李昂，王旭，楊姝，蔣代軍

(蘭州交通大學土木工程學院，甘肅蘭州730070)

基于GA-BP模型的臨近深基坑橋墩變形預測

李昂，王旭，楊姝，蔣代軍

(蘭州交通大學土木工程學院，甘肅蘭州730070)

基于杭州某近接橋墩深基坑開挖工程，以實際監(jiān)測數據為樣本，分別運用灰色GM(1，1)模型和GA-BP模型對橋墩的水平位移和沉降進行預測，并與實測數據進行對比。結果表明:灰色GM(1，1)模型要求數據線性程度較高，不適合由近接施工引起的變形預測;GA-BP模型預測臨近深基坑既有橋墩的變形，無論短期還是中長期，其預測結果都具有較高的精度，該模型適用性較好。

既有橋墩變形;深基坑;變形預測;GA-BP模型;灰色系統(tǒng)

臨近深基坑的既有橋梁樁基受側向土壓力的作用，使其向土體開挖一側偏移，從而導致橋墩的變形，若變形量過大，則嚴重威脅橋梁的使用安全。目前，國內一些學者對橋墩變形預測做了相關研究。楊吉新等［1］以哈大客運專線運糧河特大橋墩臺沉降觀測為背景，運用灰色系統(tǒng)的新陳代謝GM(1，1)模型來分析沉降量，掌握其變形規(guī)律;龔循強等［2］分別采用最小二乘法和穩(wěn)健最小二乘法的自回歸模型、自適應過濾法及灰色預測法對高鐵橋墩沉降數據進行模擬與預測;劉娜［3］以混沌理論為基礎，采用混沌時間序列預測方法對橋梁的沉降變形進行預測。但是，對橋墩水平位移的預測還比較少。由于影響橋墩變形的因素很多，各種因素的影響程度又很難用量化指標準確表達，使其較難用傳統(tǒng)的數學方法建立輸入輸出關系［4］。臨近深基坑既有橋墩的變形和基坑施工密切相關，而基坑施工本身是一個動態(tài)的過程，線性規(guī)律不強。BP神經網絡具良好的泛化能力、模糊推論能力和非線性的特點［5-6］;遺傳算法則通過選擇更適應新環(huán)境的個體，不斷進化，從而得到全局最優(yōu)解。利用遺傳算法優(yōu)化BP神經網絡，即GA-BP模型，能夠解決BP神經網絡易陷入局部最優(yōu)的問題，在近接施工變形預測方面具有獨特優(yōu)勢。

本文采用GA-BP神經網絡預測的方法，對一臨近深基坑既有橋墩水平位移及沉降進行預測，通過與灰色GM(1，1)模型預測結果及實測數據對比，得出GABP模型預測結果精度更高，適用性更好。

1　灰色模型

1.1灰色GM(1，1)模型理論

設非負原始序列X(0)

Z(1)為X(1)緊鄰均值生成序列，表示為

GM(1，1)模型的基本形式為

式中:a為發(fā)展系數;b為灰色作用量。

故GM(1，1)模型的解為

再經過1次累減處理，則可以得到預測量:

1.2遺傳算法優(yōu)化BP神經網絡

遺傳算法(Genetic Algorithms)是1962年由美國Michigan大學Holland教授提出的一種將自然界“優(yōu)勝劣汰，適者生存”的生物進化原理引入優(yōu)化參數，形成編碼串聯群體的隨機化搜索方法。首先選擇適應度函數，再通過選擇、交叉和變異操作對個體進行篩選，保留適應度好的個體，淘汰適應度差的個體。因此，新的群體既繼承了上一代的信息又優(yōu)于上一代，反復循環(huán)，直至滿足條件［7］。

遺傳算法優(yōu)化BP神經網絡的基本思想是對BP神經網絡的初始權值和閾值進行優(yōu)化，避免陷入局部最優(yōu)［8］。它彌補了BP神經網絡的收斂速度較慢以及出現局部極小值的不足［9］，從而建立合理的施工管理評價模型。

遺傳算法優(yōu)化BP神經網絡的計算步驟如下:

1)種群初始化。采用實數編碼，將權值、閾值構成1個實數串，隨機產生N個個體，構成1個群體。

2)將訓練好的BP神經網絡的預測輸出和期望輸出之間的誤差絕對值作為個體適應度。計算每個個體的適應度fi

式中:F為神經網絡的適應度;n為網絡輸出節(jié)點數; yi為神經網絡第i個節(jié)點的期望輸出;Oi為第i個節(jié)點的預測輸出;k為系數［10］。

3)選擇優(yōu)良的個體，使其有機會作為父代進行下一代繁衍，保證種群的多樣性。每個個體選擇的概率pi為

4)以概率pc對染色體間進行交叉操作得到新的個體

式中:fmax為種群中適應度最大的染色體;fm為某一染色體的適應度值;favg為群體的平均適應度值。

5)在種群中隨機選擇個體以概率pm進行變異，改變基因中某個數據的值，使其適應度值提高，開拓問題解的新空間。

6)若找到滿意的個體或達到迭代次數則算法結束，否則返回步驟2)重新計算。

遺傳算法將得到的最優(yōu)值分解為初始權值和閾值賦給BP神經網絡。

2　工程實例與預測數據分析

2.1工程概況

本工程場地位于浙江省杭州市蕭山區(qū)，場地區(qū)域構造穩(wěn)定，未發(fā)現活動構造等影響穩(wěn)定性的不良地質作用和因素，除中部有淤泥質土分布外，未發(fā)現其他不良地質現象。場地地形較平坦，地層較均勻，穩(wěn)定性較好。新建建筑物基坑呈長方形，東西向長70 m，南北向寬30 m，開挖深度達9 m，緊鄰既有橋梁12#橋墩，高8.5 m，既有橋梁為蕭山一公路高架橋。

2.2橋墩變形測量與數據分析

在觀測之前，布設橋墩變形監(jiān)測控制網，在施工擾動范圍外澆筑2個觀測墩作為工作基點，2個工作基點能夠互相通視、互相校核坐標位置。為了提高觀測精度，在觀測墩上安裝強制對中基座，消除儀器對中誤差。在橋墩正面按倒直角三角形固定3個微型棱鏡作為水平位移觀測點(記為H1，H2，H3)，觀測儀器為萊卡TS-15型全站儀;橋墩2個側面各布設1個沉降觀測點(記為V1，V2)，觀測儀器為萊卡DNA03型高精度水準儀。橋墩變形觀測點布置如圖1所示。

圖1　橋墩變形觀測點布置

2015年10月1日進行了初讀數測量，基坑開挖從10月2日起，橋墩變形監(jiān)測頻率為每日1次，橋墩水平位移量取3個測點的平均值，記為H;橋墩沉降量取2個測點的平均值，記為V。橋墩水平位移、沉降累計變化量見表1。由于監(jiān)測前期基坑處于開挖階段，橋墩變形速率波動較大，中期趨于穩(wěn)定，因此本文選取第21～30 d的數據，分別利用灰色模型和GA-BP模型對后10 d橋墩變形量進行預測，并分析2種方法的預測結果。

2.3灰色模型預測

利用表1中數據建立GM(1，1)模型，得到水平位移H的時間響應式:x(1)(t)=64.84e0.04t－62.50，其中，a=－0.04，b=2.50。沉降量V的時間響應式:x(1)(t)=41.94e0.05t－40.20，其中a=－0.05，b=2.01。預測結果見表2、表3。

表1　橋墩水平位移、沉降累計變化量

表2　GM(1，1)模型對橋墩水平位移預測結果

表3　GM(1，1)模型對橋墩沉降預測結果

2.4GA-BP模型預測

2.4.1選取GA-BP模型訓練樣本

本文采用橋墩水平位移和沉降的實際監(jiān)測數據作為模型的輸入量。對橋墩變形進行監(jiān)測時，應停止大型機械作業(yè)，避免打樁等因素對觀測儀器的擾動，減少人為干擾因素，從而能夠較好地反映其變形規(guī)律。

2.4.2建立GA-BP模型

利用Matlab7.0建立GA-BP神經網絡模型，對未來的橋墩水平位移和沉降進行預測。首先尋找全局最優(yōu)解，即合適的初始權值和閾值，然后對遺傳算法搜索到的最優(yōu)解進行訓練。以30組實測數據作為樣本，前20組用來訓練BP神經網絡，后10組用來驗證BP神經網絡。遺傳算法參數設置:初始種群M=20，交叉概率pc=0.2，變異概率pm=0.1，迭代次數為50。BP神經網絡中構建網絡函數為newff，輸入層節(jié)點n=9，輸出層節(jié)點m=3，隱含層節(jié)點l=9。隱含層節(jié)點由l=確定，式中:r為1～10的常數。經過多次訓練誤差結果對比，r取5時結果誤差最小。預測結果見表4、表5。

表4　GA-BP模型對橋墩水平位移預測結果

表5　GA-BP模型對橋墩沉降預測誤差

通過對比灰色GM(1，1)模型和GA-BP模型預測結果可知，GA-BP模型預測精度高于灰色GM(1，1)模型。GM(1，1)模型要求數據呈指數分布，比較適合作短期預測［11］，但中長期預測誤差較大。由于臨近基坑既有橋墩變形受外界環(huán)境影響大，數據的線性規(guī)律不強，且基坑開挖完成前期，橋墩變形較劇烈，而后期趨于平緩，故灰色GM(1，1)模型不適合預測臨近基坑既有橋墩的變形。由表4、表5可知，GA-BP模型對原始樣本后10 d的短期預測誤差較小。為了研究GA-BP模型對臨近基坑既有橋墩變形的中長期預測精度，對41～80 d進行預測并與實測數據作對比，見圖2?？芍?，GA-BP模型在中長期預測方面誤差并沒有明顯增大，最大絕對誤差為0.12 mm，最大相對誤差為2.4%，對既有橋墩變形的中長期預測精度也比較高。

圖2　橋墩位移預測值與實測值對比

3　結論

1)灰色GM(1，1)模型要求數據線性程度較高，不適合由近接施工引起的變形預測。

2)用遺傳算法優(yōu)化的神經網絡，即GA-BP模型對臨近深基坑的既有橋墩變形進行預測，無論短期還是中長期，預測結果都具有較高的精度。

3)GA-BP模型使遺傳算法和神經網絡2種算法實現優(yōu)勢互補，在近接施工變形預測方面具有較強的優(yōu)勢。

［1］楊吉新，朱偉偉，丁蘭．哈大客運專線橋梁墩臺沉降觀測與預測［J］．鐵道工程學報，2010(7):42-47．

［2］龔循強，熊小容，周秀芳．高鐵橋墩沉降預測方法研究［J］．測繪通報，2014(4):48-50．

［3］劉娜．基于混沌時間序列的橋梁變形預測分析［D］．青島:山東科技大學，2011．

［4］JAMALI A，GHAMATI M，AHMADI B，et al．Probability of Failure for Uncertain Control Systems Using Neural Networks and Multi-objective Uniform-diversity Genetic Algorithms［J］．Engineering Applications of Artificial Intelligence，2013，26 (2):714-723．

［5］李彥杰，薛亞東，岳磊，等．基于遺傳算法-BP神經網絡的深基坑變形預測［J］．地下空間與工程學報，2015，11(增2):141-149．

［6］曾暉，胡俊，鮑俊安．基于BP人工神經網絡的基坑圍護結構變形預測方法［J］．鐵道建筑，2011(1):70-73．

［7］王小川，史峰，郁磊．MATLAB神經網絡43個案例分析［M］．北京:北京航天航空大學出版社，2013．

［8］YANG Y，WANG G，YANG Y．Parameters Optim ization of Polygonal Fuzzy Neural Networks Based on GA-BP Hybrid Algorithm［J］．International Journal of Machine Learning and Cybernetics，2014，5(5):815-822．

［9］袁朋偉，宋守信，董曉慶．基于灰色神經網絡優(yōu)化組合模型的火災預測研究［J］．中國安全生產科學技術，2014，10 (3):119-124．

［10］唐軍，黃筱調，方成剛．基于遺傳算法和BP神經網絡的花盤結構優(yōu)化設計［J］．機械設計與制造，2011(7):27-29．

［11］安永娥，鮑學英，王起才．基于無偏灰色Verhulst模型的鐵路貨運量預測研究［J］．鐵道科學與工程學報，2016，13 (1):181-186．

(責任審編 鄭冰)

Prediction of Deformation of Bridge Pier Nearby Deep Foundation Pit Based on GA-BP(Genetic A lgorithm-Back Propagation)M odel

LI Ang，WANG Xu，YANG Shu，JIANG Daijun
(School of Civil Engineering，Lanzhou Jiaotong University，Lanzhou Gansu 730070，China)

Based on a certain excavation engineering of deep foundation pit nearby the bridge pier，the actual monitoring data were taken as a sample，the horizontal displacement and settlement of the bridge pier were predicted by the grey GM(1，1)model and GA-BP model respectively，and com pared with the actual monitoring data．The results indicate that the grey GM(1，1)model requires a high degree of linearity of the data，which is not suitable for the deformation prediction caused by close-connected construction．The prediction by GA-BP model of the deformation of existing bridge pier nearby a deep foundation pit，no matter to the short or medium and long term，has a higher accuracy and stronger applicability．

Existing bridge pier deformation;Deep foundation pit;Deformation prediction;GA-BP model;Grey system

U446

A

10．3969/j．issn．1003-1995．2016．11．22

1003-1995(2016)11-0084-04

2016-06-07;

2016-09-08

中國中鐵重點課題(302566);長江學者和創(chuàng)新團隊發(fā)展計劃(IRT1139);多年凍土地基樁土界面形成機制的理論與實驗研究(51268033)

李昂(1990—)，男，碩士研究生。