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.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111967079A(43)申请公布日2020.11.20(21)申请号202010824412.2G06N3/08(2006.01)(22)申请日2020.08.17(71)申请人河海大学地址210024江苏省南京市西康路1号(72)发明人张箭丰土根王超然周坤谢康钟小春张坤勇张福海杭志斌(74)专利代理机构南京灿烂知识产权代理有限公司32356代理人赵丽(51)Int.Cl.G06F30/13(2020.01)G06F30/27(2020.01)G06N3/00(2006.01)G06N3/04(2006.01)权利要求书3页说明书10页附图4页(54)发明名称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(57)摘要本发明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。CN111967079ACN111967079A权利要求书1/3页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ri2CN111967079A权利要求书2/3页其中，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