优化GA-BP神经网络模型及基坑变形预测

doi:10.3973/j.issn.2096-4498.2021.10.012

中国科学引文数据库（CSCD）来源期刊
中文核心期刊中文科技核心期刊
Scopus RCCSE中国核心学术期刊
美国EBSCO数据库俄罗斯《文摘杂志》
《日本科学技术振兴机构数据库（中国）》

隧道建设（中英文） ›› 2021, Vol. 41 ›› Issue (10): 1733-1739.DOI: 10.3973/j.issn.2096-4498.2021.10.012

优化GA-BP神经网络模型及基坑变形预测

刘锦¹，李峰辉²，刘秀秀³

（1. 陕西铁路工程职业技术学院城轨工程学院，陕西渭南 714000；2. 郑州市交通规划勘察设计研究院，河南郑州 450000； 3. 曲阜远东职业技术学院，山东济宁 273100）

出版日期:2021-10-20 发布日期:2021-11-04
作者简介:刘锦(1983—)，男，陕西渭南人，2010年毕业于重庆交通大学，桥梁与隧道工程专业，硕士，讲师，主要从事桥梁与隧道工程专业方面的研究与教学工作。 E-mail： douge1.414@163.com。
基金资助:
陕西铁路工程职业技术学院2020年首批科研基金项目（KY2020-27）

Optimized Genetic AlgorithmBack Propagation Neural Network Model and Its Application in Foundation Pit Deformation Prediction

LIU Jin¹, LI Fenghui², LIU Xiuxiu³

(1. Urban Railway Engineering Department, Shannxi Railway Institute, Weinan 714000, Shannxi, China; 2. Zhengzhou Communications Planning, Survey and Design Institute, Zhengzhou 450000, Henan, China; 3. Qufu Fareast Vocational and Technical College, Jining 273100, Shandong, China)

Online:2021-10-20 Published:2021-11-04

摘要/Abstract

摘要： 针对现有GA-BP神经网络预测模型在训练样本预处理和隐含层结构设计方面的不足，通过相关系数回归分析确定最佳归一化区间，利用统计学原理推导得到隐含层神经元个数的解析式，并提出与其相适应的最佳单隐含层神经元个数的取值范围。结果表明： 1）经相关系数回归分析确定训练样本预处理的最佳归一化区间为［0.05，0.95］； 2）通过统计对比和反复试算，得到单隐含层结构最佳神经元个数区间为［4，7］，双隐层更适用于神经元个数较多的情况（>4）； 3）“新陈代谢”方式选取训练样本可显著降低基坑变形的“时空效应”和人为因素干扰； 4）构建“4—2（7，8）—1”型GA-BP神经网络模型，对不同深度基坑进行水平位移预测，精度评价指标表明优化的GA-BP神经网络模型预测效果良好，对工程开展具有参考价值，经多模型对比可知模型优化效果良好。

关键词: 基坑工程, GA-BP神经网络, 基坑监测, 水平位移, 变形预测

Abstract: The existing genetic algorithm (GA)back propagation (BP) neural network prediction model is inefficient in pretreating training samples and the structural design of hidden layers. The bestnormalized interval is determined using correlation coefficient regression analysis, the analytic expression of the number of neurons in the hidden layer is derived using the principle of statistics, and the corresponding range of the best number of neurons in a single hidden layer is proposed. The results show the following: (1) The bestnormalized interval of the training sample pretreatment is ［0.05, 0.95］. (2) The best number of neurons of a single hidden layer structure is in the interval of ［4, 7］, and a double hidden layer structure is more suitable for the case of neurons （> 4）. (3) The metabolism approach of selecting training samples can significantly reduce the timespace effect and human interference of foundation pit deformation. (4) The 42 (7, 8)1 GABP neural network model is constructed to predict the horizontal displacement of foundation pits with different depths, and the accuracy evaluation index shows that the prediction effect of the optimized GABP model is good, which provides references for engineering development. By comparing the optimized model with other models, its superior effect is validated.

Key words: foundation pit engineering, genetic algorithm-back propagation neural network, foundation pit monitoring, horizontal displacement, deformation prediction

中图分类号:

U 45

刘锦, 李峰辉, 刘秀秀. 优化GA-BP神经网络模型及基坑变形预测[J]. 隧道建设, 2021, 41(10): 1733-1739.

LIU Jin, LI Fenghui, LIU Xiuxiu.

Optimized Genetic AlgorithmBack Propagation Neural Network Model and Its Application in Foundation Pit Deformation Prediction [J]. Tunnel Construction, 2021, 41(10): 1733-1739.

[1]	梁永丰, 吴波, 王晋进, 李成虎, 索潇, 张珂. 基于正交试验、FAHP-价值工程法的基坑工程回灌参数优选[J]. 隧道建设, 2021, 41(9): 1492-1501.
[2]	李方毅, 张晓平, 许丹, 姜军, 周智, 沈婕, 王浩杰, 张心悦. 基于支持向量机的气压辅助掘进条件下盾构隧道地表变形预测研究[J]. 隧道建设, 2021, 41(7): 1159-1165.
[3]	黄杰卿, 李瑛, 刘兴旺. 上方卸载的隧道结构2 阶段联合分析方法[J]. 隧道建设, 2020, 40(5): 672-678.
[4]	房有亮, 卢治仁, 王进, 付乔, 资晓鱼, 连正. 基于支撑伺服组合系统超深基坑安全支护技术研究[J]. 隧道建设, 2019, 39(S2): 120-128.
[5]	汤继新，王群敏，陈文华，黄江华，孙浩. 光纤光栅传感和光电成像技术在地铁深基坑中的应用[J]. 隧道建设, 2019, 39(S1): 361-368.
[6]	杨会军, 孔恒. 复杂条件下明挖技术“21字”设计施工基本原则[J]. 隧道建设, 2019, 39(7): 1147-1151.
[7]	王建波，有维宝，刘芳梦，杨迪瀛，张薇. 基于改进Vague相似汇总法的城市深基坑工程绿色施工评价研究[J]. 隧道建设, 2018, 38(S1): 7-14.
[8]	赵淑敏. 基于数量化理论Ⅲ和极限学习机在小净距隧道变形影响因素分析中的应用研究[J]. 隧道建设, 2018, 38(9): 1456-1462.
[9]	马琳. 基于混沌递进预测模型与趋势检验的深基坑变形规律研究[J]. 隧道建设, 2018, 38(6): 934-940.
[10]	陈艳茹. 基于遗传算法和极限学习机的智能算法在基坑变形预测中的应用[J]. 隧道建设, 2018, 38(6): 941-947.
[11]	蒋桂梅，李常茂，任庆国. 隧道洞口边坡变形的多阶段递进预测研究[J]. 隧道建设, 2018, 38(10): 1660-1666.
[12]	李明，吴波，李春芳. 基于云模型的基坑工程地质条件复杂性评价研究[J]. 隧道建设, 2018, 38(10): 1674-1679.
[13]	王兴科，王娟. 基于优化支持向量机-混沌BP神经网络的基坑变形预测研究[J]. 隧道建设, 2017, 37(9): 1105-1113.
[14]	张鹏，李志宏，曾聪，马保松. 曲线顶管施工引起的地表变形预测研究[J]. 隧道建设, 2017, 37(9): 1120-1125.
[15]	王雪妮，韩国锋. 趋势项分离预测模型及重标度极差分析在深基坑变形预测中的应用研究[J]. 隧道建设, 2017, 37(8): 990-996.

优化GA-BP神经网络模型及基坑变形预测

Optimized Genetic AlgorithmBack Propagation Neural Network Model and Its Application in Foundation Pit Deformation Prediction

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价