CN111967079A - 一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法 - Google Patents

一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法 Download PDF

Info

Publication number
CN111967079A
CN111967079A CN202010824412.2A CN202010824412A CN111967079A CN 111967079 A CN111967079 A CN 111967079A CN 202010824412 A CN202010824412 A CN 202010824412A CN 111967079 A CN111967079 A CN 111967079A
Authority
CN
China
Prior art keywords
solution
value
foundation pit
deformation
ith
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010824412.2A
Other languages
English (en)
Inventor
张箭
丰土根
王超然
周坤
谢康
钟小春
张坤勇
张福海
杭志斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN202010824412.2A priority Critical patent/CN111967079A/zh
Publication of CN111967079A publication Critical patent/CN111967079A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，解决现有难以提前预判可能出现风险的类型和风险部位的难题，利用灰色关联度分析法可找出与预测目标变化趋势具有一致性的输入变量，利用加入自适应系数改进的人工蜂群算法在全局内寻找BP神经网络的较优初始值，加速网络的训练速度，提高预测精度，在施工前预测基坑开挖后可能产生的变形，提前估算所采取施工参数的合理性，对于保证施工安全，控制基坑变形，科学规划施工进度有借鉴意义。

Description

一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测 方法
技术领域
本发明是一种基于神经网络的基坑开挖引起地表沉降与深层水平位移的分析方法，涉及岩土工程及隧道工程领域，具体涉及基坑开挖变形实时监测预报及稳定性分析领域。
背景技术
随着城市轨道交通、地下交通、地下综合管廊等新型城镇化建设的推进，我国涌现出一批深、大基坑工程，如何保证深大基坑安全施工是工程师们广泛关注的问题。现阶段，工程师们主要通过围护结构的深层水平位移和周围地表沉降等监测，判断基坑项目的安全性。虽然现场监测能判断基坑开挖后结构和地层变形是否超出预警值，但难以提前预判可能出现风险的类型和风险部位，以便提出合理的安全施工保障措施。如果能够根据已有地层条件和施工条件，***基坑围护结构和地表变形规律，则可基于变形控制指标，合理调整基坑开挖参数，达到安全施工的目的。因此，开展基坑变形预测的研究工作十分必要，对保证施工质量，确保施工安全有重要意义
在研究初期，国内外学者普遍通过统计学与力学角度分析基坑施工诱发的地层变形。随后，有学者从数值模拟与模型试验的角度开展研究。随着大数据和5G技术的发展，结合机器学习的方法解决基坑工程安全施工问题已成为必然的发展趋势。BP神经网络是一种有监督型的机器学习算法，具有较强的非线性映射能力和容错能力，其预测能力优于传统的回归分析法，预测出的模型有较高精度，是建立预测模型的有效手段。其通过信号正向传播与误差反向传播实现网络的训练，反复训练优化网络权值后，可对往期数据进行非线性拟合并预测近期变形，特别适合处理内部机制复杂的问题。但是，BP神经网络初始值往往随机选定，存在预测精度低、收敛速度慢、易陷入局部极小值和模型自变量选择多样等缺点。
发明内容
本发明所要解决的技术问题是，提供了一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，解决现有难以提前预判可能出现风险的类型和风险部位的难题，利用灰色关联度分析法可找出与预测目标变化趋势具有一致性的输入变量，利用加入自适应系数改进的人工蜂群算法在全局内寻找BP神经网络的较优初始值，加速网络的训练速度，提高预测精度，在施工前预测基坑开挖后可能产生的变形，提前估算所采取施工参数的合理性，对于保证施工安全，控制基坑变形，科学规划施工进度有借鉴意义。
为解决上述技术问题，本发明采用的技术方案为：
一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，
该方法包括以下步骤：
步骤S1：收集已开挖断面的土层参数、施工参数和基坑变形指标的样本数据；
步骤S2：利用灰色关联度分析，以土层参数和施工参数为比较数列、以基坑变形指标为参考数列建立关联度模型，根据关联系数大小，剔除与基坑变形指标不相关的土层参数和施工参数；
步骤S3：以步骤S2经过筛选的施工参数和土层参数作为输入变量，以基坑变形指标作为输出变量，建立BP神经网络；
步骤S4：在人工蜂群算法中引入自适应系数，基于步骤S4中BP神经网络的网络大小，建立蜂群结构，搜索初始权值和阈值，计算适应值，根据适应值更新最优解，优化BP神经网络；
步骤S5：收集未开挖断面的土层参数与预采取的施工参数，预测未开挖断面的基坑变形数据，指导施工开挖。
其中，步骤S1中土层参数包括内摩擦角、重度、黏聚力、渗透系数、弹性模量、内支撑层数和温度，施工参数包括最大开挖深度和开挖速度，基坑变形指标包括地表沉降与深层水平位移。
骤S2中灰色关联度分析包括如下步骤：
2.1对样本数据进行归一化处理；
Figure BDA0002635625260000021
Figure BDA0002635625260000022
其中，X是比较数列集，由土层参数和施工参数各个指标构成的样品数列集，Xi为归一化前的第i个指标的比较数列，m为土层参数和施工参数所涉及的指标总个数，X’i为第i个指标的样本值经归一化后的比较数列，Xmin为比较数列集中第i个指标的样本数列中的最小值，Xmax为比较数列集中第i个指标的样本数列中的最大值；
Y是参考数列集，由基坑变形各个指标构成的样本数列集，Yi为归一化前的第i个指标的参考数列，n为基坑变形指标的指标个数，Y’i为第i个指标的样本值经归一化后的参考数列，Ymin为参考数列集中第i个指标的样本数列中的最小值，Ymax为参考数列集中第i个指标的样本数列中的最大值；
2.2计算比较数列各个指标的关联系数ζi(k)
Figure BDA0002635625260000031
其中，y(k)为参考数列y曲线上的第k个点，xi(k)为比较数列xi曲线上的第k个点，N为第i个指标样本的个数，ρ为分辨系数，取0.5，ζi(k)为比较数列xi的关联系数；
2.3计算比较数列各个指标的关联度ri
Figure BDA0002635625260000032
其中，ri为比较数列第i个指标的关联度，ζi(k)为比较数列xi的关联系数；N为第i个指标样本的个数。
步骤S2中根据关联性大小，剔除与基坑变形指标不相关的土层参数和施工参数有3个，
分别为：温度、黏聚力和渗透系数。
步骤S4具体包括如下步骤：
4.1计算BP神经网络的初始权值阈值
首先按式(5)确定解的维度D：
D＝Ninput×Nhidden+Nhidden+Nhidden×Noutput+Noutput (5)
其中：D是输入层、隐含层和输出层的节点数总和，Ninput、Nhidden、Noutput分别是输入层、隐含层和输出层的节点数既神经网络的所有权值阈值；
然后，根据式(6)生成初始解：
aij＝Minj+rand(0,1)(Maxj-Minj) (6)
其中，aij是第i个解的第j个初始权值或阈值i∈﹛1,2,...,SN﹜，SN是食物源个数，j∈﹛1,2,...,D﹜Maxj和Minj表示每个解第j维元素所对应的搜索边界，rand(0,1)指在0-1范围内随机取值；
4.2经过改进的人工蜂群算法寻优
4.2.1以BP网络的输出值与实测值的均方误差之和作为解的适应值；
采蜜蜂根据当前解的位置在其附近按式(7)搜索新解：
vij＝aij+Φij(aij-akj) (7)
式中，Φij为[-1,1]之间的随机数，vij是第i个解的第j个新权值或阈值，i∈﹛1,2,...,SN﹜，j∈﹛1,2,...,D﹜，SN是食物源个数；aij是第i个解的第j个旧权值或阈值；akj代表是第k个解的第j个旧权值或阈值，k∈﹛1,2,...,SN﹜，且k≠i。
4.2.2引入自适应调节系数β(β∈{0,1})，
a)当经过式(7)进行新解搜索后，解的适应值变小，则按式8)重新计算新解：
vij＝aij+(1-β)Φij(aij-akj) (8)
式中，Φij为[-1,1]之间的随机数，vij是第i个解的第j个新权值或阈值，i∈﹛1,2,...,SN﹜，j∈﹛1,2,...,D﹜，SN是食物源个数；aij是第i个解的第j个旧权值或阈值；akj代表是第k个解的第j个旧权值或阈值，k∈﹛1,2,...,SN﹜，且k≠i；β为自适应调节系数β，β∈{0,1}；
b)若经过式(7)进行新解搜索后，解的适应值变大，则按式(9)重新计算新解：
vij＝aij+(1+β)Φij(aij-akj) (9)
式中，k∈﹛1,2,...,SN﹜,且k≠i；Φij为[-1,1]之间的随机数，vij是第i个解的第j个新权值或阈值，i∈﹛1,2,...,SN﹜，j∈﹛1,2,...,D﹜，SN是食物源个数；aij是第i个解的第j个旧权值或阈值；akj代表是第k个解的第j个旧权值或阈值，k∈﹛1,2,...,SN﹜，且k≠i；β为自适应调节系数β，β∈{0,1}；
4.2.3根据贪婪算法，按式(10)计算每个解的选择概率pi:
Figure BDA0002635625260000041
式中，pi为第i个解被选择的概率，fiti为第i个解的适应值，i∈﹛1,2,...,SN﹜，SN为食物源个数；
4.2.4根据每个解的选择概率，利用轮盘赌算法，计算出被更新的引领蜂，
由式(7)产生一个新解，并检验新解的fiti，
a)当新解的适应值比旧解大时，用新解代替旧解；
b)当新解的适应值比旧解小或与旧解一样时，保留旧解，且旧解开采次数加1；
保存此次迭代的最优解，并根据每个解被开采的次数，判断是否舍弃该解，若舍弃，按式(6)生成新解代替此解；当迭代次数达到MCN，则结束迭代，否则继续搜索新解，进行下一次迭代。
步骤S5中如果变形预测值小于报警值，则表明即将采取的施工参数合理，可按照原计划施工。
步骤S5中如果变形预测值超过报警值，表明即将采取的施工参数可能会引起基坑的较大变形，影响基坑稳定性，无法保证施工安全，应该合理调整施工参数，采取相对保守的施工措施。
步骤S1中基坑变形指标地表沉降与深层水平位移的样本均取自每个断面附近变形累计值最大的测点，选取地表沉降测点的累计沉降值作为此测点的地表沉降样本值，选取各深度中的位移最大值作为此测点的深层水平位移样本值。
本发明的有益效果：
本发明提供了一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，解决现有难以提前预判可能出现风险的类型和风险部位的难题，利用灰色关联度分析法可找出与预测目标变化趋势具有一致性的输入变量，利用加入自适应系数改进的人工蜂群算法在全局内寻找BP神经网络的较优初始值，加速网络的训练速度，提高预测精度，在施工前预测基坑开挖后可能产生的变形，提前估算所采取施工参数的合理性，对于保证施工安全，控制基坑变形，科学规划施工进度有借鉴意义。
(1)本发明将整个基坑预测工作转化为对多个施工段的预测，提出利用已开挖断面的施工参数与基坑变形数据，预测未开挖断面的监测数据。且模型通过将新施工断面的数据输入模型，达到随着施工的进行而不断提高预测精度的功能。
(2)本发明在BP神经网络前，首先进行灰色相关度分析，剔除与预测目标相关度低的输入变量，简化网络结构，提升训练速度。
神经网络的输入变量依次经过输入层、隐含层与输出层处理后，其输出值可在一定程度上逼近真实值。输入变量选取对网络的预测精度有重要影响，其种类并非越多越好，多余的输入变量可造成网络冗余，进而影响训练速度与训练精度。在建立ABC-BP模型前，需要谨慎选取输入变量。
利用灰色关联度分析法可找出与预测目标变化趋势具有一致性的输入变量，根据数据的几何形状相似程度判断其相关程度，通过对输入变量发展态势的动态分析，计算各输入变量的关联度，对关联度由大到小进行排序，形成关联序，直观地判断各输入变量与目标的紧密程度，从而达到合理筛选输入变量的目的。本发明将神经网络的输出变量作为参考数列，输入变量作为比较数列，利用灰色关联度分析法对计算各输入变量的关联度，剔除相关度低的输入变量，将筛选后的输入变量输入网络，可达到简化网络结构与加速网络训练的目的。
(3)本发明将自适应系数引入ABC算法的搜索过程中，改进传统人工蜂群算法，可避免收敛速度过快使其跳过全局最优解，也可平衡解的精度与收敛速度的关系，使其不会收敛过慢。
传统BP神经网络通过误差反向传播的方式多次更新网络的权值与阈值，从而达到逼近目标函数，提高预测精度的目的。其权值与阈值的初始值往往随机选定，在网络更新的过程中，容易陷入局部极小值，导致模型预测精度不高甚至存在训练失败的可能，其收敛速度也会因随机的初始权值与阈值变慢。
利用人工蜂群算法搜索初始权值与阈值，通过引领蜂、跟随蜂和侦查蜂的局部寻优行为，最终在群体中使初始权值与阈值的全职较优值突现出来，可提高传统BP神经网络的收敛速度，极大降低训练失败的可能，在一定程度上提高神经网络的预测精度。
附图说明
图1是本发明基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法的流程图；
图2是本发明的基坑断面选取方式；
图3是本发明灰色关联度分析的土层参数和施工参数筛选结果；
图4是本发明实施例中的断面3的深层水平位移实测值与预测值对比结果；
图5是本发明实施例中的断面3的基坑地表沉降实测值与预测值对比结果；
图6是本发明实施例中的断面6的深层水平位移实测值与预测值对比结果；
图7是本发明实施例中的断面6的基坑地表沉降实测值与预测值对比结果。
具体实施方式
下面结合附图以及具体实施例对本发明一种适用于悬挂式深基坑工程的土体参数反演分析方法作进一步详细说明。
如图1所示，一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，包括
以下步骤：
步骤S1：收集已开挖断面的土层参数、施工参数和基坑变形指标的样本数据；
步骤S2：利用灰色关联度分析，建立以土层参数和施工参数为比较数列、以基坑变形指标为参考数列建立关联度模型，根据关联系数大小，剔除与基坑变形指标不相关的土层参数和施工参数；
步骤S3：以步骤S2经过筛选的施工参数和土层参数作为输入变量，以基坑变形作为输出变量，建立BP神经网络；
步骤S4：在人工蜂群算法中引入自适应系数，基于步骤S4中BP神经网络的网络大小，建立蜂群结构，搜索较优初始权值和阈值，计算适应值，根据适应值更新最优解，优化BP神经网络；
步骤S5：收集未开挖断面的土层参数与预采取的施工参数，预测未开挖断面的基坑变形数据，指导施工开挖。
具体的，以南京市八卦洲隧道明挖段为例，基于ABC-BP的预测模型在该项目中的实际应用效果，验证模型拟合精度和泛化能力。八卦洲隧道明挖段是和燕路过江通道的盾构始发段，基坑起点里程为ZK5+131,终点里程为ZK4+715.5，最大开挖深度为25.7m，全长440m，整体形状较为规则，土层以粉砂为主，透水性极强。基坑采用明挖顺作法施工，围护结构采用地下连续墙和SMW工法桩相结合的形式。
选择围护结构均为地下连续墙的六个施工断面：ZK4+909(断面一)、ZK4+861(断面二)、ZK4+822(断面三)、ZK4+780(断面四)、ZK4+739(断面五)和ZK4+700.5(断面六)，其中，断面一、断面二、断面四和断面五为已施工段，断面三和断面六为预测段。断面的具***置如附图2所示。收集六个断面在开挖过程中的每日地表沉降累计值、深层水平位移累计值及施工参数。其中，地表沉降值与深层水平位移值均取自每个断面附近变形累计值最大的测点，选取各深度中的位移最大值作为此测点的深层水平位值。此处初始施工参数及土层参数共选取9个，分别为断面目前最大开挖深度、开挖速度、内摩擦角、重度、黏聚力、渗透系数、弹性模量、内支撑层数和温度。其中，内摩擦角、重度、黏聚力、渗透系数和弹性模量这5个参数均为当前开挖土层的参数值。由于不清楚各施工参数、各土层参数与基坑变形的相关性，因此在预测前需要分别确定施工参数与地表沉降深层水平位移的定量关系。采用灰色关联度分析来评价各输入变量和基坑地表沉降与深层水平位移之间的相关性：
对样本数据进行归一化处理；
Figure BDA0002635625260000081
Figure BDA0002635625260000082
其中，X是比较数列集，由土层参数和施工参数各个指标构成的样品数列集，Xi为归一化前的第i个指标的比较数列，m为土层参数和施工参数所涉及的指标总个数，X’i为第i个指标的样本值经归一化后的比较数列，Xmin为比较数列集中第i个指标的样本数列中的最小值，Xmax为比较数列集中第i个指标的样本数列中的最大值；
Y是参考数列集，由基坑变形各个指标构成的样本数列集，Yi为归一化前的第i个指标的参考数列，n为基坑变形指标的指标个数，Y’i为第i个指标的样本值经归一化后的参考数列，Ymin为参考数列集中第i个指标的样本数列中的最小值，Ymax为参考数列集中第i个指标的样本数列中的最大值；
计算比较数列各个指标的关联系数ζi(k)
Figure BDA0002635625260000083
其中，y(k)为参考数列y曲线上的第k个点，xi(k)为比较数列xi曲线上的第k个点，N为第i个指标样本的个数，ρ为分辨系数，取0.5，ζi(k)为比较数列xi的关联系数；
计算比较数列各个指标的关联度ri
Figure BDA0002635625260000084
其中，ri为比较数列第i个指标的关联度，ζi(k)为比较数列xi的关联系数；N为第i个指标样本的个数。
计算结果如附图3所示。根据分析结果，淘汰温度、黏聚力和渗透系数这三项监测内容，以开挖深度、开挖速度、内摩擦角、重度、弹性模量和内支撑层数这6项监测内容作为输入变量，预测基坑地表沉降和深层水平位移。
在断面3施工前，收集断面1和断面2的监测数据作为训练组，在Matlab软件中建立BP神经网络，并利用蜂群算法搜索较优初始权值和阈值，开展训练组预测。具体方法如下：
设训练组输入变量为trainl；训练组输出变量为traind；预测组输入变量testl；预测组输出变量为testl。
接着按式(1)进行数据归一化处理,对应Matlab代码：
[Pn,minp,maxp,Tn,mint,maxt]＝premnmx(traind,trainl)；
Pntest＝tramnmx(testd,minp,maxp)；
创建一个BP神经网络，根据输入和输出目标数量确定网络输入层、隐含层和输出层的节点数：
net＝feedforwardnet([12])；
net＝configure(net,Pn,Tn)；
net_best＝net；
使用人工蜂群算法优化创建好的BP神经网络。人工蜂群算法搜索过程中，首先需要进行参数初始化，其中包括确定种群数、最大迭代次数MCN、局部最优解判定参数limit和搜索空间范围参数Maxj和Minj，j∈{1,2,...,D}，问题解的维度D。接着进行人工蜂群初始化：设SN为食物源个数，在搜索空间中随机生成初始解ai(i∈1,2,…,SN)，每个解ai都是一个D维向量，其中维度D是网络的权值与阈值总数：
4.1计算BP神经网络的初始权值阈值
首先按式(5)确定解的维度D：
D＝Ninput×Nhidden+Nhidden+Nhidden×Noutput+Noutput (5)
其中：D是输入层、隐含层和输出层的节点数总和，其中每个节点就是权值或阈值，每个节点是一个确切的数，后面搜寻权值阈值的过程就是确定这些数具体值的过程。Ninput、Nhidden、Noutput分别是输入层、隐含层和输出层的节点数既神经网络的所有权值阈值；
然后，根据式(6)生成初始解：
aij＝Minj+rand(0,1)(Maxj-Minj) (6)
其中，aij是第i个解的第j个初始权值或阈值i∈﹛1,2,...,SN﹜，SN是食物源个数，j∈﹛1,2,...,D﹜Maxj和Minj表示每个解第j维元素所对应的搜索边界，rand(0,1)指在0-1范围内随机取值；
4.2经过改进的人工蜂群算法寻优
4.2.1以BP网络的输出值与实测值的均方误差之和作为解的适应值；
采蜜蜂根据当前解的位置在其附近按式(7)搜索新解：
vij＝aij+Φij(aij-akj) (7)
式中，Φij为[-1,1]之间的随机数，vij是第i个解的第j个新权值或阈值，i∈﹛1,2,...,SN﹜，j∈﹛1,2,...,D﹜，SN是食物源个数；aij是第i个解的第j个旧权值或阈值；akj代表是第k个解的第j个旧权值或阈值，k∈﹛1,2,...,SN﹜，且k≠i。
4.2.2引入自适应调节系数β(β∈{0,1})，
a)当经过式(7)进行新解搜索后，解的适应值变小，则按式8)重新计算新解：
vij＝aij+(1-β)Φij(aij-akj) (8)
式中，Φij为[-1,1]之间的随机数，vij是第i个解的第j个新权值或阈值，i∈﹛1,2,...,SN﹜，j∈﹛1,2,...,D﹜，SN是食物源个数；aij是第i个解的第j个旧权值或阈值；akj代表是第k个解的第j个旧权值或阈值，k∈﹛1,2,...,SN﹜，且k≠i；β为自适应调节系数β，β∈{0,1}；
b)若经过式(7)进行新解搜索后，解的适应值变大，则按式(9)重新计算新解：
vij＝aij+(1+β)Φij(aij-akj) (9)
式中，k∈﹛1,2,...,SN﹜,且k≠i；Φij为[-1,1]之间的随机数，Φij为[-1,1]之间的随机数，vij是第i个解的第j个新权值或阈值，i∈﹛1,2,...,SN﹜，j∈﹛1,2,...,D﹜，SN是食物源个数；aij是第i个解的第j个旧权值或阈值；akj代表是第k个解的第j个旧权值或阈值，k∈﹛1,2,...,SN﹜，且k≠i；β为自适应调节系数β，β∈{0,1}；
4.2.3根据贪婪算法，按式(10)计算每个解的选择概率pi:
Figure BDA0002635625260000101
式中，pi为第i个解被选择的概率，fiti为第i个解的适应值，SN为食物源个数；
4.2.4根据每个解的选择概率，利用轮盘赌算法，计算出被更新的引领蜂，
由式(7)产生一个新解，并检验新解的fiti，
a)当新解的适应值比旧解大时，用新解代替旧解；
b)当新解的适应值比旧解小或与旧解一样时，保留旧解，且旧解开采次数加1；
保存此次迭代的最优解，并根据每个解被开采的次数，判断是否舍弃该解，若舍弃，按式(6)生成新解代替此解；当迭代次数达到MCN，则结束迭代，否则继续搜索新解，进行下一次迭代。
按上述方法得到优化后的BP神经网络，将预测组数据输入网络，得到基坑地表沉降与深层水平位移的预测值，从而达到指导施工的目的。训练组深层水平位移平均相对误差为2.35％，均方根误差为0.22。地表沉降平均相对误差为1.44％，均方根误差为1.44。从结果看出，经人工蜂群算法搜索初始值后的BP神经网络预测精度较高，可利用其预测未施工的断面3基坑变形。断面3施工前，利用基于断面1与断面2监测数据训练得到的ABC-BP模型，预测断面3基坑地表沉降累计最大值及深层水平位移累计最大值。每次预测时，将下一步施工参数输入已训练好的BP神经网络，预测断面3下一步开挖诱发的变形值，并根据预测值及时合理地提出施工参数优化方案，指导施工。当断面3施工结束后，将预测值与实际监测值对比，结果如附图4和附图5所示。由图可知，深层水平位移预测和监测结果平均相对误差为10.31％，均方根误差为0.86；地表沉降预测和监测结果平均相对误差为7.27％，均方根误差为6.58。由此可知，断面3预测结果与实际监测值吻合较好，虽预测精度较低于训练组，但仍可满足施工需要。
由于和燕路基坑各段深度不一(开挖深度和土层种类不同)，当预测的基坑断面远离训练组断面时，已有模型的预测效果变差，需不断加入新断面监测数据以更新已有模型。因此，为了预测断面6处结构和地层变形，选取与预测断面相近的已施工断面4和断面5作为训练组，重新建立ABC-BP模型，保证预测精度的准确性。
在断面6施工前，收集断面4与断面5的监测数据作为训练组。人工蜂群算法与神经网络结构设置同上，训练得到新的ABC-BP模型。训练组深层水平位移平均相对误差为3.82％，均方根误差为0.51。地表沉降平均相对误差为3.49％，均方根误差为2.88。训练结果良好，可在断面6施工期间，利用其预测断面6的基坑变形。
断面6施工前，利用基于断面4与断面5的监测数据训练得到的ABC-BP模型，预测断面6基坑变形。每次预测时，将下一步施工参数输入已训练好的新BP神经网络，预测断面6下一步开挖诱发的变形值，并根据预测值及时合理地提出施工参数优化方案，指导施工。当断面6施工结束后，将预测值与实际监测值对比，结果如附图6与附图7所示。由图可知，深层水平位移平均相对误差为4.56％，均方根误差为0.89。地表沉降平均相对误差为4.44％，均方根误差为3.54。断面6预测结果与实际监测值吻合较好，可满足施工需要。
以上结果可说明ABC-BP神经网络在基坑变形预测中的有效性，在具体施工过程中，可根据预测结果采取对应的措施：如果变形预测值小于报警值，则表明即将采取的施工参数合理，可按照原计划施工；如果变形预测值超过报警值，表明即将采取的施工参数可能会引起基坑的较大变形，影响基坑稳定性，无法保证施工安全，应该合理调整施工参数，采取相对保守的施工措施。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，其特征在于，该方法包括以下步骤：
步骤S1：收集已开挖断面的土层参数、施工参数和基坑变形指标的样本数据；
步骤S2：利用灰色关联度分析，以土层参数和施工参数为比较数列、以基坑变形指标为参考数列建立关联度模型，根据关联系数大小，剔除与基坑变形指标不相关的土层参数和施工参数；
步骤S3：以步骤S2经过筛选的施工参数和土层参数作为输入变量，以基坑变形指标作为输出变量，建立BP神经网络；
步骤S4：在人工蜂群算法中引入自适应系数，基于步骤S4中BP神经网络的网络大小，建立蜂群结构，搜索初始权值和阈值，计算适应值，根据适应值更新最优解，优化BP神经网络；
步骤S5：收集未开挖断面的土层参数与预采取的施工参数，预测未开挖断面的基坑变形数据，指导施工开挖。
2.根据权利要求1所述的一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，其特征在于，步骤S1中土层参数包括内摩擦角、重度、黏聚力、渗透系数、弹性模量、内支撑层数和温度，施工参数包括最大开挖深度和开挖速度，基坑变形指标包括地表沉降与深层水平位移。
3.根据权利要求1所述的一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，其特征在于，步骤S2中灰色关联度分析包括如下步骤：
2.1对样本数据进行归一化处理；
Figure FDA0002635625250000011
Figure FDA0002635625250000012
其中，X是比较数列集，由土层参数和施工参数各个指标构成的样品数列集，Xi为归一化前的第i个指标的比较数列，m为土层参数和施工参数所涉及的指标总个数，X’i为第i个指标的样本值经归一化后的比较数列，Xmin为比较数列集中第i个指标的样本数列中的最小值，Xmax为比较数列集中第i个指标的样本数列中的最大值；
Y是参考数列集，由基坑变形各个指标构成的样本数列集，Yi为归一化前的第i个指标的参考数列，n为基坑变形指标的指标个数，Y’i为第i个指标的样本值经归一化后的参考数列，Ymin为参考数列集中第i个指标的样本数列中的最小值，Ymax为参考数列集中第i个指标的样本数列中的最大值；
2.2计算比较数列各个指标的关联系数ζi(k)
Figure FDA0002635625250000021
其中，y(k)为参考数列y曲线上的第k个点，xi(k)为比较数列xi曲线上的第k个点，N为第i个指标样本的个数，ρ为分辨系数，取0.5，ζi(k)为比较数列xi的关联系数；
2.3计算比较数列各个指标的关联度ri
Figure FDA0002635625250000022
其中，ri为比较数列第i个指标的关联度，ζi(k)为比较数列xi的关联系数；N为第i个指标样本的个数。
4.根据权利要求2和3所述的一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，其特征在于，步骤S2中根据关联性大小，剔除与基坑变形指标不相关的土层参数和施工参数有3个，分别为：温度、黏聚力和渗透系数。
5.根据权利要求1所述的一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，其特征在于，步骤S4具体包括如下步骤：
4.1计算BP神经网络的初始权值阈值
首先按式(5)确定解的维度D：
D＝Ninput×Nhidden+Nhidden+Nhidden×Noutput+Noutput (5)
其中：D是输入层、隐含层和输出层的节点数总和，Ninput、Nhidden、Noutput分别是输入层、隐含层和输出层的节点数既神经网络的所有权值阈值；
然后，根据式(6)生成初始解：
aij＝Minj+rand(0,1)(Maxj-Minj) (6)
其中，aij是第i个解的第j个初始权值或阈值i∈﹛1,2,...,SN﹜，SN是食物源个数，j∈﹛1,2,...,D﹜Maxj和Minj表示每个解第j维元素所对应的搜索边界，rand(0,1)指在0-1范围内随机取值；
4.2经过改进的人工蜂群算法寻优
4.2.1以BP网络的输出值与实测值的均方误差之和作为解的适应值；
采蜜蜂根据当前解的位置在其附近按式(7)搜索新解：
vij＝aij+Φij(aij-akj) (7)
式中，Φij为[-1,1]之间的随机数，vij是第i个解的第j个新权值或阈值，i∈﹛1,2,...,SN﹜，j∈﹛1,2,...,D﹜，SN是食物源个数；aij是第i个解的第j个旧权值或阈值；akj代表是第k个解的第j个旧权值或阈值，k∈﹛1,2,...,SN﹜，且k≠i。
4.2.2引入自适应调节系数β(β∈{0,1})，
a)当经过式(7)进行新解搜索后，解的适应值变小，则按式8)重新计算新解：
vij＝aij+(1-β)Φij(aij-akj) (8)
式中，Φij为[-1,1]之间的随机数，vij是第i个解的第j个新权值或阈值，i∈﹛1,2,...,SN﹜，j∈﹛1,2,...,D﹜，SN是食物源个数；aij是第i个解的第j个旧权值或阈值；akj代表是第k个解的第j个旧权值或阈值，k∈﹛1,2,...,SN﹜，且k≠i；β为自适应调节系数β，β∈{0,1}；
b)若经过式(7)进行新解搜索后，解的适应值变大，则按式(9)重新计算新解：
vij＝aij+(1+β)Φij(aij-akj) (9)
式中，k∈﹛1,2,...,SN﹜,且k≠i；Φij为[-1,1]之间的随机数，vij是第i个解的第j个新权值或阈值，i∈﹛1,2,...,SN﹜，j∈﹛1,2,...,D﹜，SN是食物源个数；aij是第i个解的第j个旧权值或阈值；akj代表是第k个解的第j个旧权值或阈值，k∈﹛1,2,...,SN﹜，且k≠i；β为自适应调节系数β，β∈{0,1}；
4.2.3根据贪婪算法，按式(10)计算每个解的选择概率pi:
Figure FDA0002635625250000031
式中，pi为第i个解被选择的概率，fiti为第i个解的适应值，i∈﹛1,2,...,SN﹜，SN为食物源个数；
4.2.4根据每个解的选择概率，利用轮盘赌算法，计算出被更新的引领蜂，
由式(7)产生一个新解，并检验新解的fiti，
a)当新解的适应值比旧解大时，用新解代替旧解；
b)当新解的适应值比旧解小或与旧解一样时，保留旧解，且旧解开采次数加1；
保存此次迭代的最优解，并根据每个解被开采的次数，判断是否舍弃该解，若舍弃，按式(6)生成新解代替此解；当迭代次数达到MCN，则结束迭代，否则继续搜索新解，进行下一次迭代。
6.根据权利要求1所述的一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，其特征在于，步骤S5中如果变形预测值小于报警值，则表明即将采取的施工参数合理，可按照原计划施工。
7.根据权利要求1所述的一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，其特征在于，步骤S5中如果变形预测值超过报警值，表明即将采取的施工参数可能会引起基坑的较大变形，影响基坑稳定性，无法保证施工安全，应该合理调整施工参数，采取相对保守的施工措施。
8.根据权利要求2所述的一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，其特征在于，步骤S1中基坑变形指标地表沉降与深层水平位移的样本均取自每个断面附近变形累计值最大的测点，选取地表沉降测点的累计沉降值作为此测点的地表沉降样本值，选取各深度中的位移最大值作为此测点的深层水平位移样本值。
CN202010824412.2A 2020-08-17 2020-08-17 一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法 Pending CN111967079A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010824412.2A CN111967079A (zh) 2020-08-17 2020-08-17 一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010824412.2A CN111967079A (zh) 2020-08-17 2020-08-17 一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法

Publications (1)

Publication Number Publication Date
CN111967079A true CN111967079A (zh) 2020-11-20

Family

ID=73388810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010824412.2A Pending CN111967079A (zh) 2020-08-17 2020-08-17 一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法

Country Status (1)

Country Link
CN (1) CN111967079A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112682049A (zh) * 2021-03-22 2021-04-20 中铁九局集团第四工程有限公司 盾构掘进姿态的纠偏控制方法和装置
CN112927097A (zh) * 2021-01-29 2021-06-08 国网辽宁省电力有限公司阜新供电公司 基于GRA-ABC-Elman模型的光伏发电功率短期预测方法
CN115167212A (zh) * 2022-07-13 2022-10-11 中交第三航务工程局有限公司 基于监测平台的基坑动态施工控制***及方法
CN115238860A (zh) * 2022-06-22 2022-10-25 中国石油天然气集团有限公司 一种漏失压力预测模型生成方法和装置
CN115659749A (zh) * 2022-11-01 2023-01-31 河海大学 基坑变形预测方法及***、电子设备和存储介质
CN117235679A (zh) * 2023-11-15 2023-12-15 长沙金码测控科技股份有限公司 一种基于lucc的基坑监测用拉压荷载评估方法及***
CN117592172A (zh) * 2024-01-18 2024-02-23 华东交通大学 一种基坑围护结构变形控制逆向设计方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104299052A (zh) * 2014-10-12 2015-01-21 刘岩 一种基于人工蜂群和神经网络的建筑能耗预测方法
CN108256683A (zh) * 2018-01-16 2018-07-06 云南电网有限责任公司电力科学研究院 一种基于改进bp神经网络的风电场短期功率预测方法
CN111369074A (zh) * 2020-03-31 2020-07-03 黑龙江大学 一种基于人工蜂群优化bp神经网络的玉米产量预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104299052A (zh) * 2014-10-12 2015-01-21 刘岩 一种基于人工蜂群和神经网络的建筑能耗预测方法
CN108256683A (zh) * 2018-01-16 2018-07-06 云南电网有限责任公司电力科学研究院 一种基于改进bp神经网络的风电场短期功率预测方法
CN111369074A (zh) * 2020-03-31 2020-07-03 黑龙江大学 一种基于人工蜂群优化bp神经网络的玉米产量预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
易亚元: "基于辅助调度员决策的变压器顶层油温预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
郭芝韵 等: "基于改进ABC－BP的大坝变形监控模型研究", 《人民长江》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927097A (zh) * 2021-01-29 2021-06-08 国网辽宁省电力有限公司阜新供电公司 基于GRA-ABC-Elman模型的光伏发电功率短期预测方法
JP7312417B2 (ja) 2021-03-22 2023-07-21 中▲鉄▼九局集▲団▼第四工程有限公司 シールド掘進姿勢のずれ修正制御の方法及び装置
CN112682049B (zh) * 2021-03-22 2021-06-08 中铁九局集团第四工程有限公司 盾构掘进姿态的纠偏控制方法和装置
CN112682049A (zh) * 2021-03-22 2021-04-20 中铁九局集团第四工程有限公司 盾构掘进姿态的纠偏控制方法和装置
JP2023516213A (ja) * 2021-03-22 2023-04-18 中▲鉄▼九局集▲団▼第四工程有限公司 シールド掘進姿勢のずれ修正制御の方法及び装置
CN115238860A (zh) * 2022-06-22 2022-10-25 中国石油天然气集团有限公司 一种漏失压力预测模型生成方法和装置
CN115238860B (zh) * 2022-06-22 2024-01-23 中国石油天然气集团有限公司 一种漏失压力预测模型生成方法和装置
CN115167212A (zh) * 2022-07-13 2022-10-11 中交第三航务工程局有限公司 基于监测平台的基坑动态施工控制***及方法
CN115167212B (zh) * 2022-07-13 2023-09-26 中交第三航务工程局有限公司 基于监测平台的基坑动态施工控制***及方法
CN115659749A (zh) * 2022-11-01 2023-01-31 河海大学 基坑变形预测方法及***、电子设备和存储介质
CN115659749B (zh) * 2022-11-01 2024-02-06 河海大学 基坑变形预测方法及***、电子设备和存储介质
CN117235679A (zh) * 2023-11-15 2023-12-15 长沙金码测控科技股份有限公司 一种基于lucc的基坑监测用拉压荷载评估方法及***
CN117592172A (zh) * 2024-01-18 2024-02-23 华东交通大学 一种基坑围护结构变形控制逆向设计方法及***
CN117592172B (zh) * 2024-01-18 2024-04-16 华东交通大学 一种基坑围护结构变形控制逆向设计方法及***

Similar Documents

Publication Publication Date Title
CN111967079A (zh) 一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法
Nadiri et al. Mapping vulnerability of multiple aquifers using multiple models and fuzzy logic to objectively derive model structures
CN109978226B (zh) 基于循环神经网络的盾构施工地面沉降预测方法
Jan et al. Neural network forecast model in deep excavation
KR101967978B1 (ko) 쉴드 tbm의 순굴진속도 예측 장치 및 그 방법
CN115659749B (zh) 基坑变形预测方法及***、电子设备和存储介质
CN113610945B (zh) 一种基于混合神经网络的地应力曲线预测方法
KR102155101B1 (ko) 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체
CN112035941A (zh) 一种基于bas-bp模型的深基坑开挖地表沉降预测方法
Sundell et al. A probabilistic approach to soil layer and bedrock-level modeling for risk assessment of groundwater drawdown induced land subsidence
CN115481565A (zh) 一种基于lstm和蚁群算法的土压平衡盾构机掘进参数预测方法
CN110908000A (zh) 基于变维贝叶斯的隧道瞬变电磁数据解释方法
CN113298220A (zh) 一种基于神经网络优化的盾构机掘进速度预测方法
CN113742995A (zh) 一种基于煤矿大数据的矿井涌水量预测方法及***
CN115115129A (zh) 一种基于加权随机森林的tbm施工速度预测方法
CN115293316A (zh) 基于ssa-elman中深埋厚煤层导水裂隙带预测方法
CN115688251A (zh) 基于深度学习的地震多发区隧道风险决策方法及***
CN117150875A (zh) 基于深度学习的钻前测井曲线预测方法
CN114488311A (zh) 基于ssa-elm算法的横波时差预测方法
CN117251802B (zh) 一种基于迁移学习的非均质储层参数预测方法及***
CN114509556A (zh) 一种预测场地重金属污染物浓度的方法
CN113836812B (zh) 一种利用智能算法识别硬岩厚度的盾构施工位姿调整方法
CN115577626A (zh) 一种基于土质参数量化的地面沉降预测方法及***
CN115046516A (zh) 基于单滑面r型深孔测斜曲线的滑动面位置精准确定方法
CN113282990A (zh) 一种盾构运动轨迹的智能化实时确定方法、终端和介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination