1、基于主成分分析和径向基神经网络的基坑变形预测摘要：基坑变形对周围环境有重要影响，对其预测是工程中的一个难点，选用某地区 33 组基坑工程监测数据，通过主成分分析确定基坑变形的主要影响因素，采用遗传算法优化的径向基神经网络模型建立基坑变形预测模型，实际工程证明该模型准确可靠，具有较强的实用性。 关键词：基坑边形；预测；主成分分析；遗传算法；神经网络 Abstract: Predicition of pit deformation is important for construction environment, a new method based on principal component
2、 analysis, genetic algorithm and radical basis function model was employed to solve this matter with 33 sample, case show it was reliable and precise. Keywords: pit deformation; prediction; genetic algorithm; artificial neural network 中图分类号：TU74 引言:随着我国国民经济发展，城市规模不断扩大，受用地空间限制，高层建筑越来越多，建筑基坑工程也越来越多，基坑
3、施工对周边环境具有较大影响，其安全性也越发显得重要12。基坑变形是基坑是否稳定最直观、最准确也的监测指标。基坑变形受多种因素影响，由于岩土体物理力学性质较为复杂，并且基坑附近应力场在在施工过程不断发生改变，因此基坑变形规律复杂，其预测是工程中的一个重点和难点3。 主成分分析4（Principal Component Analysis，PCA）通过变量线性变换确定起主要作用的重要变量，使复杂问题大大简化。径向基神经网络（Radical Basis Function）具有较强的逼近能力，并且收敛速度较快，采用遗传算法（Genetic Algorithm）对其进行优化可以实现全局寻优。基于上述思想，
4、本文首先采用主成分分析确定基坑变形主要影响因素，而后采用遗传算法优化的径向基神经网络构建基坑变形预测模型，最后通过一个工程实例验证了该模型的实用性。 一、主成分分析 某一实际问题可能有众多影响因素，在对其进行系统分析时若考虑所有因素的影响会使问题极为复杂，针对这一问题，引入主成分分析方法，主成分分析方法通过对大量数据的总结对影响因素进行概括和综合，将所有影响因素转化为几个主要影响因素或者确定几个主要影响因素而忽略其他作用较小的因素。 二、遗传算法-支持向量机模型 1.径向基神经网络 基坑变形是一个复杂的非线性问题，线性数学无法对其进行解释，径向基神经网络5可以描述复杂的非线性规律，该网络由输入
5、层、隐含层、线性单元层和输出层构成（见图 1） ，通过对训练样本数据的误差分析建立输入变量与输出变量之间的映射关系，其预测结果具有较高的精度，该模型目前已在广泛应用于电力、医学、农业、采矿等领域。 图 1 径向基神经网络结构图 2.遗传算法优化径向基神经网络原理 神经网络构建难点在于网络参数设置，其预测精度与参数设置有很大关系，参数设置合理时模型能够反映恰当的实际情况，参数设置不合理时模型会陷入局部最优解，预测结果与实际偏差较大。径向基神经网络最大的优点在于该网络只有一个设计参数 ，因此其参数选择比其他神经网络较为容易。遗传算法6通过模拟生物进化过程中的自然选择和个体竞争实现寻优，具有较强的搜
6、索能力，可以实现全局寻优，采用遗传算法优化径向基神经网络可以实现构建最优预测模型，以学习样本数据输出值值与实际值之差的均方和为评价指标对 BP 模型参数进行评价，其优化过程如下：（1）确定 可能存在区间；（2）设置评价函数；（3）对 采取二进制编码，设置初始种群；（4）对染色体进行解码并计算适应度；（5）根据评价准则迭代计算，直至满足终止条件。 三、预测模型构建与验证 基坑变形包括基坑影响范围内土体沉降、基坑底部土体隆起以及基坑支护结构变形等等，考虑土体沉降对周围环境影响最重要，因此选取该位移作为基坑变形主控指标。 1.基坑变形主成分分析 基坑变形影响因素众多，主要包括场地工程地质条件、地下水
7、深度、基坑深度、几何形状、支护结构形式、基坑开挖方式等等。采用数学建模对基坑变形预测需要对影响因素进行量化，但如果将上述因素全部量化用于构建基坑变形预测模型会使问题极为复杂，因此有必要采用主成分分析对该问题进行简化。 选取某地深度为 6.2 至 7.7m 的 33 组以土钉墙支护的基坑监测数据做主成分分析，确定该类型基坑变形关键影响因素为以下四项：土体加权平均重度、土体加权平均压缩模量、基坑深度、施工时间，上述四项指标可以综合反映基坑开挖过程中土体的受力特征和变形特征，最终选用上述四项指标作为径向基神经网络的输入向量。 2.预测模型构建 以上述 33 组基坑监测数据为样本，输入向量为土体加权平
8、均重度、土体加权平均压缩模量、基坑深度、施工时间，输出结果为基坑影响范围内土体沉降，采用 Visual Basic 编程建立遗传算法优化的径向基神经网络构建预测模型。 3.工程实例 为检验上述预测模型的精度，采用该模型对当地一基坑变形进行预测，该基坑深 6.9m，采用土钉墙支护，该基坑实测沉降曲线与预测曲线见图 2。 图 2 沉降曲线 由图 2 可见，采用遗传算法优化的径向基神经网络模型具有较高的预测精度，土体预测沉降量与实际观测沉降量较为接近，该模型可以在基坑开挖前对施工影响进行预估。 三、结束语 通过主成分分析，选取土体加权平均重度、土体加权平均压缩模量、基坑深度、施工时间四项指标作为输入
9、向量构建遗传算法优化的径向基神经网络变形预测模型，工程实例证明上述模型具有较高的预测精度，能够满足工程需要，具有广泛的应用前景。 参考文献： 1曾宪明，林润德，易平编著.基坑与边坡事故警示录.北京:中国建筑工业出版社，1999. 2龚晓南.岩土工程发展中应重视的几个问题.岩土工程学报(增刊)，2006，11(I) 3陈灿寿,张尚根,余有山.深基坑支护结构的变形计算.岩石力学与工程学报，2004，23(12) 4魏旭. 基于主成分分析的特征融合及其应用D.成都：电子科技大学，2008. 5朱大齐,史慧.人工神经网络原理及应用M.北京：科学出版社，2006. 6雷英杰,张善文,李续武,等.MATLAB 遗传算法工具箱及应用M. 西安:西安电子科技大学出版社.2005
