尚紀斌

0 引言

建筑物在修建過程中，隨著自身荷載的不斷增加，建筑物整體會發(fā)生下沉的情況。當建筑物所在地過去是池塘等松軟地基時，雖然在施工工藝上已經進行了處理，但是仍然會對沉降產生影響。對于這樣的建筑，除了要不斷加強沉降觀測外，建立一個有效的數學模型，來預測沉降的大小，保證工程的安全有序是非常重要的。

本文采用BP人工神經網絡，利用博學苑小區(qū)某棟樓實測的沉降觀測數據直接建模，進行了樓房最終沉降趨勢的預測，并與后來實測結果進行了比較分析。

1 神經網絡模型

人工神經網絡(Artificial Neutral Networks，ANN)是由大量簡單的基本元件、神經元相互連接，通過模擬人的大腦處理信息的方式，進行信息并行處理和非線性的轉換的復雜網絡系統(tǒng)。在信息處理過程中具有自組織、自學習、自適應的特點。它的工作方式由2個階段組成:

1)學習階段，通過對所選樣本的學習過程，不斷修正各有向連接途徑的權值，使其學習結果十分逼近樣本值;

2)推理運行階段，即以學習過程不斷修正后的最終結果，對所需的信息實施處理。

目前應用最多的是BP神經網絡模型，該模型通常由三層組成:輸入層、隱含層、輸出層。每層內神經元之間不發(fā)生連接，僅相鄰層的神經元之間根據需要發(fā)生連接。

BP神經網絡的核心思想是，學習過程由信號的正向傳播與誤差的反向傳播2個過程組成。

正向傳播時，輸入樣本從輸入層傳入，經隱含層處理后，傳向輸出層。若輸出層的實際輸出值與期望不符，則轉入誤差反向傳播階段。

誤差反傳是將輸出誤差以某種形式通過隱含層向輸入層反傳，并將誤差分攤給各層所有神經元，從而獲得各層神經元的誤差信號，此誤差信號作為各神經元修正權值的依據，直至網絡訓練輸出的總誤差滿足一定要求就停止訓練，從而轉入推理階段。

2 工程應用

2.1 工程概況

南京博學苑小區(qū)某棟房屋，所處地帶為丘陵地形。開工前為一處水塘，水下淺層為淤泥。地基處理采用先清除水和淤泥，再灌注水泥砂漿工藝。由于房屋結構為磚混結構，6層半，20 m高。各墻面都承擔房屋的重量，所以整個地基底板為澆筑的整體板。

為了確保建筑安全，在建筑物周圍共布設了14個沉降觀測點，主要布設于房屋四角，伸縮縫兩側，主要承重的構造柱上。并采用二等水準測量的標準進行了12期觀測，歷時1年半。

2.2 網絡輸入與輸出

由于單隱層BP網絡的非線性映射能力比較強，所以我們采用單隱層神經網絡。輸入層神經元個數為3，隱含層神經元個數為7，輸出層神經元個數為1;隱含層的傳遞函數類型為tansig，輸出層的傳遞函數類型為purelin;訓練函數選取traingdx;學習函數選取learngdm，性能函數選取mse。

選取14個觀測點中的1號、7號、14號三個點作為樣本，以前8期各期累計沉降量為輸入數據，即訓練樣本，對后4期累計沉降量進行預測。

實測值見表1。

表1 該建筑物累計沉降實測值 mm

2.3 結果比較分析

應用上述樣本訓練后，對第9期～12期進行預測，并與實測值進行比較，見表2～表4。

從誤差大小可以看出，預測值與實測值基本相符。由于后期建筑逐漸處于穩(wěn)定期，所以誤差大小相對于每期的沉降值而言，出現波動情況，但是都在建筑安全范圍之內。

表2 1號點后4期累計沉降值比較 mm

表3 7號點后4期累計沉降值比較 mm

表4 14號點后4期累計沉降值比較 mm

3 結語

采用BP人工神經網絡模型進行建筑物沉降的預測是可行的。從比較結果看，預測結果比較理想。隨著工程的不斷推進，觀測數據的不斷增加，BP神經網絡可以不斷的輸入新的數據進行訓練和學習，從而進一步提高預測精度。此外，其抗干擾能力強，個別測點的誤差不會對結果產生大的影響。

[1]聞 新.MATLAB神經網絡應用設計[M］.武漢:華中理工大學出版社，1987.

[2]張德剛，翟 娟.基于BP人工神經網絡的公路軟土地基預測[J］.交通科技，2010(3):37-40.

[3]米鴻燕，蔣興華.基于灰色BP神經網絡的沉降觀測預測模型應用研究[J］.昆明理工大學學報，2007(4):27-30.