蒙國(guó)往 ，劉家粱，黃勁松，吳 波 ，歐 強(qiáng)

（1. 廣西大學(xué)土木建筑工程學(xué)院，南寧 530004；2. 廣西大學(xué)工程防災(zāi)與結(jié)構(gòu)安全教育部重點(diǎn)實(shí)驗(yàn)室，南寧 530004；3. 東華理工大學(xué)土木與建筑工程學(xué)院，南昌 330013；4. 廣州城建職業(yè)學(xué)院建筑工程學(xué)院，廣州 510925；5. 重慶大學(xué)土木工程學(xué)院，重慶 400045）

1 研究背景

在深基坑工程中，圍護(hù)結(jié)構(gòu)的水平位移是衡量基坑是否處于安全狀態(tài)的重要指標(biāo)之一，因此及時(shí)且準(zhǔn)確地測(cè)量圍護(hù)結(jié)構(gòu)變形并預(yù)測(cè)其變形趨勢(shì)，對(duì)于深基坑工程的安全施工顯得尤為重要。人工神經(jīng)網(wǎng)絡(luò)普遍應(yīng)用于工程中的分類匯總[1]、預(yù)測(cè)分析等方面，尤其在分析施工安全管理方面應(yīng)用廣泛[2-3]。胡啟晨等基于Matlab 神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)，建立BP(back propagation)人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)武漢地鐵車站深基坑開挖過程中圍護(hù)結(jié)構(gòu)水平位移進(jìn)行預(yù)測(cè)，結(jié)果與實(shí)測(cè)數(shù)據(jù)基本一致，表明BP 人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于深基坑圍護(hù)結(jié)構(gòu)水平位移預(yù)測(cè)是可行和可靠的[4]。李思慧等利用人工神經(jīng)網(wǎng)絡(luò)改進(jìn)的新算法最小支持向量機(jī)，建立非線性基坑變形預(yù)測(cè)模型，在實(shí)際工程中加以應(yīng)用，得到的人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果具備較高的可信度[5]。由此可見，用人工神經(jīng)網(wǎng)絡(luò)對(duì)圍護(hù)結(jié)構(gòu)水平位移進(jìn)行預(yù)測(cè)是可行的。人工神經(jīng)網(wǎng)絡(luò)算法很多，而BP 算法是應(yīng)用最為廣泛和成熟的[6]，所以筆者亦采用BP 人工神經(jīng)網(wǎng)絡(luò)，結(jié)合自動(dòng)化監(jiān)測(cè)數(shù)據(jù)，對(duì)圍護(hù)結(jié)構(gòu)水平位移進(jìn)行預(yù)測(cè)分析。

本研究結(jié)合圍護(hù)結(jié)構(gòu)水平位移的自動(dòng)化監(jiān)測(cè)設(shè)備，在獲取大量監(jiān)測(cè)數(shù)據(jù)的同時(shí)，對(duì)這些數(shù)據(jù)進(jìn)行BP人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練，所提出的BP 人工神經(jīng)網(wǎng)絡(luò)具有雙隱層結(jié)構(gòu)，且其中的神經(jīng)元達(dá)到48～56 個(gè)，具有良好的預(yù)測(cè)效果和魯棒性。根據(jù)實(shí)測(cè)數(shù)據(jù)，提出以3 種情況檢測(cè)模型預(yù)測(cè)效果，結(jié)果表明神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精確度容易受其自身參數(shù)影響；采用連續(xù)不間斷預(yù)測(cè)，其精確度高于間斷預(yù)測(cè)；多步滾動(dòng)預(yù)測(cè)的精確度可滿足要求，證實(shí)了采用自動(dòng)化檢測(cè)設(shè)備實(shí)現(xiàn)自動(dòng)預(yù)測(cè)的可行性。

2 基本原理

2.1 自動(dòng)化監(jiān)測(cè)技術(shù)

近年來，自動(dòng)化監(jiān)測(cè)技術(shù)在城市軌道交通中開始廣泛應(yīng)用。在長(zhǎng)沙地鐵5 號(hào)線萬家麗廣場(chǎng)站，成功應(yīng)用AutoMos 自動(dòng)化監(jiān)測(cè)系統(tǒng)，對(duì)地鐵車站基坑施工進(jìn)行自動(dòng)化監(jiān)測(cè)[7]；在天津、蘭州等地的地鐵建設(shè)中，也都應(yīng)用了自動(dòng)化監(jiān)測(cè)技術(shù)[8-9]。經(jīng)市場(chǎng)調(diào)研，目前針對(duì)圍護(hù)結(jié)構(gòu)變形監(jiān)測(cè)的測(cè)斜儀有多種，應(yīng)用于自動(dòng)化監(jiān)測(cè)且技術(shù)較為先進(jìn)的是某測(cè)控科技有限公司生產(chǎn)的HC-QX500 陣列式柔性測(cè)斜儀，如圖1 所示。

圖1 HC-QX500 陣列式柔性測(cè)斜儀 Figure 1 HC-QX500 array flexible inclinometer

HC-QX500 陣列式柔性測(cè)斜儀可以實(shí)現(xiàn)監(jiān)測(cè)數(shù)據(jù)的直接讀取，也可以通過無線采集終端自動(dòng)采集數(shù)據(jù)，再傳輸?shù)竭h(yuǎn)程終端瀏覽，如圖2 所示。現(xiàn)在，施工監(jiān)測(cè)技術(shù)已經(jīng)達(dá)到相當(dāng)高的自動(dòng)化程度，可以自動(dòng)收集和儲(chǔ)存數(shù)據(jù)；但收集到的數(shù)據(jù)應(yīng)該如何進(jìn)行挖掘，使其能指導(dǎo)實(shí)際施工，將其價(jià)值最大化，是目前自動(dòng)化監(jiān)測(cè)技術(shù)急需解決的問題。而用之前的監(jiān)測(cè)數(shù)據(jù)去預(yù)測(cè)監(jiān)測(cè)目標(biāo)之后的變化趨勢(shì)，則是自動(dòng)化監(jiān)測(cè)的熱點(diǎn)之一，也是筆者研究的重點(diǎn)。

2.2 BP 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法可分為三類：一是有導(dǎo)師學(xué)習(xí)，二是無導(dǎo)師學(xué)習(xí)，三是灌輸式學(xué)習(xí)。本研究根據(jù)實(shí)際情況，以圍護(hù)結(jié)構(gòu)水平位移的真實(shí)監(jiān)測(cè)數(shù)據(jù)為樣本基礎(chǔ)，進(jìn)行連續(xù)和間隔1、2、4 天不同時(shí)間步長(zhǎng)劃分，采用有導(dǎo)師的學(xué)習(xí)。劃分不同時(shí)間步長(zhǎng)的目的是：分析樣本數(shù)量不同對(duì)預(yù)測(cè)值會(huì)有什么影響；比較4 種情況下哪種預(yù)測(cè)值更準(zhǔn)確。也就是說，

圖2 監(jiān)測(cè)數(shù)據(jù)傳輸 Figure 2 Schematic of a data transmission monitoring system

輸入數(shù)據(jù)為前一天的真實(shí)監(jiān)測(cè)數(shù)據(jù)，輸出數(shù)據(jù)為后一天圍護(hù)結(jié)構(gòu)水平位移的預(yù)測(cè)值，對(duì)比圍護(hù)結(jié)構(gòu)水平位移的真實(shí)監(jiān)測(cè)數(shù)據(jù)，根據(jù)預(yù)測(cè)值與真實(shí)監(jiān)測(cè)數(shù)據(jù)的誤差結(jié)果進(jìn)行權(quán)值調(diào)整，直至調(diào)整到預(yù)定誤差范圍內(nèi)或預(yù)定學(xué)習(xí)次數(shù)而終止學(xué)習(xí)，并認(rèn)為該BP人工神經(jīng)網(wǎng)絡(luò)已達(dá)到學(xué)習(xí)目的，可將其用于監(jiān)測(cè)數(shù)據(jù)的預(yù)測(cè)。

本研究采用BP 算法進(jìn)行學(xué)習(xí)，如圖3 所示，輸入向量X=(x1, x2, …, xi, …, xn)T，圖中x0= -1 是為隱藏層神經(jīng)元引入閾值而設(shè)置的；隱藏層輸出向量為Y=(y1, y2, …, yj, …, ym)T，其中y0= -1 是為輸出層神經(jīng)元引入閾值而設(shè)置的；輸出層輸出向量O=(o1, o2, …, ok, …, ol)T，期望輸出向量為d=(d1, d2, …, dk, …, dl)T，輸入層到隱藏層之間的權(quán)值矩陣為V=(V1, V2, …, Vj, …, Vm)T，其中列向量Vj為隱藏層第j 個(gè)神經(jīng)元 對(duì)應(yīng)的權(quán)向量；隱藏層到輸出層之間的權(quán)值矩陣為W=(W1, W2, …, Wk, …, Wl)T，其中列向量Wk為輸出層第k 個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向量。由于BP 人工神經(jīng)網(wǎng)絡(luò)已普遍應(yīng)用于各行各業(yè)[10-13]，故具體推導(dǎo)不再贅述。

3 實(shí)現(xiàn)流程

3.1 參數(shù)選取

圖3 層次型網(wǎng)絡(luò)結(jié)構(gòu) Figure 3 Hierarchical network structure

BP 人工神經(jīng)網(wǎng)絡(luò)需要對(duì)樣本進(jìn)行學(xué)習(xí)，樣本的數(shù)據(jù)作為輸入端，需要對(duì)數(shù)據(jù)進(jìn)行歸一化或者標(biāo)準(zhǔn)化處理，將樣本數(shù)據(jù)限制在區(qū)間[0，1]或 [-1，1]內(nèi)。由于圍護(hù)結(jié)構(gòu)水平位移變化量以向基坑內(nèi)偏移為正，向基坑外偏移為負(fù)，故本研究采用f(x) (∈-1，1)的Sigmoid雙極性變換函數(shù)，可減少對(duì)輸入輸出數(shù)據(jù)處理的工作量；由于圍護(hù)結(jié)構(gòu)水平位移變化曲線為非常復(fù)雜的非線性曲線，其變化規(guī)律涉及原因眾多，雖然BP 人工神經(jīng)網(wǎng)絡(luò)隱含層的層數(shù)越多，預(yù)測(cè)分析能力的效果越好，但同時(shí)會(huì)大大增加計(jì)算量。Kolmogorov 理論指出，雙隱層結(jié)構(gòu)能解決任何復(fù)雜的分類問題，而該結(jié)論已經(jīng)過嚴(yán)格的數(shù)學(xué)證明[6]?；诖丝紤]，本研究采用雙隱層網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行BP 人工神經(jīng)網(wǎng)絡(luò)的構(gòu)造，包含輸入層、兩層隱含層、輸出層共4 層，輸入層節(jié)點(diǎn)數(shù)為圍護(hù)結(jié)構(gòu)水平位移隨深度變化間隔0.5 m 取一個(gè)監(jiān)測(cè)值的個(gè)數(shù)。同理，輸出層亦是如此。隱層節(jié)點(diǎn)數(shù)參照經(jīng)驗(yàn)公式計(jì)算，有

式中，m 為隱藏層節(jié)點(diǎn)數(shù)，n 為輸入層節(jié)點(diǎn)數(shù)，l 為輸出節(jié)點(diǎn)數(shù)，α 為1～10 之間的常數(shù)。

由于學(xué)習(xí)方式有現(xiàn)場(chǎng)的真實(shí)監(jiān)測(cè)數(shù)據(jù)，故采用有導(dǎo)師學(xué)習(xí)方式，權(quán)值更新采用BP 算法，即誤差反向傳播算法；引入Resilient(有彈性的)更新值概念，直接修改權(quán)值大小，相比于附加動(dòng)量法和自適應(yīng)學(xué)習(xí)速率法，彈性BP 算法(RPRPOP)的收斂速度更快。在案例分析中，其他參數(shù)針對(duì)實(shí)際情況進(jìn)行選擇。

3.2 具體步驟

本研究旨在利用自動(dòng)化監(jiān)測(cè)設(shè)備獲取監(jiān)測(cè)數(shù)據(jù)，采用BP 人工神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，實(shí)現(xiàn)圍護(hù)結(jié)構(gòu)水平位移的變形預(yù)測(cè)目標(biāo)，并基于此實(shí)現(xiàn)提前預(yù)警功能，具體流程如圖4 所示。

圖4 BP 人工神經(jīng)網(wǎng)絡(luò)自動(dòng)預(yù)測(cè)流程 Figure 4 Automatic prediction of an artificial neural network

1) 從自動(dòng)化監(jiān)測(cè)設(shè)備上獲取圍護(hù)結(jié)構(gòu)水平位移監(jiān)測(cè)數(shù)據(jù)，作為BP 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本。

2) 在學(xué)習(xí)之前，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理和權(quán)值初始化，預(yù)處理主要是解決各輸入和輸出變量尺度不統(tǒng)一的問題，通過尺度變換處理，將網(wǎng)絡(luò)的輸入、輸出數(shù)據(jù)限制在[0，1]或[-1，1]區(qū)間內(nèi)。如某輸入變量在0～1×105范圍變化，而另一輸入變量在0～1×10-5范圍變化，這時(shí)需進(jìn)行尺度變換，使所有變量都在0～1或-1～1 之間變化，從而使網(wǎng)絡(luò)訓(xùn)練在一開始就給各輸入變量以同等重要的地位。本研究BP 網(wǎng)絡(luò)的神經(jīng)元均采用Sigmoid 變換函數(shù)，變換后可防止因凈輸入的絕對(duì)值過大而使神經(jīng)元輸出飽和，繼而使權(quán)值調(diào)整進(jìn)入誤差曲面的平坦區(qū)。一般預(yù)處理可根據(jù)如下常用公式進(jìn)行，有

式中，xi為輸入或輸出數(shù)據(jù)，xmin為數(shù)據(jù)變化的最小值，xmax為數(shù)據(jù)變化的最大值，xmid為數(shù)據(jù)變化范圍的中間值。

其中，式(2)是將輸入、輸出數(shù)據(jù)變換為[0，1]區(qū)間，式(3)將輸入、輸出數(shù)據(jù)變換為[-1，1]。

本研究采用邁實(shí)BP 人工神經(jīng)網(wǎng)絡(luò)軟件，可自動(dòng)實(shí)現(xiàn)該步驟功能；設(shè)有n 天的監(jiān)測(cè)數(shù)據(jù)，采用第1 天到第n-1 天的數(shù)據(jù)作為樣本輸入，用第2 天到第n 天的數(shù)據(jù)作為BP 人工神經(jīng)網(wǎng)絡(luò)的輸出預(yù)期值，讓BP人工神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。

3) 學(xué)習(xí)完成后，用第n 天的數(shù)據(jù)作為樣本輸入，以此來預(yù)測(cè)第n+1 天的監(jiān)測(cè)數(shù)據(jù)。這里需要說明的是，因針對(duì)每根樁都設(shè)置一個(gè)BP 人工神經(jīng)網(wǎng)絡(luò)進(jìn)行不同的數(shù)據(jù)樣本學(xué)習(xí)，故對(duì)BP 人工神經(jīng)網(wǎng)絡(luò)的泛化能力不做過多的要求，相對(duì)注重于其擬合能力，因此未設(shè)置測(cè)試樣本對(duì)學(xué)習(xí)結(jié)果進(jìn)行檢驗(yàn)。

4) 預(yù)測(cè)值與提前設(shè)置好的監(jiān)測(cè)控制值進(jìn)行比較，根據(jù)比較結(jié)果，可發(fā)布不同預(yù)警信息或不預(yù)警。

5) 重復(fù)前面4 個(gè)步驟的內(nèi)容，輸入新的實(shí)測(cè)數(shù)據(jù)進(jìn)行新的學(xué)習(xí)訓(xùn)練，用第n+1 天的真實(shí)數(shù)據(jù)去預(yù)測(cè)第n+2 天的監(jiān)測(cè)數(shù)據(jù)，再判斷是否預(yù)警。如此類推循環(huán)，實(shí)現(xiàn)多步滾動(dòng)預(yù)測(cè)[14-15]。

4 實(shí)例分析

4.1 工程概況

下面以南寧市降橋站基坑開挖為例進(jìn)行分析，該站采用明挖法施工。對(duì)施工工期進(jìn)行了詳細(xì)的時(shí)間統(tǒng)計(jì)和工期節(jié)點(diǎn)的劃分，如表1 所示。

表1 施工時(shí)間節(jié)點(diǎn) Table 1 Due dates of construction

續(xù)表

4.2 數(shù)據(jù)點(diǎn)選擇

針對(duì)該基坑在開挖過程中圍護(hù)結(jié)構(gòu)水平位移的實(shí)際變形情況，選取了5 根在開挖過程中都出現(xiàn)過預(yù)警的圍護(hù)樁來進(jìn)行預(yù)測(cè)分析。如圖5 所示，樁號(hào)從ZQT16～ZQT20(每根樁長(zhǎng)為26.5、27.5、27.5、27.5、29.5 m)，位于基坑?xùn)|側(cè)擴(kuò)大端處，基坑從東向西開始開挖。由于東側(cè)存在偏壓情況以及開挖過程中存在鋼支撐架設(shè)滯后等現(xiàn)象，導(dǎo)致周邊圍護(hù)結(jié)構(gòu)水平位移出現(xiàn)預(yù)警。圍護(hù)結(jié)構(gòu)水平位移從2018 年9 月21 日開始用傳統(tǒng)測(cè)斜儀監(jiān)測(cè)到2019 年4 月30 日結(jié)束，監(jiān)測(cè)數(shù)據(jù)從2018年10 月24 日開始陸續(xù)出現(xiàn)預(yù)警直至監(jiān)測(cè)結(jié)束。

圖5 圍護(hù)樁測(cè)點(diǎn)平面示意 Figure 5 Plan of the measuring points of a retaining pile

4.3 學(xué)習(xí)訓(xùn)練

本研究采用邁實(shí)BP 人工神經(jīng)網(wǎng)絡(luò)軟件進(jìn)行計(jì)算，具體參數(shù)如表2 所示，其他參數(shù)均保持默認(rèn)。由于每根樁埋深不同，各樁的BP 人工神經(jīng)網(wǎng)絡(luò)在輸入層和輸出層的節(jié)點(diǎn)數(shù)上有所區(qū)別。例如，ZQT16 埋深為26.5 m，樁每隔0.5 m 有一個(gè)監(jiān)測(cè)點(diǎn)，即對(duì)應(yīng)一個(gè)監(jiān)測(cè)數(shù)據(jù)，則從0～26.5 m 就存在55 個(gè)監(jiān)測(cè)點(diǎn)，故輸入層的神經(jīng)元個(gè)數(shù)就為55 個(gè)，相應(yīng)輸出層的神經(jīng)元個(gè)數(shù)也為55 個(gè)，其他樁以此類推。隱含層的神經(jīng)元個(gè)數(shù)根據(jù)式(1)采用試湊法[6]，即α 分別從0 取到10 進(jìn)行嘗試，最終發(fā)現(xiàn)隱含層1的神經(jīng)元數(shù)取12時(shí)模型的魯棒性最好，收斂最快，故隱含層1 的神經(jīng)元數(shù)取12，隱含層2 的神經(jīng)元數(shù)在單獨(dú)測(cè)試中α 取0～10 的任何整數(shù)時(shí)，對(duì)預(yù)測(cè)結(jié)果差距甚微，故從減小計(jì)算量考慮，取α=0，這時(shí)根據(jù)式(1)，隱含層2 的神經(jīng)元數(shù)取10。函數(shù)類型在前面的參數(shù)選擇中有說明，在此不再贅述。學(xué)習(xí)速率無固定取值，范圍在0～1 即可，但筆者在多篇參考文獻(xiàn)中發(fā)現(xiàn)學(xué)習(xí)速率均取0.5 以下，故本研究參照金晶的相關(guān)論文[16]，并在軟件中驗(yàn)證，最終學(xué)習(xí)速率取0.15。同時(shí)，在BP 人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中發(fā)現(xiàn)，選擇誤差精度為10-5和訓(xùn)練次數(shù)1 000 次時(shí)訓(xùn)練效果最好，且訓(xùn)練時(shí)間也控制在1 min 之內(nèi)，足夠滿足施工中實(shí)時(shí)預(yù)測(cè)的要求。對(duì)樣本數(shù)據(jù)分別進(jìn)行3 種模式學(xué)習(xí)：第一種，每根樁學(xué)習(xí)后在同一時(shí)間的預(yù)測(cè)結(jié)果與其實(shí)測(cè)值作對(duì)比；第二種，同一根樁在不同時(shí)間間隔樣本學(xué)習(xí)后在同一時(shí)間的預(yù)測(cè)結(jié)果與其實(shí)測(cè)值作對(duì)比；第三種，同一根樁在實(shí)現(xiàn)多步滾動(dòng)預(yù)測(cè)后對(duì)預(yù)測(cè)結(jié)果與其實(shí)測(cè)值作對(duì)比。

表2 BP 人工神經(jīng)網(wǎng)絡(luò)參數(shù)選擇表(ZQT16) Table 2 Artificial neural network parameter selection (ZQT16)

4.4 預(yù)測(cè)分析

在訓(xùn)練中，選取3 個(gè)在施工過程中具有代表性的時(shí)間節(jié)點(diǎn)，對(duì)圍護(hù)結(jié)構(gòu)水平位移進(jìn)行預(yù)測(cè)，模式1 為出現(xiàn)預(yù)警現(xiàn)象的第3 天；模式2 為基坑開挖見底的時(shí)間節(jié)點(diǎn)；模式3 為主體結(jié)構(gòu)底板完成后的時(shí)間節(jié)點(diǎn)，預(yù)測(cè)結(jié)果如表3～5 所示(因篇幅限制，只列出樁體10～15 m 深度范圍的水平位移)，顯示了每個(gè)模式下圍護(hù)結(jié)構(gòu)水平位移的真實(shí)值和經(jīng)過學(xué)習(xí)訓(xùn)練后得出的預(yù)測(cè)值，通過對(duì)比分析可得到一些結(jié)論。

模式1 的學(xué)習(xí)訓(xùn)練從開始監(jiān)測(cè)到2018 年10 月27日，共26 個(gè)樣本數(shù)據(jù)，用28 日監(jiān)測(cè)數(shù)據(jù)預(yù)測(cè)29 日的監(jiān)測(cè)數(shù)據(jù)。5 根樁的圍護(hù)結(jié)構(gòu)水平位移預(yù)測(cè)值與真實(shí)值的誤差較小，誤差在5%以內(nèi)的節(jié)點(diǎn)數(shù)約占60%，誤差在10%以內(nèi)的節(jié)點(diǎn)數(shù)占80%；最大誤差為3.22 mm，最小誤差0.01 mm。圖6 展示了樁ZQT16 和ZQT20預(yù)測(cè)結(jié)果的擬合程度，ZQT16 是5 根樁中擬合效果最不理想的，分析其原因可能是由于訓(xùn)練次數(shù)過少導(dǎo)致。ZQT16 在訓(xùn)練次數(shù)為5 000 時(shí)的擬合程度比訓(xùn)練次數(shù)為1 000 時(shí)的擬合效果要好很多，但為了統(tǒng)一對(duì)比，5 根樁均采用訓(xùn)練次數(shù)為1 000 的訓(xùn)練模式，而其余4 根樁都如ZQT20 一樣，可得到較為理想的擬合效果，總體上滿足施工監(jiān)測(cè)誤差的要求。

模式2 的學(xué)習(xí)訓(xùn)練到2018 年11 月11 日，用12 日的監(jiān)測(cè)數(shù)據(jù)預(yù)測(cè)13 日的監(jiān)測(cè)數(shù)據(jù)。由于訓(xùn)練間隔時(shí)間不同，導(dǎo)致學(xué)習(xí)樣本的數(shù)量不同，因此預(yù)測(cè)結(jié)果存在差異。預(yù)測(cè)結(jié)果擬合程度最好的是連續(xù)不間隔天數(shù)預(yù)測(cè)和間隔4 天預(yù)測(cè)，誤差在5%以內(nèi)的節(jié)點(diǎn)數(shù)約占74%；最差的則為間隔2 天的預(yù)測(cè)值，誤差為5%

表3 模式1 的學(xué)習(xí)訓(xùn)練結(jié)果(10～15 m) Table 3 Results of learning and training in mode 1 (10～15 m) mm

表4 模式2 的學(xué)習(xí)訓(xùn)練結(jié)果(10～15 m) Table 4 Results of learning and training in mode 2 (10～15 m) mm

表5 模式3 的學(xué)習(xí)訓(xùn)練結(jié)果(10～15 m) Table 5 Results of learning and training in mode 3 (10～15m) mm

圖6 模式1 預(yù)測(cè)結(jié)果對(duì)比 Figure 6 Comparison of prediction results of model 1

以內(nèi)的節(jié)點(diǎn)數(shù)僅占2%，但誤差在10%以內(nèi)的可達(dá)到64%；最小誤差均可達(dá)到0.01 mm，最大誤差為間隔2 天的預(yù)測(cè)值，達(dá)到2.7 mm。圖7 所示為間隔1 天和間隔2 天的預(yù)測(cè)結(jié)果，擬合程度較其他兩種類型存在一定差距，這也從側(cè)面說明樣本數(shù)量對(duì)BP 人工神經(jīng)網(wǎng)絡(luò)魯棒性存在影響。本研究連續(xù)不間隔天數(shù)學(xué)習(xí)樣本為41 個(gè)，間隔4 天的樣本數(shù)量過少，易存在預(yù)測(cè)結(jié)果不穩(wěn)定的情況，故建議樣本數(shù)量不低于40 個(gè)。

圖7 模式2 預(yù)測(cè)結(jié)果對(duì)比 Figure 7 Comparison of prediction results of model 2

模式3 的學(xué)習(xí)訓(xùn)練到2018 年12 月6 日，而后用每天獲取到的真實(shí)監(jiān)測(cè)數(shù)據(jù)加入到原來的樣本中重新進(jìn)行學(xué)習(xí)，用于預(yù)測(cè)后一天的監(jiān)測(cè)數(shù)據(jù)。依此循環(huán)6天進(jìn)行滾動(dòng)學(xué)習(xí)，直至用11 日的監(jiān)測(cè)數(shù)據(jù)預(yù)測(cè)12 日的監(jiān)測(cè)數(shù)據(jù)作為結(jié)束，模擬多步滾動(dòng)的預(yù)測(cè)效果。6 天的預(yù)測(cè)值誤差在5%以內(nèi)的節(jié)點(diǎn)數(shù)占比都大于62%，其中12 月7 日、8 日、10 日、12 日可達(dá)到90%，預(yù)測(cè)效果較好，12 月9 日、11 日預(yù)測(cè)效果稍差。分析原因是：樣本數(shù)量會(huì)對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果產(chǎn)生影響，但總體而言誤差在0.5 mm 以內(nèi)的節(jié)點(diǎn)數(shù)占比小于50%，6 天的預(yù)測(cè)誤差在5%以內(nèi)的節(jié)點(diǎn)占比達(dá)86%，表明可達(dá)到較好的預(yù)測(cè)效果。因此，在樣本數(shù)量趨于穩(wěn)定且逐步增加的情況下，BP 人工神經(jīng)網(wǎng)絡(luò)體現(xiàn)出較好的魯棒性和預(yù)測(cè)效果，說明多步滾動(dòng)預(yù)測(cè)存在可行性，可信度也較高。

5 結(jié)語

筆者主要針對(duì)深基坑施工過程中圍護(hù)結(jié)構(gòu)水平位移的變形預(yù)測(cè)方法及實(shí)現(xiàn)流程展開研究。

1) 通過對(duì)自動(dòng)化監(jiān)測(cè)設(shè)備的調(diào)研(如HC-QX500)，提出利用自動(dòng)化監(jiān)測(cè)設(shè)備來實(shí)現(xiàn)預(yù)測(cè)圍護(hù)結(jié)構(gòu)變形的模型；在案例分析中，證實(shí)了BP 人工神經(jīng)網(wǎng)絡(luò)模型在3 種模式下，預(yù)測(cè)效果均可達(dá)到理想效果。

2) 從連續(xù)時(shí)間樣本、間隔時(shí)間樣本的訓(xùn)練結(jié)果分析可知，針對(duì)圍護(hù)結(jié)構(gòu)水平位移BP 人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果主要受自身參數(shù)的影響，也受樣本數(shù)量的影響，最好采用連續(xù)預(yù)測(cè)保證樣本數(shù)量，這樣可以提高BP 人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果。

3) 同時(shí)，根據(jù)多步滾動(dòng)樣本訓(xùn)練的結(jié)果，提出了多步滾動(dòng)預(yù)測(cè)的實(shí)現(xiàn)流程。實(shí)例分析也表明，在BP人工神經(jīng)網(wǎng)絡(luò)的魯棒性較好的情況下，多步滾動(dòng)預(yù)測(cè)有較好的擬合效果，這為自動(dòng)化監(jiān)測(cè)設(shè)備實(shí)現(xiàn)自動(dòng)預(yù)測(cè)功能提供借鑒。