劉 錦， 李峰輝， 劉秀秀

(1. 陜西鐵路工程職業(yè)技術(shù)學(xué)院城軌工程學(xué)院， 陜西 渭南 714000；2. 鄭州市交通規(guī)劃勘察設(shè)計(jì)研究院， 河南 鄭州 450000； 3. 曲阜遠(yuǎn)東職業(yè)技術(shù)學(xué)院， 山東 濟(jì)寧 273100)

0 引言

基坑工程影響因素多、施工難度大，工程建設(shè)風(fēng)險(xiǎn)隨開(kāi)挖規(guī)模擴(kuò)大急劇增加[1]?？觾?nèi)土體因開(kāi)挖卸荷形成內(nèi)外壓力差，支護(hù)結(jié)構(gòu)內(nèi)力改變產(chǎn)生位移形變；若結(jié)構(gòu)強(qiáng)度或剛度不足，易導(dǎo)致支護(hù)樁傾斜，發(fā)生土體坍塌事故，嚴(yán)重時(shí)會(huì)造成地坪開(kāi)裂、管線損壞及周圍建筑物不均勻沉降[2]。因此，對(duì)基坑開(kāi)挖實(shí)施動(dòng)態(tài)監(jiān)測(cè)尤為重要。根據(jù)監(jiān)測(cè)數(shù)據(jù)適時(shí)調(diào)整施工工藝和支護(hù)參數(shù)，可實(shí)現(xiàn)信息化施工，保證基坑盡可能在安全經(jīng)濟(jì)的環(huán)境下進(jìn)行施工。

傳統(tǒng)基坑監(jiān)測(cè)方法忽視位移形變的預(yù)警，僅事后采取補(bǔ)救措施，錯(cuò)失加固修復(fù)最佳時(shí)機(jī)，存在重大安全隱患。基坑變形隨時(shí)間呈不規(guī)則非線性演化，位移值屬于非平穩(wěn)的復(fù)雜時(shí)間序列，因而具有優(yōu)越的非線性動(dòng)態(tài)處理能力的BP(back propagation，簡(jiǎn)稱BP)神經(jīng)網(wǎng)絡(luò)被廣泛用于基坑變形預(yù)測(cè)。目前，許多學(xué)者依托實(shí)際工程構(gòu)建多種BP神經(jīng)網(wǎng)絡(luò)模型用于基坑變形預(yù)測(cè)。張慶華等[3]提出“新陳代謝”方法選取人工神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練樣本，能有效預(yù)測(cè)基坑的長(zhǎng)期變形； 楊茜[4]通過(guò)對(duì)比優(yōu)選網(wǎng)絡(luò)訓(xùn)練模式和傳遞函數(shù)，改進(jìn)模型對(duì)隧道結(jié)構(gòu)整體沉降預(yù)測(cè)效果良好； 胡啟晨等[5]建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型用于基坑開(kāi)挖變形預(yù)測(cè)，具有一定應(yīng)用價(jià)值； 譚儒蛟等[6]基于神經(jīng)網(wǎng)絡(luò)提出一種土體參數(shù)反演方法； 劉聰?shù)萚7]從基坑變形影響因素分析輸入層神經(jīng)元結(jié)構(gòu)，并結(jié)合工程實(shí)例進(jìn)行預(yù)測(cè)分析。

BP算法因自身傳遞函數(shù)限制，導(dǎo)致其存在收斂速度慢、易陷入局部極小點(diǎn)的缺陷，引入具有強(qiáng)大的全局尋優(yōu)能力的遺傳算法可在一定程度上有效克服其不足。利用遺傳算法隨機(jī)性和全局性特點(diǎn)，李彥杰等[8]基于遺傳算法對(duì)BP算法的初始權(quán)重和閾值進(jìn)行改進(jìn)，建立的預(yù)測(cè)程序?qū)ι罨拥叵逻B續(xù)墻圍護(hù)結(jié)構(gòu)水平位移預(yù)測(cè)準(zhǔn)確度高； 周星勇等[9]針對(duì)BP神經(jīng)網(wǎng)絡(luò)存在的過(guò)度擬合和局部最優(yōu)的缺點(diǎn)，引入自適應(yīng)增強(qiáng)算法對(duì)遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行改進(jìn)； 胡圣武[10]用遺傳算法對(duì)灰色神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，提高了預(yù)測(cè)精度； 宋楚平[11]利用遺傳算法對(duì)模型權(quán)重初值進(jìn)行優(yōu)選，改進(jìn)模型的收斂速度和泛化能力均得到提升。

上述預(yù)測(cè)模型對(duì)基坑變形具有一定參考價(jià)值，但在訓(xùn)練樣本選取、樣本數(shù)據(jù)預(yù)處理及隱含層結(jié)構(gòu)設(shè)計(jì)等方面仍存在優(yōu)化空間，模型的預(yù)測(cè)精度和運(yùn)算速度有待進(jìn)一步提高。為解決上述問(wèn)題，本文對(duì)GA-BP模型的歸一化區(qū)間和隱含層結(jié)構(gòu)進(jìn)行深入優(yōu)化，并對(duì)實(shí)際工程基坑支護(hù)樁體測(cè)斜位移展開(kāi)預(yù)測(cè)，通過(guò)誤差分析驗(yàn)證預(yù)測(cè)模型的合理性和優(yōu)化效果，以期進(jìn)一步為基坑變形監(jiān)測(cè)提供理論依據(jù)。

1 GA-BP神經(jīng)網(wǎng)絡(luò)

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)理論以人腦的自組織、自適應(yīng)及容錯(cuò)性為模擬對(duì)象，通過(guò)BP算法對(duì)實(shí)測(cè)資料進(jìn)行自身訓(xùn)練和規(guī)則學(xué)習(xí)，高效解決有關(guān)問(wèn)題。模型由輸入層、隱含層及輸出層構(gòu)成，各層可根據(jù)需要擴(kuò)展成多層，鄰近層以權(quán)重和閾值連接并借助傳遞函數(shù)承擔(dān)信號(hào)的轉(zhuǎn)化與傳播任務(wù)，屬于多層前饋性神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示。圖中：x1，x2，…，xi-1，xi表示初始輸入數(shù)據(jù)；w1，w2，…，wi-1，wi和α1，α2，…，αi-1，αi分別表示輸入層權(quán)值和閾值；γ1，γ2，…，γj-1，γj和β1，β2，…，βj-1，βj分別表示隱含層權(quán)值和閾值；i和G分別表示輸入值和輸出值。

圖1 BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)圖

BP神經(jīng)網(wǎng)絡(luò)獨(dú)特的無(wú)監(jiān)督學(xué)習(xí)算法是實(shí)現(xiàn)其功能的核心，利用梯度下降法校正輸出結(jié)果誤差平方和的誤差反向傳輸，是保證預(yù)測(cè)結(jié)果精度的前提。學(xué)習(xí)算法流程主要由信號(hào)順向傳播、誤差反向傳輸及循環(huán)訓(xùn)練與判別收斂等3個(gè)階段構(gòu)成。

1.2 遺傳算法優(yōu)化流程

遺傳算法(genetic algorithm，簡(jiǎn)稱GA)是一種結(jié)合Darwin適者生存進(jìn)化論和Mendel基因遺傳機(jī)制形成的具備全局最優(yōu)搜索能力的算法，目的在于實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)各層連接權(quán)值和閾值的最優(yōu)化，擺脫BP算法對(duì)梯度信息的過(guò)度依賴。

GA算法優(yōu)化基本思路是： 將初始權(quán)重和閾值編碼完成種群初始化，確定個(gè)體篩選標(biāo)準(zhǔn)—適應(yīng)度，利用遺傳算法的選擇、交叉及變異操作對(duì)群體進(jìn)行淘汰選優(yōu)，最終獲得神經(jīng)網(wǎng)絡(luò)最佳連接權(quán)值和閾值，其詳細(xì)算法流程如圖2所示。

圖2 GA-BP神經(jīng)網(wǎng)絡(luò)模型算法流程圖

2 GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型優(yōu)化

2.1 樣本數(shù)據(jù)預(yù)處理方法的優(yōu)化

神經(jīng)網(wǎng)絡(luò)訓(xùn)練需對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行歸一化處理，即將原始數(shù)據(jù)映射至選定的歸一化區(qū)間，據(jù)此可將有量綱的原始數(shù)據(jù)轉(zhuǎn)變成純數(shù)值的標(biāo)量，在提高模型訓(xùn)練速度和靈敏度的同時(shí)，有效預(yù)防陷入S型傳遞函數(shù)的飽和區(qū)。因此，歸一化區(qū)間的范圍對(duì)于神經(jīng)網(wǎng)絡(luò)模型的性能具有重要影響。

為尋求GA-BP神經(jīng)網(wǎng)絡(luò)模型的最佳歸一化區(qū)間，利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中的Postreg函數(shù)，對(duì)采取不同歸一化區(qū)間進(jìn)行歸一化處理的模型開(kāi)展訓(xùn)練效果回歸分析驗(yàn)證，以相關(guān)參數(shù)R(即網(wǎng)絡(luò)輸出與目標(biāo)輸出的相關(guān)系數(shù))表征各歸一化區(qū)間的訓(xùn)練質(zhì)量，其中R值越接近于1，表明網(wǎng)絡(luò)輸出與目標(biāo)輸出越接近，網(wǎng)絡(luò)的性能越好，具體分析結(jié)果如圖3所示。由圖可知，采用不同歸一化區(qū)間網(wǎng)絡(luò)模型的訓(xùn)練效果離散性較大，最佳歸一化區(qū)間為[0.05, 0.95]。

2.2 隱含層結(jié)構(gòu)優(yōu)化

神經(jīng)網(wǎng)絡(luò)模型輸入層和輸出層結(jié)構(gòu)由預(yù)測(cè)對(duì)象的訓(xùn)練樣本和需求結(jié)果共同決定，因而中間隱含層的構(gòu)成及其含有的神經(jīng)元節(jié)點(diǎn)數(shù)將直接影響模型的學(xué)習(xí)能力和運(yùn)算處理水平。需要注意的是，節(jié)點(diǎn)過(guò)少會(huì)造成模型容錯(cuò)性差，導(dǎo)致識(shí)別訓(xùn)練樣本的能力降低，而節(jié)點(diǎn)過(guò)多則引起學(xué)習(xí)算法的運(yùn)行時(shí)間顯著增長(zhǎng)，降低實(shí)際工程應(yīng)用價(jià)值。因此，模型的隱含層結(jié)構(gòu)需根據(jù)具體情況適當(dāng)調(diào)整。

注： 橫坐標(biāo)值表示歸一化區(qū)間左端點(diǎn)，x表示歸一化區(qū)間左端點(diǎn)值。

2.2.1 單隱含層及神經(jīng)元個(gè)數(shù)

現(xiàn)有神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型多采用單隱含層結(jié)構(gòu)，參考相關(guān)工程實(shí)例[3-9,11-15]，隱含層神經(jīng)元個(gè)數(shù)與輸入層神經(jīng)元個(gè)數(shù)的關(guān)系如圖4所示。

圖4 隱含層神經(jīng)元個(gè)數(shù)與輸入層神經(jīng)元個(gè)數(shù)關(guān)系

利用最小二乘法對(duì)上述數(shù)據(jù)進(jìn)行曲線擬合，可得單隱含層最佳神經(jīng)元個(gè)數(shù)與輸入神經(jīng)元個(gè)數(shù)的關(guān)系，可見(jiàn)單隱含層節(jié)點(diǎn)數(shù)最佳區(qū)間為[4，7]，單隱含層能夠包含的節(jié)點(diǎn)數(shù)受模型自身限制，顯然無(wú)法滿足輸入神經(jīng)元個(gè)數(shù)較多的工況。

2.2.2 雙隱含層及神經(jīng)元個(gè)數(shù)

采用實(shí)測(cè)數(shù)據(jù)作為訓(xùn)練樣本代入預(yù)測(cè)模型，即輸入神經(jīng)元個(gè)數(shù)較多時(shí)，單隱含層結(jié)構(gòu)由于包含的神經(jīng)元個(gè)數(shù)過(guò)多，將顯著降低網(wǎng)絡(luò)訓(xùn)練效果和模型預(yù)測(cè)精度。

參考相關(guān)方法[4]和數(shù)據(jù)[13]分別開(kāi)展GA-BP神經(jīng)網(wǎng)絡(luò)的單、雙隱含層訓(xùn)練，訓(xùn)練效果如圖5所示。

圖5 單、雙隱含層訓(xùn)練效果圖

由圖5可知，雙隱含層結(jié)構(gòu)達(dá)到預(yù)期目標(biāo)誤差的循環(huán)迭代次數(shù)均小于單隱層結(jié)構(gòu)，說(shuō)明當(dāng)輸入層節(jié)點(diǎn)數(shù)較多時(shí)，采用雙隱含層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練效果遠(yuǎn)比單隱含層結(jié)構(gòu)的好。

部分訓(xùn)練程序代碼如下：

[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T);

[kn,ks]=mapminmax(k);

[fn,fs]=mapminmax(f);

p=Pn;t=Tn;

net=newff(minmax(P),[a,b],{‘tansig’,‘purelin’});

net.trainParam.show=x1;

net.trainParam.epochs=x2;

net.trainParam.goal=x3;

net.trainParam.lr=x4;

[net,tr]=train(net,Pn,Tn);p,t。

其中，P和T是樣本歸一化后訓(xùn)練樣本的輸入和輸出，[a,b]、x1、x2、x3、x4均為適時(shí)調(diào)整參數(shù)。

3 改進(jìn)模型的建立

3.1 輸入層與輸出層設(shè)計(jì)

基坑施工環(huán)境是動(dòng)態(tài)變化的，因此，沉降變形具有“時(shí)空效應(yīng)”，運(yùn)用前期實(shí)測(cè)數(shù)據(jù)預(yù)測(cè)下一階段變形情況，可顯著降低人為因素干擾和施工環(huán)境差異引起的誤差。本文用連續(xù)4次的變形數(shù)據(jù)預(yù)測(cè)第5次位移值，故輸入層神經(jīng)元共4個(gè)，輸出層表示該測(cè)點(diǎn)4+id的沉降參數(shù)，即含有1個(gè)神經(jīng)元。

3.2 隱含層

輸入神經(jīng)元個(gè)數(shù)大于4時(shí)，采用雙隱含層結(jié)構(gòu)可有效防止函數(shù)溢出，提高模型預(yù)測(cè)結(jié)果的速度和精度，且可根據(jù)需要實(shí)時(shí)增加樣本數(shù)據(jù)，實(shí)現(xiàn)基坑變形的實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)。經(jīng)試算確定隱含層的神經(jīng)元個(gè)數(shù)分別為7、8，因此，本文GA-BP預(yù)測(cè)模型的網(wǎng)絡(luò)結(jié)構(gòu)為“4—2(7，8)—1”。

3.3 訓(xùn)練樣本選取與數(shù)據(jù)預(yù)處理

部分學(xué)者以基坑變形影響因素作為訓(xùn)練樣本[11,14]，但由于各因素間關(guān)系錯(cuò)綜復(fù)雜，難以準(zhǔn)確把握最關(guān)鍵因素，且部分指標(biāo)無(wú)法量化，導(dǎo)致建立的模型與實(shí)際情況匹配度低，預(yù)測(cè)結(jié)果與期望值相比誤差過(guò)大。因此，本文采用基坑變形實(shí)測(cè)數(shù)據(jù)作為模型輸入量，在有效降低人為因素干擾的同時(shí)能夠顯著降低施工環(huán)境差異引起的誤差，從而較好地反映系統(tǒng)的內(nèi)在變形規(guī)律，預(yù)測(cè)結(jié)果可以更好地應(yīng)用于工程實(shí)踐。同時(shí)，鑒于施工初始階段監(jiān)測(cè)數(shù)據(jù)少，無(wú)法滿足樣本需求，通過(guò)“新陳代謝”的方式控制訓(xùn)練樣本，將施工期間的監(jiān)測(cè)數(shù)據(jù)實(shí)時(shí)添加至樣本中，在提高模型預(yù)測(cè)精度的同時(shí)實(shí)現(xiàn)動(dòng)態(tài)監(jiān)控。

將選取的訓(xùn)練樣本進(jìn)一步歸一化預(yù)處理至[0.05, 0.95]，計(jì)算過(guò)程如式(1)所示。

(1)

歸一化與反歸一化MATLAB實(shí)現(xiàn)程序語(yǔ)言如下：

輸入訓(xùn)練樣本p和訓(xùn)練輸出樣本t

fori= 1:n；

P(i,:)=0.9*(p(i, :)-min(p(i, :)))/(max(p(i, :))-min(p(i, :)))+0.05；

T(i,:)=0.9*(t(i, :)-min(t(i, :)))/(max(t(i, :))-min(t(i, :)))+0.05。

最后，MATLAB軟件要將訓(xùn)練樣本的輸出值和預(yù)測(cè)樣本的輸出值都進(jìn)行反歸一化：

y=(Y(1,:)-0.05)*(max(t)-min(t)/0.9+min(t)；

yt=(Yt-0.05)*(max(t)-min(t))/0.9+min(t)。

其中，Y為訓(xùn)練樣本輸出值，Yt為預(yù)測(cè)樣本輸出值。

4 工程實(shí)例預(yù)測(cè)

4.1 工程概況

某人防工程擬建場(chǎng)地鄰近交通要道及市政排污管道密集區(qū)域，北側(cè)15 m為地下車庫(kù)工程基坑，西北側(cè)為重要?dú)v史建筑保護(hù)范圍。基坑平面呈不規(guī)則多邊形，總面積約22 000 m2，挖土深度為7.70～11.60 m，基坑上部4.0 m采用土釘支護(hù)，下部為樁錨支護(hù)，基坑周邊采用高壓旋注漿形成的水泥墻作為止水帷幕，安全等級(jí)為一級(jí)。西側(cè)有臨時(shí)道路，在地面1.2 m以下采用樁錨支護(hù)，上部1.2 m在冠梁上砌筑磚墻作為支護(hù)結(jié)構(gòu)。在基坑周邊共布設(shè)8個(gè)測(cè)斜管，選取CX-6號(hào)測(cè)斜管的監(jiān)測(cè)數(shù)據(jù)進(jìn)行支護(hù)樁位移預(yù)測(cè)。對(duì)基坑變形安全進(jìn)行監(jiān)測(cè)，可及時(shí)掌握支護(hù)結(jié)構(gòu)受力和變位情況，保證項(xiàng)目施工處于安全經(jīng)濟(jì)的狀況下運(yùn)行，基坑平面及測(cè)斜管布置如圖6所示。

圖6 基坑平面及測(cè)斜管布置示意圖

4.2 模型優(yōu)化效果驗(yàn)證

為驗(yàn)證GA-BP模型優(yōu)化效果，將優(yōu)化GA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與未改進(jìn)的BP和GA-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比分析，通過(guò)相對(duì)誤差表征預(yù)測(cè)效果優(yōu)劣，結(jié)果如圖7所示。

圖7 模型預(yù)測(cè)效果對(duì)比

由圖7可知， 優(yōu)化GA-BP神經(jīng)網(wǎng)絡(luò)模型的殘差值及其波動(dòng)性明顯優(yōu)于常規(guī)BP模型和未經(jīng)優(yōu)化處理的GA-BP模型，進(jìn)一步驗(yàn)證了本文模型具有更好的預(yù)測(cè)精度和可靠性。

4.3 模型合理性驗(yàn)證及誤差分析

CX-6測(cè)斜管不同深度處的水平位移隨時(shí)間的變化曲線如圖8所示。由圖可以看出，位移整體隨時(shí)間增長(zhǎng)呈3階段變化，即快速增長(zhǎng)階段Ⅰ、穩(wěn)定發(fā)育階段Ⅱ、緩慢變形階段Ⅲ； 變形幅度與測(cè)斜深度呈反比； 測(cè)斜變形增長(zhǎng)速率逐漸趨于緩和，在50 d之后基本保持穩(wěn)定。

圖8 CX-6測(cè)斜管不同深度處的水平位移隨時(shí)間的變化曲線

經(jīng)過(guò)反復(fù)試運(yùn)行確定單隱層最佳神經(jīng)元個(gè)數(shù)區(qū)間為[4，7]，此時(shí)模型循環(huán)收斂速度快，運(yùn)行誤差小，預(yù)測(cè)精度高。

選取時(shí)間0 ～ 40 d共40組數(shù)據(jù)作為訓(xùn)練樣本，迭代計(jì)算達(dá)到預(yù)期設(shè)定誤差后，對(duì)41～50 d對(duì)應(yīng)CX-6測(cè)斜管不同深度(2.0～4.5 m)的水平位移進(jìn)行預(yù)測(cè)，其實(shí)測(cè)與預(yù)測(cè)結(jié)果對(duì)比如圖9所示。

由圖9可知，預(yù)測(cè)曲線與實(shí)測(cè)值相比吻合度高，由于基坑開(kāi)挖過(guò)程中施工環(huán)境動(dòng)態(tài)變化且次要影響因素被忽略，導(dǎo)致預(yù)測(cè)值普遍略小于實(shí)測(cè)值； 同時(shí)，變形趨勢(shì)具有時(shí)間記憶特性，模型對(duì)時(shí)間點(diǎn)接近訓(xùn)練樣本的位移預(yù)測(cè)值精度更高，二者差值隨時(shí)間增長(zhǎng)逐漸變大。因此，實(shí)際應(yīng)用時(shí)需要不斷更新訓(xùn)練樣本以提高長(zhǎng)期預(yù)測(cè)的精度和可信度，工程實(shí)踐中可據(jù)此掌握基坑不同深度的變形情況，相應(yīng)采取不同的加固預(yù)防措施，有效防止工程事故的發(fā)生，實(shí)現(xiàn)信息化動(dòng)態(tài)施工監(jiān)測(cè)。

通過(guò)精度評(píng)價(jià)指標(biāo)(絕對(duì)誤差區(qū)間寬窄、相對(duì)誤差分布狀態(tài))對(duì)預(yù)測(cè)值進(jìn)行誤差分析，評(píng)判預(yù)測(cè)效果，不同深度下的水平位移誤差情況如圖10所示。

由圖10可以看出，整體上各深度的位移預(yù)測(cè)值偏差均保持在0.2 mm以內(nèi)，絕對(duì)誤差區(qū)間寬度為0.07 mm； 最大相對(duì)誤差為4.0 m深度處的1.35%，顯然滿足施工安全要求，能夠?yàn)楣こ淌┕ぬ峁?zhǔn)確的參考依據(jù)。

(a) 2.0 m深度 (b) 2.5 m深度 (c) 3.0 m深度

(d) 3.5 m深度 (e) 4.0 m深度 (f) 5.0 m深度

圖10 不同深度下的水平位移預(yù)測(cè)誤差分布

5 結(jié)論與建議

針對(duì)現(xiàn)有GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在訓(xùn)練樣本預(yù)處理和隱含層結(jié)構(gòu)設(shè)計(jì)方面的不足，提出進(jìn)一步優(yōu)化方法，主要結(jié)論如下：

1)基坑變形隨時(shí)間呈不規(guī)則非線性演化，具有強(qiáng)大全局尋優(yōu)能力的遺傳算法可有效克服BP算法收斂速度慢、易陷入局部極小點(diǎn)的缺陷，顯著提高神經(jīng)網(wǎng)絡(luò)模型的收斂速度和泛化能力。

2)基坑變形“時(shí)空效應(yīng)”顯著，通過(guò)“新陳代謝”方式選取訓(xùn)練樣本可顯著降低人為因素干擾，相關(guān)系數(shù)回歸分析驗(yàn)證樣本預(yù)處理的最佳歸一化區(qū)間為[0.05, 0.95]；單隱含層的最佳神經(jīng)元個(gè)數(shù)區(qū)間為[4，7]，雙隱含層結(jié)構(gòu)適用于輸入神經(jīng)元個(gè)數(shù)較多情況，可根據(jù)需要實(shí)時(shí)添加監(jiān)測(cè)數(shù)據(jù)，防止函數(shù)溢出，有助于提高預(yù)測(cè)結(jié)果的速度和精度。

3)基坑測(cè)斜管位移隨時(shí)間增長(zhǎng)呈快速增長(zhǎng)、穩(wěn)定發(fā)育、緩慢變形等3階段變化，變形趨勢(shì)具有時(shí)間記憶性； 精度評(píng)價(jià)指標(biāo)符合安全施工需要，可實(shí)現(xiàn)動(dòng)態(tài)化施工監(jiān)測(cè)，經(jīng)多模型對(duì)比可知模型優(yōu)化效果良好。

目前僅對(duì)GA-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行雙隱含層結(jié)構(gòu)設(shè)計(jì)，后續(xù)能否采用三或四隱含層結(jié)構(gòu)有待進(jìn)一步研究，以提高神經(jīng)網(wǎng)絡(luò)模型的運(yùn)算速度和預(yù)測(cè)精度。