全金誼，張興國，王磊

(濟南市勘察測繪研究院，山東濟南 250013)

吳飛宇?

(蚌埠市勘測設計研究院，安徽蚌埠 233000)

高精度測量儀器在基坑監(jiān)測中的應用
——以濟南市大明湖路武岳廟歷史建筑保護基坑監(jiān)測項目為例

全金誼?，張興國，王磊

(濟南市勘察測繪研究院，山東濟南 250013)

以濟南市大明湖路武岳廟歷史建筑保護基坑監(jiān)測項目為例，論述了高精度儀器(DINI12電子水準儀、TS30全站儀)在基坑監(jiān)測中的應用，并將基坑監(jiān)測中可能遇到的問題進行了論述并提出了預防和處理的方法，結合實際生產(chǎn)探討了兩種高精度儀器的特點并介紹了它們在基坑沉降、位移等監(jiān)測過程中測量方法的應用。

基坑監(jiān)測；高精度；DINI12電子水準儀；TS30全站儀；沉降；位移

1 引 言

隨著城市的發(fā)展，土地可利用面積日趨減少，隨之而生的是高層建筑物的不斷增多，在這些工程中，基坑開挖會對周圍建筑物、路面、地下管線的穩(wěn)定造成一定的影響，同時由于周圍建筑物的擠壓作用，可能會導致基坑塌陷，因此要進行基坑監(jiān)測。

基坑監(jiān)測按內(nèi)容分為沉降和位移監(jiān)測。沉降是指建筑地基、基礎及地面在荷載作用下產(chǎn)生的豎向移動，包括下沉和上升[1]。位移是指建筑產(chǎn)生的非豎向變形[1]。

隨著儀器設備的不斷更新，高精度儀器已在沉降監(jiān)測中普遍使用，本文以濟南市大明湖路武岳廟歷史建筑保護基坑監(jiān)測項目為例，以天寶DINI12、徠卡TS30為例對基坑監(jiān)測(以二級監(jiān)測為例)中需要注意的問題及測量方法探討。

2 DINI12在沉降觀測中的應用

在基坑沉降觀測中，以天寶新DINI12為例，它每千米往返測高差中誤差為0.3 mm，測量時間僅3 s，最短視距達1.5 m，是精度最高的電子水準儀。而且當尺子傾斜、傾斜超出儀器讀數(shù)穩(wěn)定性范圍、震動過大超出儀器讀數(shù)穩(wěn)定性范圍、最大視距超限、最小視線高度超限、最大視線高度超限、最大站差超限、多次讀數(shù)標準差超限時均可以自動報警。對于一般的基坑監(jiān)測項目，沉降路線一般在1 km～2 km，這樣就大大提高了觀測精度。對于基坑監(jiān)測這樣精密測量能更好體現(xiàn)沉降點的沉降量。

在進行沉降觀測作業(yè)過程中要著重注意以下幾點:

(1)進行基準點觀測時，要進行往返觀測，當返測開始時兩尺應互換位置，而且首次觀測要獨立進行兩次。而且要根據(jù)基坑開挖及基坑水位降水進度及時對基準點進行復測。

(2)對沉降點進行首次觀測時，必須進行獨立兩次往返觀測。

(3)視線高度，最低為0.3 m，最高為2.8 m(3 m尺長)，最長視距不能超過100 m。

(4)一般規(guī)模工程只需一臺水準儀和配套水準尺，在項目開始前，要對所能用到的水準儀、水準尺進行鑒定，未經(jīng)過鑒定的儀器在觀測過程中出現(xiàn)粗差是無法正確找到的；并對不同的尺進行零點誤差校正，方法為在同一尺臺上分別對所用水準尺進行觀測，如果讀數(shù)在1 mm內(nèi)則不需要改正，超出則要進行改正；

(5)如果用電子水準儀，每天施測前必須進行i角的檢測，i角不應大于10″?！督ㄖ冃螠y量規(guī)程》(JGJ8-2007)中規(guī)定應避開日出日落1 h以內(nèi)，正午前1 h、后2 h。

(6)因為沉降點本身變化較小，所以作業(yè)方法應嚴格按照規(guī)范，即要遵循固定儀器、固定人員、固定路線，這樣可以減小誤差。特別是轉點和監(jiān)視點應固定，因為儀器的i角對監(jiān)視點的影響會導致數(shù)據(jù)出現(xiàn)粗差，在粗差數(shù)值較小時將直接導致對沉降量變化的正確判斷。

(7)作業(yè)過程中，要對每個監(jiān)測點的實時高程與前幾期數(shù)據(jù)進行比較，當某個點發(fā)生較大變化時，大多情況是粗差導致的，這樣可以及時發(fā)現(xiàn)粗差的存在、提高工作效率。

(8)要在每期觀測完畢兩天內(nèi)進行數(shù)據(jù)處理，根據(jù)沉降量繪出沉降曲線圖，當某個觀測點出現(xiàn)高程突變時，應分析原因。如果是正常沉降，則應向甲方通告；如果是外界原因導致的則應分析原因并在數(shù)據(jù)報告中敘述。

3 TS30在位移觀測中的應用

基坑位移觀測采用徠卡TS30高精度智能型全站儀，TS30采用全新的壓電陶瓷驅動技術(180°/s轉速)比使用傳統(tǒng)馬達驅動的全站儀的效率整整提高了3倍，而且在一測回觀測過程中半測回結束后可以自動進行倒鏡測量，經(jīng)鑒定其一測回水平方向中誤差為0.44″(標準精度為0.5″)，ATR(自動搜索)角度精度為1″，測距精度為0.39 mm+0.10 ppm×D(標準精度為0.6 mm+0.10 ppm×D)。該儀器有自動搜索、自動觀測(多測回測角軟件)的功能，測角最佳搜索距離為200 m[3]，一般基坑監(jiān)測點位距離均小于200 m，可以滿足二級監(jiān)測精度要求。

圖1 TS30ATR望遠鏡結構示意圖

TS30配備了由徠卡上海技術中心開發(fā)的多測回測角軟件，用于基坑位移監(jiān)測點的自動觀測。原理是方向觀測法，在工作基點(固定觀測墩)上架設全站儀，通過測角測邊的方式獲得監(jiān)測點數(shù)據(jù)，然后內(nèi)業(yè)進行計算坐標，并與之前所測數(shù)據(jù)進行比較得到其位移變化量。軟件的使用流程為:設站(配起始方向)-設定限差-目標點學習-自動觀測。其中在目標點學習過程中，不需要精確瞄準目標棱鏡，只需將ATR功能打開并粗略瞄準，按照方向觀測法進行半測回作業(yè)，在進行學習時要選擇正確的棱鏡類型，因為學習過程中選定的棱鏡類型在自動觀測時將被繼承。

軟件有規(guī)范中涉及的多種限差檢核(包括測回較差、2C互差、測回間2C互差、讀數(shù)差、歸零差及垂直角各種限差等等)，可以真正做到在測量的過程中對測量數(shù)據(jù)進行監(jiān)督檢查，保證測量成果的可靠性，并且觀測的數(shù)據(jù)導入由徠卡上海技術中心開發(fā)的多測回測角軟件后，可以生成各種報表，如水平角觀測記錄表、垂直角觀測記錄表、平距及斜距觀測記錄表等等，同時允許輸出專業(yè)平差軟件所能識別的文件格式，如圖3所示為PDF格式文件，一旦生成不允許修改，能保證數(shù)據(jù)的原始性，非常方便。

圖2 多測回測角軟件界面圖

圖3 自動生成的水平角觀測記錄手簿

其他位移監(jiān)測方法有:視準線法、小角度法、前方交會(測角、測邊交會)、極坐標法等，其中視準線法適用于觀測點在同一條線上點，在基坑兩端埋設2個永久控制點，在這2點之間埋設一排觀測點、定期觀測這排點偏離固定方向的距離，并進行比較，即可得出這些測點的水平位移量。當基準線太長時，目標模糊，讀數(shù)照準精度太差；且后視點與測點距離相差太遠，望遠鏡調(diào)焦誤差較大，無疑對觀測成果有較大影響。另外此方法還受到大氣折射等因素的影響[4]。

小角度法適用觀測點零亂，不在同一直線的情況下，測出各點的水平角度和距離，然后用計算公式計算出本次偏移值和上次的相減即是這次的位移沉降量。須場地較為開闊，基準點應該離開監(jiān)測區(qū)域一定的距離之外，設在不受施工影響的地方[5]。

前方交會(測角、測邊交會)由于受測角誤差、測邊誤差、交會角及圖形結構、基線長度、外界條件的變化等因素影響，精度較低。另外，其觀測工作量較大，計算過程較復雜，故不單獨使用，而是常作為備用手段或配合其他方法使用[6]。

極坐標法:邊角交會使用方便，尤其是利用全站儀進行測量可以直接測得坐標，簡單快速。但精度較低，適用于精度不是很高的水平位移監(jiān)測工作。

利用導線法進行觀測，雖然方法和極坐標法相似，但精度較極坐標法有很大提高，首先是對邊、角分別進行4測回觀測，增加了檢核條件；其次利用TS30多測回自動測角軟件進行自動觀測，杜絕了人為操作誤差，大大提高了觀測精度。

在進行位移監(jiān)測作業(yè)過程中要著重注意以下幾點:

(1)項目開始前，應對全站儀、棱鏡、底座等設備進行年度鑒定。

(2)進行基準點及工作基點觀測時，要進行左右角觀測，并在每個測回間要人工進行配置讀盤。計算坐標時平距值要取往返測均值。

(3)在測距前要將溫度、濕度、氣壓值輸入到全站儀中進行距離自動改正，以消除外界因素對測距影響。內(nèi)業(yè)時還要根據(jù)儀器鑒定證書上測定的數(shù)值進行加、乘常數(shù)改正。

(4)要在每一站對儀器的氣泡進行校正，選擇l、t校正菜單對一起的補償器縱向和橫向指標差進行改正，而且要根據(jù)測量數(shù)據(jù)情況定期校正其他改正數(shù)，如豎直角指標差(i)、水平照準誤差(c)、橫軸傾斜誤差(a)及ATR零位誤差(ATR)。

(5)在進行自動觀測目標點學習時，一定要選對棱鏡類型，因為在自動觀測時會默認學習時的棱鏡類型。

(6)當采用鋼樁標志進行位移測量時，由于標志的埋設不可能是完全豎直的，在安置棱鏡時勢必會產(chǎn)生偏差，實踐得到粗差可達到1 mm，對于基坑監(jiān)測是不允許的。根據(jù)經(jīng)驗，在首次觀測時，對棱鏡和標志點進行配對，在對好位置后，用標簽紙(其他有豎直線的紙張均可)粘貼在棱鏡和標志上，每次觀測時將棱鏡擰到底然后再倒回初始安置狀態(tài)使得標簽紙上下兩條線重合。在以后各期觀測時可以避免棱鏡安置帶來的粗差，如圖4所示。

圖4 棱鏡安置示意圖

(7)要在每期觀測完畢兩天內(nèi)進行數(shù)據(jù)處理，根據(jù)位移量繪出位移曲線圖，當某個觀測點出現(xiàn)突變時，應分析原因。如果是正常位移，則應向甲方通告；如果是車輛碾壓、施工破壞等外界原因導致的則應分析原因并在數(shù)據(jù)報告中敘述。

4 結 論

基坑監(jiān)測具有時效性、高精度性，用高精度儀器進行基坑的沉降及位移監(jiān)測，能夠為施工開展提供及時、準確、方便的反饋信息，節(jié)省了時間，提高了工效，相對于其他儀器的方法，有很大的優(yōu)越性，同時也保證了精度，為現(xiàn)場監(jiān)測人員提供了一種可行的監(jiān)測方法。

[1] JGJ 8-2007.建筑變形測量規(guī)范[S].

[2] JGJ120-99.建筑基坑支護技術規(guī)范[S].

[3] 徠卡TS30/TM30用戶手冊1.1版中文[Z].2010.

[4] 谷川，張岳.幾種水平位移監(jiān)測方法的分析和比較[J/ OL].中國科技論文在線.

[5] 徐漢濤.小角法水平位移觀測的誤差分析[J].南通工學院學報，2001(3)：37～40.

[6] 周西振.前方交會法測定變形監(jiān)測點最佳交會圖形的探討[J].勘察科學技術，2002(3)：53～55.

[7] 余建生.測邊前方交會法在廣蓄上庫壩的應用[J].水力發(fā)電，2001(11)：222～225.

[8] 樊志軍，李紅兵.極坐標法測設平面位置的精度分析[J].地礦測繪，2004，20(4)：12～14.

基于灰色神經(jīng)網(wǎng)絡模型的基坑變形預測研究

吳飛宇?

(蚌埠市勘測設計研究院，安徽蚌埠 233000)

摘 要：結合灰色GM(1，1)模型和BP神經(jīng)網(wǎng)絡模型各自的優(yōu)缺點，建立了灰色神經(jīng)網(wǎng)絡組合模型，并采用該模型對實際的監(jiān)測數(shù)據(jù)進行處理和分析。結果表明，灰色神經(jīng)網(wǎng)絡充分發(fā)揮了灰色模型和神經(jīng)網(wǎng)絡模型的優(yōu)勢，取得了較好的預測精度，能夠滿足實際應用的需要。

關鍵詞：灰色模型；灰色神經(jīng)網(wǎng)絡；預測

1 引 言

隨著我國社會經(jīng)濟的快速發(fā)展和城市規(guī)模的不斷擴大，各項大型工程的建設也在蓬勃興起，從而帶動了基坑工程的快速發(fā)展。基坑工程具有面積大、深度大、造價高及施工難度大等特點，其穩(wěn)定性和安全性越來越受全社會的普遍關注，因此變形預測和預報成為一項十分重要的工作[1]。基于基坑的結構類型、組成物質的物理學性質、外力作用的多變性和不確定性，很難建立合適的確定性模型。為了尋找一種有效的方法揭示變形監(jiān)測數(shù)據(jù)的內(nèi)在結構和規(guī)律，可以建立動態(tài)模型，來預測變化趨勢。目前用于變形預測模型有很多種[2]，如回歸分析模型、時間序列分析模型、灰色系統(tǒng)模型、神經(jīng)網(wǎng)絡模型、卡爾曼濾波模型、小波分析模型等。這些模型各有特點，適合不同的場所?；疑到y(tǒng)模型適合于“小樣本、貧信息”等單一的指數(shù)增長模型，對非線性和不確定因素的數(shù)據(jù)序列進行預測。但是對于序列數(shù)據(jù)出現(xiàn)的突變和異常情況難以處理，使得預測誤差大幅度升高。而神經(jīng)網(wǎng)絡模型具有并行處理、信息分布式存儲、容錯能力強、自適應學習功能等優(yōu)點，可以對預測的突變數(shù)據(jù)進行學習，來對出現(xiàn)的特殊情況進行預測。然而神經(jīng)網(wǎng)絡也有自身的不足，它需要有大量的訓練樣本，訓練樣本不但數(shù)量多，還需要具有代表性，在實際工程中難以滿足。本文討論的灰色神經(jīng)網(wǎng)絡模型是一種組合模型，它集中了灰色理論和人工神經(jīng)網(wǎng)絡模型二者的優(yōu)點，通過灰色理論對原始數(shù)據(jù)進行累加生成，突出趨勢的影響，使得神經(jīng)網(wǎng)絡的非線性激勵函數(shù)更易于逼近，減小不確定成分對灰色理論預測值的影響，從而提高預測結果的精度。

2 灰色神經(jīng)網(wǎng)絡模型

2.1 GM(1，1)模型的建立[3][4]

對＾x(1)(k+1)進行一次累減，即可得到的初始數(shù)據(jù)序列的還原值:

通過GM(1，1)建模的整個過程可以看出，其原理是將非負原始序列作累加生成，使其呈現(xiàn)指數(shù)特性，并在指數(shù)函數(shù)類中找到生成函數(shù)，建立微分方程去逼近生成序列。

2.2 BP神經(jīng)網(wǎng)絡模型

在各種神經(jīng)網(wǎng)絡結構中，BP神經(jīng)網(wǎng)絡是目前應用較為成功和廣泛的神經(jīng)網(wǎng)絡，它屬于一種前饋型神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡不但有輸入層節(jié)點(單元)、輸出層節(jié)點，而且還有一層或多層隱含層節(jié)點，層與層之間多采用全連接方式，但同一層之間的節(jié)點不存在互相連接[5]。BP神經(jīng)網(wǎng)絡具有誤差反向傳播算法的學習過程，通常包括信息的正向傳播與誤差的反向傳播。

第一階段，正向傳播過程:輸入層神經(jīng)元通過接受外界的輸入信息，并傳遞給中間層神經(jīng)元，中間層神經(jīng)元負責前后層之間的信息交換，按照信息變化能力的需求，進而確定出中間層設計的隱含層的數(shù)量，最終將信息傳到輸出層，經(jīng)過進一步的處理，完成一次神經(jīng)網(wǎng)絡學習的正向傳播處理過程，并由輸出層把信息處理結果輸出外界。

第二階段，反向傳播過程:若網(wǎng)絡的輸出和期望輸出不符時，網(wǎng)絡就會進入誤差的反向傳播過程，誤差通過輸出層，通過采用誤差梯度下降的方式來調(diào)整各層權值，并向隱含層、輸入層逐層反向傳播。

這兩個階段的重復進行，使得各層權值不斷修正和優(yōu)化，是神經(jīng)網(wǎng)絡學習訓練的過程，該過程不斷進行直到網(wǎng)絡的輸出誤差最小，或達到預定的學習次數(shù)為止。

2.3 灰色神經(jīng)網(wǎng)絡組合模型[6，7]

灰色神經(jīng)網(wǎng)絡的組合預測模型是將灰色GM(1，1)模型和BP神經(jīng)網(wǎng)絡模型相結合，并充分發(fā)揮灰色系統(tǒng)和BP神經(jīng)網(wǎng)絡模型各自的優(yōu)勢，實現(xiàn)兩者優(yōu)勢互補，從而提高計算精度和運算能力，更好地解決實際工程中復雜的不確定問題。

灰色神經(jīng)網(wǎng)絡組合模型的建模原理是采用灰色GM(1，1)模型對原始數(shù)據(jù)序列進行預測，并對原始數(shù)據(jù)進行擬合求出殘差序列，再使用BP神經(jīng)網(wǎng)絡對灰色GM(1，1)模型預測出來的殘差序列進行修正，將灰色GM(1，1)模型預測出來的數(shù)據(jù)和BP神經(jīng)網(wǎng)絡模型修正后的殘差序列進行組合，最終得到組合模型的預測結果。在BP神經(jīng)網(wǎng)絡訓練過程中，網(wǎng)絡中只有一個輸出，輸出層采用線性轉換函數(shù)，就可以較好的逼近任意非線性函數(shù)，隱函數(shù)的結點個數(shù)根據(jù)具體情況確定，具體實施步驟如下:

采用BP神經(jīng)網(wǎng)絡進行殘差修正的預測模型流程，如圖1所示。

圖1 灰色神經(jīng)網(wǎng)絡模型流程圖

3 實例分析

某大型深基坑工程位于合肥濱湖新區(qū)地段，基坑開挖深度11 m～14 m，基坑工程類別為一級。該場地地下水類型主要有上層滯水、第四系松散巖類孔隙裂隙水。土層滯水主要賦存于人工填土層中，水位不連續(xù)，變化幅度大，主要接受大氣降水和地表水體的補給?；泳€路東側沿線分布有多個水塘，部分坑內(nèi)有積水。水坑均為雨季雨水匯集形成，個別水坑在線路上方?；邮┕み^程中，若發(fā)生較大范圍的土體變形，造成邊坡土體開裂，會導致水塘內(nèi)積水滲入基坑，從而影響基坑施工安全。在此期間，為實時了解基坑在開挖過程中的變形情況，對該基坑進行了定期觀測。其中基坑的沉降監(jiān)測點位布設如圖2所示。

圖2 基坑沉降監(jiān)測點位布設圖

為了檢驗灰色神經(jīng)網(wǎng)絡模型在變形監(jiān)測數(shù)據(jù)預測中的效果，對該基坑冠梁上監(jiān)測點x-2的沉降數(shù)據(jù)數(shù)據(jù)進行計算分析。這里選取4個月的監(jiān)測數(shù)據(jù)，時間間隔為4 d，共計22次數(shù)據(jù)，分別用3種模型進行預測分析。采用前19次實測數(shù)據(jù)建立相應模型，對后3次數(shù)據(jù)進行預測，將獲得的擬合結果和預測結果同實測數(shù)據(jù)進行比較分析。通過MATLAB進行編程計算，可得GM(1，1)模型擬合結果如表1所示。相對誤差的計算公式為:

式中:｜ek｜為殘差，xk為原始值即為本期沉降量。

灰色神經(jīng)網(wǎng)絡組合模型是以GM(1，1)模型計算出來的殘差序列建立等維信息BP神經(jīng)網(wǎng)絡模型，通過MATLAB軟件[8]建立一個三層的BP神經(jīng)網(wǎng)絡:輸入層、隱含層和輸出層。在本例計算中，輸入層單元為4個，輸出層單元為1，隱含層采用tansig(雙曲正切S型傳遞函數(shù))，輸出層采用purelin(線性傳遞函數(shù))，通過traingdm(梯度下降動量BP算法函數(shù))對網(wǎng)絡進行訓練，最大訓練次數(shù)取2 000，動量因子取0.9，學習速率取0.1，訓練目標誤差取0.01，每20步顯示一次。為了加快BP神經(jīng)網(wǎng)絡的收斂速度，在樣本數(shù)據(jù)進行學習訓練之前，需對數(shù)據(jù)進行歸一化處理，將處理后的數(shù)據(jù)加載到神經(jīng)網(wǎng)絡中進行學習訓練。BP神經(jīng)網(wǎng)絡在學習訓練過程中，通過不斷地調(diào)整神經(jīng)元的個數(shù)，對產(chǎn)生的誤差進行對比，選取合適的神經(jīng)元個數(shù)。具體操作:以數(shù)據(jù)序列第1次～4次的實測數(shù)據(jù)作為輸入層，第5次作為輸出；再以時間序列第2次～5次的實測數(shù)據(jù)作為輸入層，第6次數(shù)據(jù)作為輸出，以此類推，利用這19組數(shù)據(jù)對BP神經(jīng)網(wǎng)絡結構進行學習訓練，經(jīng)不斷調(diào)試發(fā)現(xiàn)當隱含層節(jié)點個數(shù)取為9時，網(wǎng)絡預測誤差達到最小，減少或增加節(jié)點數(shù)均會增加網(wǎng)絡的預測誤差，通過訓練好的網(wǎng)絡結構，來預測出20次～22次數(shù)據(jù)，將輸出的結果進行反歸一化處理，同實測數(shù)據(jù)進行對比檢驗?；疑窠?jīng)網(wǎng)絡模型擬合結果如表1所示。

兩種模型的擬合結果 表1

為了檢驗兩種模型的預測精度，分別對GM(1，1)模型和灰色神經(jīng)網(wǎng)絡模型的預測結果進行比較，如表2所示。

兩種模型的預測結果對比 表2

在表2中，灰色GM(1，1)模型和灰色神經(jīng)網(wǎng)絡組合模型預測結果的平均相對誤差分別為8.7%和3.57%，可以看出，灰色組合模型所獲得的預測結果更加趨近于實測值，精度更高。圖3列出了兩種模型的擬合和預測情況，可以看出，灰色神經(jīng)網(wǎng)絡的預測精度明顯高GM(1，1)模型的預測精度，尤其是數(shù)據(jù)序列存在上下波動的情況下。在實際的變形監(jiān)測過程中，由于許多不確定因素的存在，大多數(shù)獲得的數(shù)據(jù)序列是波動的，此時我們可以采用灰色神經(jīng)網(wǎng)絡模型進行預測，可有效提高精度，并獲得較滿意的結果。

圖3 兩種模型的擬合值和預測值與實測值的比較

4 結 語

本文將灰色理論和神經(jīng)網(wǎng)絡模型相結合，建立灰色神經(jīng)優(yōu)化組合模型，充分發(fā)揮兩者優(yōu)勢，能夠在小樣本，貧信息及數(shù)據(jù)有波動等情況下對變形監(jiān)測數(shù)據(jù)做出比較準確的模擬和預測，并具有模型簡單、無需確定非線性函數(shù)和計算方便等優(yōu)點，從而為變形監(jiān)測的數(shù)據(jù)處理提供一種有效的方法。但灰色理論和神經(jīng)網(wǎng)絡如何更好地結合以及神經(jīng)網(wǎng)絡隱含層的選擇、網(wǎng)絡參數(shù)的選擇和網(wǎng)絡結構的確定，還有待進一步的探討。

參考文獻

[1] 黃聲享，尹暉，蔣征.變形監(jiān)測數(shù)據(jù)處理[M].武漢：武漢大學出版社，2003.

[2] 張正祿，黃全義，文紅雁等.工程的變形監(jiān)測分析與預報[M].北京：測繪出版社，2007.

[3] 鄧聚龍.灰色系統(tǒng)理論教程[M].武漢：華中理工大學出版社，1990.

[4] 劉思峰，黨耀國，方志耕等.灰色系統(tǒng)理論及其應用[M].北京：科學出版社，2004.

[5] 陳祥光，裴旭東.人工神經(jīng)網(wǎng)絡技術及應用[M].北京：中國電力出版社，2003.

[6] 樊偉，楊軍，劉廷廷.灰色神經(jīng)網(wǎng)絡組合模型及在滑坡預測中的應用[J].人民長江，2005，36(11)：48～50.

[7] 呂宏輝，鐘珞，夏紅霞.灰色系統(tǒng)與神經(jīng)網(wǎng)絡融合技術探索[J].微機發(fā)展，2000，10(3)：5～7.

[8] 飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡理論與MATLAB實現(xiàn)[M].北京：電子工業(yè)出版社，2005.

[9] 吳飛宇.灰色系統(tǒng)和神經(jīng)網(wǎng)絡技術在深基坑變形監(jiān)測中的應用研究[D].合肥：合肥工業(yè)大學，2011.

Abstract:This paper combin the advantages and disadvantages of grey model and neural network，and builds grey neural network.The observation data is processed and analyzed by thismodel.The result shows that grey neuralmodel can full play greymodel and neuralmodel of their advantages，and obtains highly precise forecast accuracy，which can meet the demand of application.

Key words:greymodel；grey neural network model；forecasting

The Application of High-Precision Instruments in the Excavation M onitoring——Order to Wuyuem iao Dam ing Lake Road Jinan Protection of Historic Nuildings Rxcavation M onitoring Project for Exam p le

Quan Jinyi，Zhang Xingguo，Wang Lei
(Jinan Geotechnical Investigation and Surveying Institute，Jinan 250013，China)

In this paper，order to Wuyuemiao Daming lake road Jinan protection of historic buildings excavationmonitoring project for example。Discuss the application of high-precision instruments(DINI12 electronic level，TS30 total station)in the excavation monitoring and problems encountered in the excavation monitoring approach on the issue，and excavation monitoring possible problems were discussed and proposed methods of prevention and treatment，combined with the actual production to explorecharacteristics of two high-precision instruments and the application of themonitoring process of their settlement in the pit，displacementmeasurementmethod.

excavation monitoring；precision；DINI12 electronic level；TS30 total station；settlement；displacement

Research on Predicting Deformation of Foundation Pit Based on Grey Neural Network M odel

Wu Feiyu
(Bengbu Design and Research Institute of Exploration and Surveying，Bengbu 233000，China)

1672-8262(2013)02-150-04

P258，TU196文獻標識碼：B

2-8262(2013)02-154-04中圖分類號：TU433，P258

A

2012—05—18

全金誼(1982—)，男，工程師，主要從事工程測量工作。

?

2012—12—24

作者簡介:吳飛宇(1987—)，男，助理工程師，主要從事城市工程測量工作。