5日、8月12日的累计变形量进行预测。首先利用遗传算法优化BP算法程序寻找全局最优解，确定最优的初始权值和阈值，然后利用选取的训练样本训练该神经网络，达到预设的约束条件后，利用该模型进行预测。输入值为前三期累计变形量、隐含层节点数设为5、输出值为第四期累计变形量，以此类推，迭代次数设为200。计算结果如表1所示。

表1 GA-BP模型与BP模型回归值对比

表2 GA-BP模型与BP模型预测对比

3.3 结果分析

通过表1、表2可以看出，BP 神经网络模型模拟最大绝对误差值为-4.03mm，最大相对误差为19.68%，模拟值相对误差平均值为5.84%，相关系数R2为0.9690，模型预测最大绝对误差为1.53mm，最大相对误差为3.26%；GA-BP 模型模拟最大绝对误差值为-1.96，最大相对误差为6.68%，相关系数R2为0.9902，模型预测最大绝对误差为0.82mm，最大相对误差为1.76%。从上述数据可以看出，GA-BP 神经网络模型能够有效提高预测精度。

4 结论

（1）采用经过遗传算法优化的BP 神经网络模型来预测地铁车站深基坑施工周边地表沉降值，误差小，收敛速度快，证明该模型与方法分析此类时间序列数据有较好的适用性和准确性。

（2）GA-BP 模型精度很大程度上依靠训练样本的数量，训练样本越多，预测精度就越高，应该及时将新的监测信息添加到训练样本中，及时更新模型以便得到更好的预测效果。