基于神经网络的基坑变形监测分析及应用.pdf

江西建材岩土工程与勘察1632023年7 月基于神经网络的基坑变形监测分析及应用张德宇中国建筑材料工业地质勘查中心辽宁总队，辽宁 沈阳 110004摘 要：建筑基坑的变形监测与稳定性分析是确保基坑工程安全的重要环节。由于基坑变形过程是一个高度复杂的非线性变化过程，仅采用力学分析或数值方法等常规手段进行基坑变形预测，得到的结果往往误差较大。文中结合 BP神经网络的优点，提出了一种基于 BP网络的基坑变形监测方法，通过具体工程案例的分析和实践证明，这种方法不仅可以有效地控制变形，还具有较高的经济效益。关键词：基坑；变形监测；神经网络中图分类号：TU753文献标识码：B文章编号：1006-2890（2023）07-0163-03Analysis and Application of Foundation Pit Deformation Monitoring Based on Neural NetworkZhang DeyuChina Construction Materials Industry Geological Exploration Center Liaoning Headquarters,Shenyang,Liaoning 110004Abstract:Deformation monitoring and stability analysis of building foundation pit are important links to ensure the safety of foundation pit engineering.Due to the highly complex nonlinear evolution process of foundation pit deformation,conventional methods such as mechanical analysis or numerical methods often have significant errors in predicting foundation pit deformation.A new method of machine learning based on Gaussian process is proposed to predict the deformation of foundation pit.Combining the advantages of BP neural network,this paper puts forward a method of foundation pit Deformation monitoring based on BP neural network.The practice proves that this method can not only effectively control the deformation,but also has higher economic benefits.Key words:Foundation pit;Deformation monitoring;Neural network0 引言随着深基坑工程不断增多，基坑在深开挖和支护过程中，必须进行变形监测，以便及时获取变形信息和趋势1，确保稳定性和安全性2-3。然而，由于复杂的地质环境、恶劣的天气状况、不断增加的人为原因等多方面因素，构建一个准确、非稳态的时间序列来监测变形是非常困难的。由于基坑变形过程过于复杂，难以精确模拟，传统的力学分析或数值方法往往会产生较大误差4-5。神经网络作为一种强大的模式识别工具，具有优秀的非线性映射能力和自适应学习能力，被广泛应用于各个领域6-7。本文旨在将神经网络应用于基坑变形监测分析中，提高监测精度和数据处理效率。1 BP神经网络1.1 BP神经网络理论BP算法（Back Propagation）被广泛用于复杂的非线性神经网络，不仅能实现高效的非线性映射，而且能实现高度的泛化。BP算法的结构包括三个主要的模块：前向传播模块、反向传播模块、权重更新模块。BP神经网络的运行机制是以前后的双重方式进行的，其进入信息会被正向传递，然后根据损失函数其信息又会被反向传递，以此来调整函数的权重，以适应不断变化的环境。此外，其运行机制还包括了多种不同的学习方法，以便更好地理解并处理复杂的信息。改变输出与预测值的相关性，可以在不影响结果的情况下优化模型。模型迭代可以提高模型的准确性。1.2 构建 BP神经网络模型BP神经网络模型是一种用于处理复杂问题的机器学习方法。BP神经网络模型的复杂性在于其隐藏层、节点以及其他相关参数，它们的组合可以极大地提升模型的预测准确性。一般来说，只有一层的神经网络比多层的神经网络更加可靠、高效。在处理基坑变形时，不能遵循一些固定的方法，而是需要经过多次试验才能够决策，如在处理输入与输出时，需要考虑到两个维度，所以，我们将一维的模型中的一个维度作为输入，另一个维度作为输出。监测流程如图1 所示。图1 基于神经网络模型的基坑监测流程具体建模步骤如下。（1）确定神经网络的结构。（2）选择适当的输入样本，并对输入和输出样本进行样本的归一化。作者简介：张德宇（1992-），男，辽宁朝阳人，本科，工程师，主要研究方向为工程测量与测绘。江西建材岩土工程与勘察1642023年7 月 （1）式中，xi和 yi是归一化的前变量和后变量，xmax和 xmin分别是 x的最大值和最小值。（3）设置初始参数，包括最大训练次数、误差精度、隐藏层节点数量等。（4）计算每一层的输出数据，并确定它们的误差。（5）采用自适应可变学习率算法，可以大幅度改善神经网络的权重和阈值。（6）如果误差超出了预期的范围，应重新执行步骤（4）。（7）如果准确性达到了预期水平，且训练频率超过了最高阈值，那么训练就会终止。1.3 预测方法应用相空间重构技术，我们可以有效地从原始的地面数据中抽离出有价值的信息，并利用这些有价值的信息推断出未来的变化趋势。为此，可以先从原始的真实数据探索时间序列 x（1），x（2）x（t），可以获得下面的新的数据集：（2）式中，m是嵌入维度，是时间延迟。通常，嵌入维数和延迟时间的选择是相空间重构的关键。通过使用 BP神经网络模型，我们可以训练出 x（1）、x（2）、x（t）四个相位点的变化规律 F。然后，通过这些规律来预测下一个相位点。为了更好地利用最新的数据，本文还采用了滚动预测的方法来提高预测的准确性。2 工程应用2.1 工程概况某基坑采用桩锚支护技术，土层主要由粉土、黏土、有机土和泥炭土等组成，因此，在施工时需要特别注意土壤深层水平位移的变化，以确保基坑的稳定性，并且将深层水平位移传感器放入支撑桩内，以确保其与周围环境的稳定性。在这里，我们选取8-8 剖面6.5 m深度对应的 SCW01 孔监测数据为例，对上述方法进行了说明。2.2 监测数据8-8 剖面：开挖深度10.12 m，采用2 排锚索，共5 个工作阶段。其中，2 排锚索垂直距离分别为6.3 m和2.4 m。5 个工作阶段的工期分别为29、12、50、18、22 d，共计131 d。在时间序列分析中，要求数据应与相同的时间间隔一致。但是，该坑的实际监测数据不能满足这一条件，因此，采用了线性插值方法重新生成时间间隔为2 d的变形时间序列。插值后，5 个工作阶段的工期分别为15、6、25、9、11 组，共66 组。2.3 基于 BP神经网络的预测结果将13 个工作阶段的变形数据（共46 组数据）作为学习样本，第四工作阶段的变形数据被视为测试样本。首先，利用14个工作阶段的147组数据（共55组数据）进行相空间重构，其中，第47 组数据被视为未知数据，通过建立一个预测模型，我们可以预测第47 组数据的变形，并且可以利用这些数据重新构建相空间。其中，第47 组数据取预测值，第48 组数据按未知处理，然后建立预测模型，并利用该模型对第48 组数据进行变形预测，通过类比，可以预测第四工作阶段的所有变形。同样，利用24 个工作阶段的监测数据建立预测模型，然后利用该模型对第5 个工作阶段变形进行滚动预测。在预测过程中，BP神经网络的参数如下：训练次数为1 000 次，隐层节点数为8，预测结果如表1 所示，结果比较如图2 所示。根据表1 的数据，8-8 剖面第4、第5 工作阶段的预测准确率达到90.63%99.99%，而其他两个剖面的准确性则低于此，因此，BP神经网络建模的准确度及其合理性得到了有力的证明。图2 8-8 剖面第4、5 工作阶段预测结果另外，我们将9-9 剖面的数据纳入本次研究，并采用类似的算法及步骤，更加准确地评估其效果。其中，BP神经网络的参数保持不变，9-9 剖面开挖深度9.25 m，采用2 排锚索进行基坑支护，共有5 个工作阶段，5 个工作阶段的工期分别为33、6、14、12、26 d，共计91 d，5 个工作阶段的插值结果分别为17、3、表1 BP神经网络模型的预测误差分析第4 工作阶段预测结果监测时间/d93959799101103105107109测量值/mm12.1711.9411.4210.9010.319.919.689.459.65预测值/mm12.5312.412.0211.911.2810.6810.5510.039.68相对误差/%2.933.855.259.179.377.818.996.100.34第5 工作阶段预测结果监测时间/d111113115117119121123125127129131测量值/mm10.2610.5710.5810.5810.5810.5910.5910.6010.6010.6110.61预测值/mm9.8510.1110.6110.5810.4310.5810.6110.5910.6010.6210.62相对误差/%4.024.370.320.011.460.080.160.070.010.130.09（下转第167页）江西建材岩土工程与勘察1672023年7 月当前方法的一个局限是，必须微调两个参数：调整比率（RA）和裕度参数（）。使用试验发现，RA=2 和=0.5 可以在建筑表面的裂缝检测上提供令人满意的性能。然而，对于不同类型的图像，如沥青路面，这两个值应适当调整。当前方法的另一个缺点是，它可能无法检测一些相对较薄的裂缝物体。因此，未来的研究方向可能包括应用优化方法（如元启发式）自动识别 RA和 的适当值。此外，将复杂的图像滤波和处理方法集成到当前模型中，增强模型检测裂缝对象的能力，也值得研究。4 结语本文提升了一种测量建筑结构表面裂缝缺陷的图像处理模型。用于裂缝分析的数字图像在分析时面临种种困难（低对比度、不均匀照明和噪声污染），因此，依赖于传统 Otsu方法的裂缝检测不能提供令人满意的结果。新模型采用了一种称为最小-最大灰度级判别（MMG）的图像增强算法来改进 Otsu方法。新构建的模型能够识别裂缝对象并分析其特征，包括面积、周长、宽度、长度和方向。试验结果证明，测试图像中的裂缝已被准确识别，MMG确实可以提高 Otsu方法的性能。参考文献 1 郭运冲，李孟军，刘名果，等.基于 Canny 算子的建筑裂缝边缘检测改进算法J.计算机仿真，2022，39（11）：360-365，410.2 吴子燕，贾大卫，王其昂.基于卷积神经网络与区域生长法的建筑裂缝识别J.应用基础与工程科学学报，2022，30（2）：317-327.3 张伟，周利君，夏坚.基于改进 Canny 算子的建筑裂缝边缘提取方法J.福建工程学院学报，2021，19（4）：330-334.4 杨国庆，吴昊，方振江.基于 PCA 降噪的 Canny 算法在建筑裂缝检测中的应用J.天津城建大学学报，2020，26（3）：231-235.5 张晓.某建筑裂缝检测方法及分析J.河南建材，2020（5）：159.6 高旭光，刘辉.建筑裂缝近景摄影测量法观测与空间模型建立J.合肥工业大学学报（自然科学版），2020，43（5）：646-652.表1裂缝分析结果被测图像裂缝面积/mm2方向/mm平均裂缝宽度/mm最大裂缝宽度/mm周长/mm长度/mm1-212441-17.363.246.32750.74372.13312238-89.584.279.991250.00620.88411738-14.570.180.45879.35439.50519786.151.361.94140.9469.11219485.420.881.12250.77124.507、6、13 组，共46 组。通过分析13 个工作阶段的监测数据，我们构建了一个预测模型，从而对第4 个工作阶段的变形进行滚动预测。此外，我们还通过分析24 个工作阶段的监测数据，构建了一个预测模型，以便对第5 个工作阶段的变形进行滚动预测。结果比较如图3 所示。其中，9-9 剖面第4 和第5 工作阶段预测的预测准确率达到93.50%99.53%，平均值为97.58%，说明 BP神经网络模型在基坑变形监测中预测性能是有效和准确的。图3 9-9 剖面第4、5 工作阶段预测结果3 结语本文研究了一种基于 BP神经网络的基坑变形监测方法，能有效地预测基坑变形情况。通过具体工程案例验证，该方法不仅可以显著改善基坑变形监测的准确性，而且可以大幅提升数据处理的效率，从而为基坑工程的安全施工提供强有力的保障。未来的研究可进一步优化神经网络模型，提高其对基坑变形监测的准确性和稳定性，并结合其他监测技术和方法，实现更全面、多角度的基坑变形监测与稳定性分析。参考文献 1 陈伟.城市基坑变形监测技术应用分析J.建筑技术开发，2021，48（1）：145-146.2 闫倩倩，刘姗姗.因果分析图法在某基坑变形监测中的应用J.山西建筑，2019，45（8）：74-75，107.3 夏青海.大型深基坑变形监测技术与应用研究J.居舍，2019（36）：66.4 刘博峰.基于 BP 神经网络算法的大变形隧道位移监测数据分析与应用J.铁道建筑，2022，62（7）：106-109.5 黄侨文.BP 神经网络预测模型在基坑监测中的应用分析J.江西建材，2017（8）：59.6 刘永辉，黄立，刘炳凯，等.BP 神经网络在深基坑监测预报中的应用与精度分析J.广州建筑，2019，47（1）：19-23.7 曹志强.软土地区复杂环境条件下的超深特大型深基坑变形监测与分析J.江苏建材，2023（3）：43-46.（上接第164 页）