周衛(wèi)　王倩

摘 要：如何科學(xué)、合理地預(yù)測路基沉降是高速公路建設(shè)的關(guān)鍵，針對傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法易陷入局部極小值，影響預(yù)測精度的問題，本研究利用遺傳算法（genetic algorithm， GA）的全局尋優(yōu)能力對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，構(gòu)建了基于GA-BP神經(jīng)網(wǎng)絡(luò)的路基沉降預(yù)測模型。以高速公路路基沉降監(jiān)測進(jìn)行實(shí)驗(yàn)驗(yàn)證分析，結(jié)果表明：相較于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型，GA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度有了顯著的提高，可為高速公路的建設(shè)及后續(xù)工程的沉降預(yù)測提供參考。

關(guān)鍵詞：遺傳算法;BP神經(jīng)網(wǎng)絡(luò);路基沉降;沉降預(yù)測

中圖分類號：P208? ? ? ? ?文獻(xiàn)標(biāo)識碼：A? ? ? ? ? 文章編號：1672-5603（2022）03-76-05

Prediction of Subgrade Settlement Based on GA-BP Neural Network

Zhou Wei Wang Qian

（1. The First Surveying and Mapping Institute of Hunan Province， Changsha Hunan 410114; 2. Changsha University of Science & Technology， Changsha Hunan 410114）

Abstract： Scientific and reasonable prediction of subgrade settlement is the key to expressway construction， and the traditional BP neural network algorithm is easy to fall into local minimum， which affects the prediction accuracy. In this study， Genetic algorithm （GA）， having the global optimization ability， is used to optimize BP neural network， and a prediction model of subgrade settlement based on GA-BP neural network is constructed. The experimental verification analysis is carried out by monitoring the settlement of expressway subgrade. The experimental results show that compared with the traditional BP neural network model， the prediction accuracy of GA-BP neural network model is significantly improved， which can provide reference for expressway construction and follow-up projects.

Keywords： genetic algorithm; BP neural network; subgrade settlement; settlement prediction

監(jiān)測是高速公路建設(shè)和運(yùn)營過程中的重要內(nèi)容，國家有關(guān)規(guī)范都明確規(guī)定在軟土等特殊路基地區(qū)進(jìn)行鐵路、公路、堤防的施工要進(jìn)行路基沉降監(jiān)測，隨著我國高速公路建設(shè)進(jìn)入快速發(fā)展階段，當(dāng)前以及未來將會有越來越多的高速公路穿越不良地基路段，高速公路路基邊坡的穩(wěn)定性嚴(yán)重影響著高速公路的建設(shè)安全和運(yùn)營期的行車安全[1]。因此，對高速公路路基沉降觀測和預(yù)測都顯得十分重要。

國內(nèi)外專家學(xué)者對路基沉降做了大量分析研究，目前常見的沉降預(yù)測方法可分為理論計(jì)算法、建模計(jì)算法和曲線擬合法，如盧飛強(qiáng)等人采用時間序列分析法對軟土路基沉降數(shù)據(jù)預(yù)測，該方法避免了復(fù)雜的參數(shù)計(jì)算[2];馮懷平等人通過對路基沉降規(guī)律的研究，提出了一種適用于非飽和土地區(qū)路基的沉降預(yù)測曲線模型[3];張滿想等利用灰色模型對沉降數(shù)據(jù)進(jìn)行建模分析，進(jìn)而確定路基沉降預(yù)測值[4]。近年來，隨著人工智能深度學(xué)習(xí)尤其是神經(jīng)網(wǎng)絡(luò)算法的快速發(fā)展，數(shù)據(jù)的挖掘和抽取更加自動化、智能化[5]。BP （back propagation）神經(jīng)網(wǎng)絡(luò)因其具備高度自學(xué)習(xí)能力和泛化能力[6]，已成為應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。但是，BP神經(jīng)網(wǎng)絡(luò)存在易陷入局部極小值、收斂速度慢等問題[7]，影響其收斂和泛化能力。遺傳算法（genetic algorithm， GA）是一種全局優(yōu)化搜索算法[8]，采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)（GA-BP神經(jīng)網(wǎng)絡(luò)），保留了BP神經(jīng)網(wǎng)絡(luò)算法的非線性映射能力和遺傳算法的全局優(yōu)化搜索能力，已廣泛應(yīng)用于預(yù)測預(yù)報(bào)。在工程領(lǐng)域，馮紹權(quán)等人利用高鐵橋墩沉降數(shù)據(jù)提出了一種基于馬爾科夫鏈修正的遺傳BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型[9];朱建民等人建立了黃土高填方工程GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并對黃土高填方場地的工后沉降進(jìn)行預(yù)測[10]。藉此本研究嘗試將GA-BP神經(jīng)網(wǎng)絡(luò)算法引入路基沉降預(yù)測，利用已有的路基沉降觀測數(shù)據(jù)，構(gòu)建GA-BP神經(jīng)網(wǎng)絡(luò)模型并對路基的沉降進(jìn)行預(yù)測，并通過實(shí)驗(yàn)驗(yàn)證分析了BP神經(jīng)網(wǎng)絡(luò)和GA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度，進(jìn)而根據(jù)預(yù)測的結(jié)果更好地指導(dǎo)公路路基施工工作和運(yùn)營期的行車安全，防止出現(xiàn)較大的路基災(zāi)害事故。

1 GA-BP神經(jīng)網(wǎng)絡(luò)模型

1.1 BP神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元相互連接構(gòu)成，神經(jīng)元是其基本的結(jié)構(gòu)單元，通常是多輸入單輸出結(jié)構(gòu)，其結(jié)構(gòu)模型如圖1所示。

BP神經(jīng)網(wǎng)絡(luò)是一種基于誤差反向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，在分類識別、預(yù)警預(yù)測等領(lǐng)域得到了廣泛的應(yīng)用。標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)由三個部分組成，分別為輸入層、隱含層和輸出層。輸入層和輸出層為單層結(jié)構(gòu)，而隱含層可以由一層或者多層組成，單隱含層的網(wǎng)絡(luò)模型如圖2所示。BP神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)輸入層和輸出層的任意非線性映射，并采用梯度下降法調(diào)節(jié)各層神經(jīng)元的權(quán)值和閾值，以減少誤差，直到誤差達(dá)到預(yù)設(shè)誤差[11]。

1.2 基于GA-BP神經(jīng)網(wǎng)絡(luò)的算法流程

遺傳算法（GA）是一種隨機(jī)自適應(yīng)全局搜索算法，借鑒了進(jìn)化生物學(xué)中的自然選擇和遺傳機(jī)制，將求解問題表示成串，根據(jù)適應(yīng)度大小進(jìn)行選擇、交叉、變異等遺傳操作，從而得到新的串群，經(jīng)過這樣一次次不斷地優(yōu)勝劣汰，最后獲取一個最適應(yīng)環(huán)境的串，從而求得最優(yōu)解。基于GA-BP神經(jīng)網(wǎng)絡(luò)模型的算法流程先對沉降數(shù)據(jù)進(jìn)行預(yù)處理，保證輸入數(shù)據(jù)的質(zhì)量，然后利用GA算法對BP神經(jīng)網(wǎng)絡(luò)中的初始化權(quán)值閾值進(jìn)行編碼，進(jìn)行選擇和交叉操作，求得最優(yōu)解權(quán)值閾值，得到最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)模型;并對模型的精度進(jìn)行評價，最后實(shí)現(xiàn)對路基沉降的預(yù)測。為更進(jìn)一步驗(yàn)證該模型的適應(yīng)性，利用該模型和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型分別進(jìn)行路基沉降預(yù)測，然后對分類結(jié)果進(jìn)行相關(guān)統(tǒng)計(jì)分析。該方法流程如圖3所示。

1.3 模型預(yù)測評價

2 實(shí)例分析

2.1 工程實(shí)例

本研究以湖南省某段高速公路路基填方工程為例，針對高速公路工程，主要監(jiān)測內(nèi)容為地表水平位移和路堤沉降，監(jiān)測方法如表1所示。由于路堤的填土量大，在自重的作用下，路堤下地基土的沉降量較大，因此監(jiān)測地基沉降在填筑過程中非常必要，控制總沉降量和沉降速率，以確保在填筑過程中地基土不會因不穩(wěn)定而產(chǎn)生破壞。同時，在不同的地質(zhì)條件下，由于填料性能復(fù)雜多樣，其工后沉降和差異沉降等問題也是不可忽略的，這就要求對每一條路堤進(jìn)行施工監(jiān)測，控制總沉降量和沉降速率，以保證高路堤地基的穩(wěn)定。

2.2 實(shí)驗(yàn)驗(yàn)證分析

本文以路基監(jiān)測點(diǎn)1#～10#的各40期觀測數(shù)據(jù)作為原始數(shù)據(jù)，將監(jiān)測點(diǎn)1#觀測數(shù)據(jù)中的前30期數(shù)據(jù)作為訓(xùn)練集進(jìn)行網(wǎng)絡(luò)訓(xùn)練，后10期作為測試數(shù)據(jù)檢驗(yàn)?zāi)Ｐ途取４_定GA-BP神經(jīng)網(wǎng)絡(luò)模型的層數(shù)、最大收斂次數(shù)、收斂誤差以及學(xué)習(xí)速率，利用MATLAB軟件構(gòu)建GA-BP神經(jīng)網(wǎng)絡(luò)模型。為避免數(shù)據(jù)輸入和輸出的數(shù)量級差別過大而影響網(wǎng)絡(luò)模型的預(yù)測結(jié)果，將原始觀測數(shù)據(jù)用最大最小法歸一化處理，保證輸入的數(shù)據(jù)的質(zhì)量。函數(shù)形式為：

為了排除其他偶然因素對實(shí)驗(yàn)結(jié)果造成影響，將另外9個監(jiān)測點(diǎn)的各40期數(shù)據(jù)用于驗(yàn)證模型的可靠性和有效性，得到監(jiān)測點(diǎn)1#～10#預(yù)測結(jié)果的絕對誤差的平均值如表3所示。

由表3可知，10組監(jiān)測點(diǎn)的GA-BP神經(jīng)網(wǎng)絡(luò)法預(yù)測沉降值絕對誤差的平均值為0.51，相較于BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的絕對誤差平均值1.04有明顯提高，驗(yàn)證了GA-BP神經(jīng)網(wǎng)絡(luò)模型在沉降預(yù)測的適用性。同時，其相對誤差也更加收斂，表明GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型應(yīng)用于路基沉降的預(yù)測精度可靠。為了更加客觀、科學(xué)分析GA優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型的性能，通過均方誤差（MSE）、擬合系數(shù)和收斂速度等指標(biāo)進(jìn)行評價，利用MATLAB軟件計(jì)算的結(jié)果如表4所示，表明了GA-BP神經(jīng)網(wǎng)絡(luò)相較于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)擬合能力更強(qiáng)，收斂速度更快。

鑒于在不同的地質(zhì)條件下，填料性能復(fù)雜多樣，對路基沉降預(yù)測需要進(jìn)一步研究。使用GA-BP神經(jīng)網(wǎng)絡(luò)對路基沉降預(yù)測是一個關(guān)鍵和有效的工具，可以更好地幫助我們對后期施工進(jìn)行科學(xué)的指導(dǎo)。

3 結(jié)語

路基監(jiān)測是高速公路安全施工和信息化管理的重要環(huán)節(jié)，始終貫穿高速公路工程設(shè)計(jì)、施工和運(yùn)營的整個階段，因此，合理準(zhǔn)確地對路基沉降進(jìn)行預(yù)測能有效保證安全生產(chǎn)。本文利用遺傳算法的全局優(yōu)化搜索優(yōu)勢，構(gòu)建了基于GA-BP神經(jīng)網(wǎng)絡(luò)的路基沉降預(yù)測模型，通過實(shí)際工程實(shí)例驗(yàn)證分析，結(jié)果表明GA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度更高，更具有可靠性和有效性，對后續(xù)的施工及運(yùn)營具有指導(dǎo)價值。

參考文獻(xiàn)/References

[1] 吉力此且， 宋吉榮. 高速公路路基沉降與施工控制研究[J]. 公路工程， 2018， 43（2）： 151+161.

[2] 盧飛強(qiáng)， 師旭超. 基于時間序列分析法的軟土路基沉降預(yù)測研究[J]. 路基工程， 2017 （6）： 11-14.

[3] 馮懷平， 耿會嶺， 韓博文， 等. 非飽和土地區(qū)高速鐵路路基沉降預(yù)測模型[J]. 巖土工程學(xué)報(bào)， 2017， 39（6）： 1089-1095.

[4] 張滿想， 趙健， 郭昕， 等.灰色模型在路基沉降預(yù)測中的研究及應(yīng)用[J]. 中外公路， 2020， 40（4）： 21-25.

[5] 陳軍， 劉萬增， 武昊， 等. 基礎(chǔ)地理知識服務(wù)的基本問題與研究方向[J]. 武漢大學(xué)學(xué)報(bào)（信息科學(xué)版）， 2019， 44（1）： 38-47.

[6] 陳流豪. 神經(jīng)網(wǎng)絡(luò)BP算法研究綜述[J]. 電腦知識與技術(shù)， 2010， 6（36）： 10364-10365.

[7] 李朝靜， 唐幼純， 黃霞. BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用綜述[J]. 勞動保障世界（理論版）， 2012 （8）： 71-74.

[8] 陽俊， 曾維偉. 基于GA-BP神經(jīng)網(wǎng)絡(luò)的采空區(qū)地表沉降預(yù)測模型[J]. 礦冶工程， 2022， 42（2）： 42-45.

[9] 馮紹權(quán)， 花向紅， 陶武勇， 等. 一種基于GA-BP-MC神經(jīng)網(wǎng)絡(luò)的高鐵橋墩沉降預(yù)測模型[J]. 測繪通報(bào)， 2019， （7）： 50-53+82.

[10]朱建民， 于永堂， 鄭建國， 等. 基于GA-BP神經(jīng)網(wǎng)絡(luò)的黃土高填方工后沉降預(yù)測[J]. 地下空間與工程學(xué)報(bào)， 2021， 17（S1）： 382-386+418.

[11]周政. BP神經(jīng)網(wǎng)絡(luò)的發(fā)展現(xiàn)狀綜述[J]. 山西電子技術(shù)， 2008 （2）： 90-92.