李 霜
（安徽理工大学测绘学院，安徽 淮南 232001）
【摘 要】神经网络算法的收敛性和稳定性已经得到了广泛的证明，被应用在许多工业监控场合，在传统的BP神经网络预测基坑变形方法的基础上，融入了灰色算法，生成了一种新的智能化模型，以对原有方法进行优化。通过实际案例证明，新的组合模型无论在计算时间还是在计算精度方面，都显示了较为明显的优势，具有一定的经济意义和实用价值。
教育期刊网 http://www.jyqkw.com
关键词 基坑变形；监测；灰色模型；神经网络
０ 引言
随着我国社会经济的快速发展和城市规模的不断扩大，各项大型工程的建设也在蓬勃兴起，从而带动了基坑工程的快速发展。基坑工程具有面积大、深度大、造价高及施工难度大等特点，其稳定性和安全性越来越受全社会的普遍关注，因此变形预测和预报成为一项十分重要的工作。基于基坑的结构类型、组成物质的物理学性质、外力作用的多变性和不确定性，很难建立合适的确定性模型。目前用于变形预测模型有很多种，如回归分析模型、灰色系统模型、神经网络模型等。本文针对灰色模型和神经网络模型进行改进，以期提高基坑变形测量的准确性，更好的保障工程施工的安全。
1 灰色神经网络模型
１.1 BP神经网络
神经网络结构分为多种，本设计选取了BP神经网络作为研究对象，它属于一种前馈型神经网络，目前应用较为广泛，已经成为了一种成熟的优化模型。BP神经网络不但有输入层节点(单元)、输出层节点，而且还有一层或多层隐含层节点，层与层之间多采用全连接方式，但同一层之间的节点不存在互相连接。该模型流程如下：
第一阶段，正向传播过程: 输入层神经元通过接受外界的输入信息，并传递给中间层神经元，中间层神经元负责前后层之间的信息交换，并确定出中间层设计的隐含层的数量，最终将信息传到输出层并输出显示结果，完成一次正向传播处理过程。
第二阶段，反向传播过程: 主要用于误差调整，当预测结果同预期差距过大时，误差通过输出层，通过采用误差梯度下降的方式来调整各层权值，并向隐含层、输入层逐层反向传播。
以上两个过程不断循环往复，可在很短的时间内完成整个寻优过程，收敛性良好，并可保证将输出误差降低至最小。当然，从另一角度考虑，为了防止算法陷入无限循环中，可预先设定学习次数，当模型运算次数达到预定值时，无论是否达到预期精度，都会终止模型并输出结果。
1.2 灰色神经网络组合模型
灰色神经网络的组合预测模型是将灰色GM（1,1）模型和BP 神经网络模型相结合，并充分发挥灰色系统和BP神经网络模型各自的优势，实现两者优势互补，从而提高计算精度和运算能力，更好地解决实际工程中复杂的不确定问题。具体实施步骤如下:
（１）采用灰色GM（1，1） 模型对原始时序数据序列{x（0）（i）},i=1，2，…,n进行预测，获得拟合数据x’（1）（i）。
（２）求出残差序列e（0）=x（0）－x’（0）,i=1,2,……,n，这里可取e（0）（i－3），e（0）（i－2），e（0）（i－1）作为BP神经网络的输入，e（0）（i） 作为网络的输出，从而获得BP神经网络修正后的残差序列e’（0）（i） ，则组合模型的最终预测结果等x’（0）（i）+e’（0）（i） 。
采用BP 神经网络进行残差修正的预测模型流程，如图1所示。
2 实例分析
某大型工程基坑开挖深度11m～14m，基坑工程类别为一级。该场地地下水类型主要有上层滞水、第四系松散岩类孔隙裂隙水。土层滞水主要赋存于人工填土层中，水位不连续，变化幅度大，主要接受大气降水和地表水体的补给。基坑线路东侧沿线分布有多个水塘，部分坑内有积水。水坑均为雨季雨水汇集形成，个别水坑在线路上方。基坑施工过程中，若发生较大范围的土体变形，造成边坡土体开裂，会导致水塘内积水渗入基坑，从而影响基坑施工安全。在此期间，为实时了解基坑在开挖过程中的变形情况，对该基坑进行了定期观测。其中基坑的沉降监测点位布设如图2 所示。
为了检验灰色神经网络模型在变形监测数据预测中的效果，对该基坑冠梁上监测点x－2的沉降数据数据进行计算分析。这里选取4 个月的监测数据，时间间隔为4d，共计22次数据，分别用3种模型进行预测分析。采用前19 次实测数据建立相应模型，对后3次数据进行预测，将获得的拟合结果和预测结果同实测数据进行比较分析。通过MATLAB进行编程计算，可得GM（1,1）模型拟合结果。
图3 列出了两种模型的拟合和预测情况，可以看出，灰色神经网络的预测精度明显高GM（1,1） 模型的预测精度，尤其是数据序列存在上下波动的情况下。在实际的变形监测过程中，由于许多不确定因素的存在，大多数获得的数据序列是波动的，此时我们可以采用灰色神经网络模型进行预测，可有效提高精度，并获得较满意的结果。
4 结语
本文将灰色理论和神经网络模型相结合，建立灰（下转第259页）（上接第106页）色神经优化组合模型，充分发挥两者优势，能够在小样本，贫信息及数据有波动等情况下对变形监测数据做出比较准确的模拟和预测，并具有模型简单、无需确定非线性函数和计算方便等优点，从而为变形监测的数据处理提供一种有效的方法。
教育期刊网 http://www.jyqkw.com
参考文献
［１］张正禄,黄全义,文红雁,等．工程的变形监测分析与预报[M]．北京:测绘出版社,2007．
［２］吴飞宇．灰色系统和神经网络技术在深基坑变形监测中的应用研究[D].合肥: 合肥工业大学,2011．
［责任编辑：邓丽丽］