一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法技术

本发明专利技术提供了一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，解决现有难以提前预判可能出现风险的类型和风险部位的难题，利用灰色关联度分析法可找出与预测目标变化趋势具有一致性的输入变量，利用加入自适应系数改进的人工蜂群算法在全局内寻找BP神经网络的较优初始值，加速网络的训练速度，提高预测精度，在施工前预测基坑开挖后可能产生的变形，提前估算所采取施工参数的合理性，对于保证施工安全，控制基坑变形，科学规划施工进度有借鉴意义。

【技术实现步骤摘要】
一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法
本专利技术是一种基于神经网络的基坑开挖引起地表沉降与深层水平位移的分析方法，涉及岩土工程及隧道工程领域，具体涉及基坑开挖变形实时监测预报及稳定性分析领域。
技术介绍
随着城市轨道交通、地下交通、地下综合管廊等新型城镇化建设的推进，我国涌现出一批深、大基坑工程，如何保证深大基坑安全施工是工程师们广泛关注的问题。现阶段，工程师们主要通过围护结构的深层水平位移和周围地表沉降等监测，判断基坑项目的安全性。虽然现场监测能判断基坑开挖后结构和地层变形是否超出预警值，但难以提前预判可能出现风险的类型和风险部位，以便提出合理的安全施工保障措施。如果能够根据已有地层条件和施工条件，提前预测基坑围护结构和地表变形规律，则可基于变形控制指标，合理调整基坑开挖参数，达到安全施工的目的。因此，开展基坑变形预测的研究工作十分必要，对保证施工质量，确保施工安全有重要意义在研究初期，国内外学者普遍通过统计学与力学角度分析基坑施工诱发的地层变形。随后，有学者从数值模拟与模型试验的角度开展研究。随着大数据和5G技术的发展，结合机器学习的方法解决基坑工程安全施工问题已成为必然的发展趋势。BP神经网络是一种有监督型的机器学习算法，具有较强的非线性映射能力和容错能力，其预测能力优于传统的回归分析法，预测出的模型有较高精度，是建立预测模型的有效手段。其通过信号正向传播与误差反向传播实现网络的训练，反复训练优化网络权值后，可对往期数据进行非线性拟合并预测近期变形，特别适合处理内部机制复杂的问题。但是，BP神经网络初始值往往随机选定，存在预测精度低、收敛速度慢、易陷入局部极小值和模型自变量选择多样等缺点。
技术实现思路
本专利技术所要解决的技术问题是，提供了一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，解决现有难以提前预判可能出现风险的类型和风险部位的难题，利用灰色关联度分析法可找出与预测目标变化趋势具有一致性的输入变量，利用加入自适应系数改进的人工蜂群算法在全局内寻找BP神经网络的较优初始值，加速网络的训练速度，提高预测精度，在施工前预测基坑开挖后可能产生的变形，提前估算所采取施工参数的合理性，对于保证施工安全，控制基坑变形，科学规划施工进度有借鉴意义。为解决上述技术问题，本专利技术采用的技术方案为：一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，该方法包括以下步骤：步骤S1：收集已开挖断面的土层参数、施工参数和基坑变形指标的样本数据；步骤S2：利用灰色关联度分析，以土层参数和施工参数为比较数列、以基坑变形指标为参考数列建立关联度模型，根据关联系数大小，剔除与基坑变形指标不相关的土层参数和施工参数；步骤S3：以步骤S2经过筛选的施工参数和土层参数作为输入变量，以基坑变形指标作为输出变量，建立BP神经网络；步骤S4：在人工蜂群算法中引入自适应系数，基于步骤S4中BP神经网络的网络大小，建立蜂群结构，搜索初始权值和阈值，计算适应值，根据适应值更新最优解，优化BP神经网络；步骤S5：收集未开挖断面的土层参数与预采取的施工参数，预测未开挖断面的基坑变形数据，指导施工开挖。其中，步骤S1中土层参数包括内摩擦角、重度、黏聚力、渗透系数、弹性模量、内支撑层数和温度，施工参数包括最大开挖深度和开挖速度，基坑变形指标包括地表沉降与深层水平位移。骤S2中灰色关联度分析包括如下步骤：2.1对样本数据进行归一化处理；其中，X是比较数列集，由土层参数和施工参数各个指标构成的样品数列集，Xi为归一化前的第i个指标的比较数列，m为土层参数和施工参数所涉及的指标总个数，X’i为第i个指标的样本值经归一化后的比较数列，Xmin为比较数列集中第i个指标的样本数列中的最小值，Xmax为比较数列集中第i个指标的样本数列中的最大值；Y是参考数列集，由基坑变形各个指标构成的样本数列集，Yi为归一化前的第i个指标的参考数列，n为基坑变形指标的指标个数，Y’i为第i个指标的样本值经归一化后的参考数列，Ymin为参考数列集中第i个指标的样本数列中的最小值，Ymax为参考数列集中第i个指标的样本数列中的最大值；2.2计算比较数列各个指标的关联系数ζi(k)其中，y(k)为参考数列y曲线上的第k个点，xi(k)为比较数列xi曲线上的第k个点，N为第i个指标样本的个数，ρ为分辨系数，取0.5，ζi(k)为比较数列xi的关联系数；2.3计算比较数列各个指标的关联度ri其中，ri为比较数列第i个指标的关联度，ζi(k)为比较数列xi的关联系数；N为第i个指标样本的个数。步骤S2中根据关联性大小，剔除与基坑变形指标不相关的土层参数和施工参数有3个，分别为：温度、黏聚力和渗透系数。步骤S4具体包括如下步骤：4.1计算BP神经网络的初始权值阈值首先按式(5)确定解的维度D：D＝Ninput×Nhidden+Nhidden+Nhidden×Noutput+Noutput(5)其中：D是输入层、隐含层和输出层的节点数总和，Ninput、Nhidden、Noutput分别是输入层、隐含层和输出层的节点数既神经网络的所有权值阈值；然后，根据式(6)生成初始解：aij＝Minj+rand(0,1)(Maxj-Minj)(6)其中，aij是第i个解的第j个初始权值或阈值i∈﹛1,2,...,SN﹜，SN是食物源个数，j∈﹛1,2,...,D﹜Maxj和Minj表示每个解第j维元素所对应的搜索边界，rand(0,1)指在0-1范围内随机取值；4.2经过改进的人工蜂群算法寻优4.2.1以BP网络的输出值与实测值的均方误差之和作为解的适应值；采蜜蜂根据当前解的位置在其附近按式(7)搜索新解：vij＝aij+Φij(aij-akj)(7)式中，Φij为[-1,1]之间的随机数，vij是第i个解的第j个新权值或阈值，i∈﹛1,2,...,SN﹜，j∈﹛1,2,...,D﹜，SN是食物源个数；aij是第i个解的第j个旧权值或阈值；akj代表是第k个解的第j个旧权值或阈值，k∈﹛1,2,...,SN﹜，且k≠i。4.2.2引入自适应调节系数β(β∈{0,1})，a)当经过式(7)进行新解搜索后，解的适应值变小，则按式8)重新计算新解：vij＝aij+(1-β)Φij(aij-akj)(8)式中，Φij为[-1,1]之间的随机数，vij是第i个解的第j个新权值或阈值，i∈﹛1,2,...,SN﹜，j∈﹛1,2,...,D﹜，SN是食物源个数；aij是第i个解的第j个旧权值或阈值；akj代表是第k个解的第j个旧权值或阈值，k∈﹛1,2,...,SN﹜，且k≠i；β为自适应调节系数β，β∈{0,1}；b)若经过式(7)进行新解搜索后，解的适应值变大，则本文档来自技高网...

【技术保护点】
1.一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，其特征在于，该方法包括以下步骤：/n步骤S1：收集已开挖断面的土层参数、施工参数和基坑变形指标的样本数据；/n步骤S2：利用灰色关联度分析，以土层参数和施工参数为比较数列、以基坑变形指标为参考数列建立关联度模型，根据关联系数大小，剔除与基坑变形指标不相关的土层参数和施工参数；/n步骤S3：以步骤S2经过筛选的施工参数和土层参数作为输入变量，以基坑变形指标作为输出变量，建立BP神经网络；/n步骤S4：在人工蜂群算法中引入自适应系数，基于步骤S4中BP神经网络的网络大小，建立蜂群结构，搜索初始权值和阈值，计算适应值，根据适应值更新最优解，优化BP神经网络；/n步骤S5：收集未开挖断面的土层参数与预采取的施工参数，预测未开挖断面的基坑变形数据，指导施工开挖。/n

【技术特征摘要】
1.一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，其特征在于，该方法包括以下步骤：
步骤S1：收集已开挖断面的土层参数、施工参数和基坑变形指标的样本数据；
步骤S2：利用灰色关联度分析，以土层参数和施工参数为比较数列、以基坑变形指标为参考数列建立关联度模型，根据关联系数大小，剔除与基坑变形指标不相关的土层参数和施工参数；
步骤S3：以步骤S2经过筛选的施工参数和土层参数作为输入变量，以基坑变形指标作为输出变量，建立BP神经网络；
步骤S4：在人工蜂群算法中引入自适应系数，基于步骤S4中BP神经网络的网络大小，建立蜂群结构，搜索初始权值和阈值，计算适应值，根据适应值更新最优解，优化BP神经网络；
步骤S5：收集未开挖断面的土层参数与预采取的施工参数，预测未开挖断面的基坑变形数据，指导施工开挖。


2.根据权利要求1所述的一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，其特征在于，步骤S1中土层参数包括内摩擦角、重度、黏聚力、渗透系数、弹性模量、内支撑层数和温度，施工参数包括最大开挖深度和开挖速度，基坑变形指标包括地表沉降与深层水平位移。


3.根据权利要求1所述的一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，其特征在于，步骤S2中灰色关联度分析包括如下步骤：
2.1对样本数据进行归一化处理；






其中，X是比较数列集，由土层参数和施工参数各个指标构成的样品数列集，Xi为归一化前的第i个指标的比较数列，m为土层参数和施工参数所涉及的指标总个数，X’i为第i个指标的样本值经归一化后的比较数列，Xmin为比较数列集中第i个指标的样本数列中的最小值，Xmax为比较数列集中第i个指标的样本数列中的最大值；
Y是参考数列集，由基坑变形各个指标构成的样本数列集，Yi为归一化前的第i个指标的参考数列，n为基坑变形指标的指标个数，Y’i为第i个指标的样本值经归一化后的参考数列，Ymin为参考数列集中第i个指标的样本数列中的最小值，Ymax为参考数列集中第i个指标的样本数列中的最大值；
2.2计算比较数列各个指标的关联系数ζi(k)



其中，y(k)为参考数列y曲线上的第k个点，xi(k)为比较数列xi曲线上的第k个点，N为第i个指标样本的个数，ρ为分辨系数，取0.5，ζi(k)为比较数列xi的关联系数；
2.3计算比较数列各个指标的关联度ri



其中，ri为比较数列第i个指标的关联度，ζi(k)为比较数列xi的关联系数；N为第i个指标样本的个数。


4.根据权利要求2和3所述的一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，其特征在于，步骤S2中根据关联性大小，剔除与基坑变形指标不相关的土层参数和施工参数有3个，分别为：温度、黏聚力和渗透系数。


5.根据权利要求1所述的一种基于改进的人工蜂群算法与BP神经网络的基坑变形预测方法，其特征在于，步骤S4具体包括如下步骤：
4.1计算BP神经网络的初始权值阈值
首先按式(5)确定解的维度D：
D＝Ninput×Nhidden+Nhidden+Nhidden×Noutput+Noutput(5)
其中：D是输入层、隐含层和输出层的节点数总和，Ninput、Nhidden、Noutput分别是输入层、隐含层和输出层的节点数既神经网络的所有权值阈值；
然后，根据式(6)生成初始解：
aij＝Minj+rand(0,1)(Maxj-Minj)(6)
其中，aij是第i个解的第j个初始权...

【专利技术属性】
技术研发人员：张箭，丰土根，王超然，周坤，谢康，钟小春，张坤勇，张福海，杭志斌，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32