丁 楊, 韓 震, 張小龍, 張鴻乾, 周雙喜, 饒 軍
(1.浙大城市學院土木工程系,杭州 310015;2.南京地鐵運營有限責任公司,南京 210012;3.浙江大學建筑工程學院,杭州 310058;4.廣州航海學院土木與工程管理學院,廣州 510725;5.華東交通大學土木與建筑學院,南昌 330013)
2021 年2 月國務院印發了《國家綜合立體交通網規劃綱要》,明確指出交通強國,是中國的發展愿景[1]。由于地質、施工操作等不確定性問題,地鐵施工過程中會出現不可預見的問題,造成嚴重事故,損失大量的人力和財力[2]。因此,需要對地鐵施工期周圍臨近高層建筑實施監測和預測,并布置相應的控制方法,避免事故的發生。
機器學習方法被廣泛應用于數據預測領域,以實現施工的智能化。這種應用也正好符合現代土木工程教學任務的轉型趨勢。傳統土木工程教學通常要求學生去工地現場學習,由于教學時間、人員安全、場地限制等因素的影響,這種教學方式很難全面覆蓋所有學生。為解決這一問題,傳統土木工程教學開始采用虛擬仿真和人工智能方法的結合,也就是智能建造教學,在各個高校得到了廣泛應用。目前,逆向傳播(Back Propagatin,BP)神經網絡被廣泛用于預測領域,莫曼等[3]使用BP神經網絡方法對軟土地基的沉降預測值合理,其精度優于一維固結理論方法。由于BP 神經網絡的結構特點,導致目前未能對其輸入節點、隱含層節點及隱含層層數有一個明確的認識?;诖?,本文以南京地鐵為例,建立基于BP 神經網絡的沉降預測模型,分析各層節點和層數對預測性能的影響。
地鐵7 號線中勝站規模為270 m × 21.9 m ×21.06 m(長×寬×深),10 號線中勝站沿河西大街南側東西向布置,如圖1 所示。
圖1 車站平面圖
地鐵7 號線下穿地鐵10 號線是一個復雜的施工過程,為實時監測地鐵7 號線施工對地鐵10 號線的影響,布置4 個監測測點M1~M4,如圖2 所示。此外,J12~J19監測點是地鐵10 號線施工時的監測點。
圖2 監測點
將得到的4 個監測點的沉降數據繪制成如圖3 所示。由圖可見,各監測點的數據變化均為先隆起,而后逐漸沉降,符合理論變化趨勢。
圖3 各監測點沉降數據變化
BP 神經網絡主要包含輸入層、隱含層和輸出層[4-6]。BP神經網絡預測模型主要可分為:單輸入-單隱含層-單輸出、多輸入-單隱含層-單輸出、單輸入-多隱含層-單輸出和多輸入-多隱含層-單輸出,如圖4所示[7-9]。圖中:wij為輸入層至隱含層之間的權重;pjl為隱含層之間的權重;qlk為隱含層至輸出層之間的權重。
圖4 BP神經網絡預測模型
本文采用均方根差(Root mean squared error,RMSE)為性能評價指標[10-15]
式中:yip為預測值;yit為真實值;n為預測數量。
將隱含層節點設置為變量,分析不同輸入數量(1,2,8,10)與隱含層節點之間的相關關系,如圖5 所示。由圖5 可見,當輸入數量為1 時,對4 個監測點(M1~M4)來說,隱含層節點在1 ~6 之間最佳;當輸入數量為10 時,對監測點M1和M4來說,隱含層節點在10 ~20 之間最佳,而對監測點M2和M3來說,輸入數量為10 時,BP預測性能魯棒性非常差。
圖5 不同輸入數量-隱含層節點相關關系
將隱含層節點設置為變量,分析當輸入數量為1與隱含層節點之間的相關關系。當輸入數量為1 時,對監測點M1來說,第1 層隱含層節點在1 ~5 之間且第2 層隱含層節點在1 ~5 之間為最佳;對監測點M2來說,第1 層隱含層節點在5 ~10 之間且第2 層隱含層節點在1 ~5 之間為最佳;對監測點M3來說,第1 層隱含層節點在1 ~10 之間且第2 層隱含層節點在5 ~10 之間為最佳;對監測點M4來說,第1 層隱含層節點在1 ~5 之間且第2 層隱含層節點在1 ~5 之間為最佳。
當輸入數量為5 時,對監測點M1來說,第1 層隱含層節點在1 ~10 之間且第2 層隱含層節點在1 ~4之間為最佳;對監測點M2來說,第1 層隱含層節點在1 ~8 之間且第2 層隱含層節點在1 ~5 之間為最佳;對監測點M3來說,第1 層隱含層節點在1 ~5 之間且第2 層隱含層節點在1 ~5 之間為最佳;對監測點M4來說,第1 層隱含層節點在1 ~3 之間且第2 層隱含層節點在1 ~3 之間為最佳。
當輸入數量為8 時,對監測點M1來說,第1 層隱含層節點在1 ~3 之間且第2 層隱含層節點在1 ~3 之間為最佳;對監測點M2來說,第1 層隱含層節點在1 ~5 之間且第2 層隱含層節點在1 ~5 之間為最佳;對監測點M3來說,第1 層隱含層節點在1 ~3 之間且第2 層隱含層節點在1 ~3 之間為最佳;對監測點M4來說,第1 層隱含層節點在1 ~3 之間且第2 層隱含層節點在1 ~3 之間為最佳。綜合計算結果,建議當輸入量為8,第1 層隱含層節點在1 ~3 之間且第2 層隱含層節點在1 ~3 之間為最佳。
由圖6(a)可見,當輸入數量為10 時,對監測點M1來說,第1 層隱含層節點在1 ~3 之間且第2 層隱含層節點在1 ~3 之間為最佳;對監測點M2來說,第1層隱含層節點在1 ~5 之間且第2 層隱含層節點在1~5 之間為最佳,如圖6(b)所示;對監測點M3來說,第1 層隱含層節點在1 ~6 之間且第2 層隱含層節點在1 ~3 之間為最佳;對監測點M4來說,第1 層隱含層節點在1 ~3 之間且第2 層隱含層節點在1 ~3 之間為最佳。綜合計算結果,當輸入量為10 時,所建立的BP神經網絡模型預測性能較差。
圖6 輸入數量為10時的監測點計算結果
本文以某地鐵沉降數據為基礎,構建了多層BP神經網絡模型,實現了沉降預測效果。在構建地鐵沉降預測模型過程中,得到了以下結論:
(1)單隱含層BP 神經網絡:建議輸入量為1,且隱含層數量在1 ~6 之間構建單隱含層BP 神經網絡;輸入數量為5 時,隱含層節點在4 ~20 之間最佳;輸入數量為8 時,隱含層節點在10 ~20 之間最佳;不建議輸入數量為10。
(2)雙隱含層BP神經網絡:建議輸入量為1 時,第1 層隱含層節點在1 ~5 之間且第2 層隱含層節點在1 ~5 之間為最佳;輸入量為5,第1 層隱含層節點在1 ~3 之間且第2 層隱含層節點在1 ~3 之間為最佳;當輸入量為8,第1 層隱含層節點在1 ~3 之間且第2 層隱含層節點在1 ~3 之間為最佳;當輸入量為10,所建立的BP神經網絡模型預測性能較差,不建議輸入數量為10。