一种PSO-DE算法和神经网络联合的基坑土体参数反演方法

本发明涉及基坑工程施工技术领域，尤其涉及一种pso-de算法和神经网络联合的基坑土体参数反演方法。

背景技术：

我国城市建设正在处于高速发展时期，城市的人口密集度不断增加。导致城市的地面可利用空间在不断减少，合理的开发和利用地下空间成为解决这些难题的主要方法。这就对导致了基坑的开挖深度也随之越挖越深，出现了许多超过10m的深基坑，甚至超过30m的超深基坑工程。基坑尤其是超深基坑工程由于设计施工不当导致安全事故频发，因此，基坑的安全问题越来越受社会关注。

数值计算分析方法是随着计算机技术的发展产生的一种科学合理的分析方法，该方法可以根据设计施工方案，对基坑工程进行动态模拟分析，为实际施工提供参考并对设计参数进行优化。但由于在数值计算分析中，参数选取的困难，不易被一般工程设计人员掌握，导致该方法在基坑工程中难以进一步推广应用。

目前的基坑土体参数反演方法主要采用bp神经网络系统进行参数反演分析。但是，bp神经网络具有效率低、收敛慢、全局搜索能力差、易陷入局部最优等缺点，采用该神经网络模型进行基坑土体参数反演难以保证反演结果的准确性。如何提高基坑土体参数反演准确性和可靠性成为目前基坑土体参数反演分析中亟需解决的难题。

技术实现要素：

针对上述现有技术的不足，本发明提供一种pso-de算法和神经网络联合的基坑土体参数反演方法。

为解决上述技术问题，本发明所采取的技术方案是：一种pso-de算法和神经网络联合的基坑土体参数反演方法，包括如下步骤：

步骤1：根据基坑开挖阶段施工工序，选择能够反应基坑支挡结构稳定性的监测信息；

所述监测信息包括：围护结构深层水平位移、地表沉降、支撑轴力、地下水位、地连墙结构应力、土压力、孔隙水压力。

步骤2：根据实际基坑工程设计和施工方案建立数值计算模型，并对基坑按照施工工序进行施工模拟，利用数值计算结果构建训练样本和测试样本，过程如下：

步骤2.1：基于基坑设计图纸资料，利用数值计算分析软件建立数值计算模型；

步骤2.2：根据基坑设计建议施工工序参考现场实际施工工序，在数值计算分析软件中模拟现场实际工况进行施工模拟；

所述施工模拟包括：开挖、支护、回填。

步骤2.3：采用试验设计方法构建样本集：利用数值计算分析软件进行计算，提取数值计算结果作为样本集的样本，并将样本集中的样本分为训练样本和测试样本。

所述试验设计方法包括：正交试验设计、均匀设计。

步骤3：利用pso-de算法选择最优bp神经网络映射模型，具体过程如下：

步骤3.1：初始化种群及粒子群算法的相关参数，设置神经网络参数和结构，构建bp神经网络拓扑结构，将神经网络的权值和阀值映射为粒子，并确定粒子的维数d，粒子群搜索的空间维数就是bp神经网络中全部权值和阈值的和；

步骤3.2：采用训练样本对构建的神经网络模型进行训练，将测试样本输入训练完成的神经网络模型，将预测值与测试样本值的误差平方和作为目标函数，计算粒子的适应度值，并判断得到的适应度是否满足预设目标值；

步骤3.3：适应度值不满足预设目标值，进一步判断粒子群算法是否进入局部最优，若粒子群未陷入局部最优，则根据粒子群pso算法更新粒子，若陷入了粒子群算法局部最优则根据最优粒子通过差分进化de随机生成新的种群；

步骤3.4：将通过粒子群算法或者差分进化算法得到的新粒子，重复步骤3.2和步骤3.3直到达到理想适应度或达到最大迭代次数，此时得到的最优个体，即可当作bp神经网络的初始权值和阈值来训练得到最优bp神经网络映射模型。

步骤4：将现场实测结果输入pso-de算法得到的最优bp神经网络映射模型，得到预测土体参数值；

步骤5：对比预测结果与实际监测的土体参数值，检验反演结果的准确性，过程如下：

步骤5.1：若反演结果准确性差，进行步骤2操作增加训练样本，转至执行步骤3；

步骤5.2：反演结果准确性好，符合现场工程特点，得到可以接受的准确土体参数值，结束反演操作。

所述反演结果准确性采用灰色关联度来量化实测值与反演值的相似程度。

采用上述技术方案所产生的有益效果在于：

1、本发明提供的方法可以在有限的神经网络样本下，获得最优的神经网络映射关系模型，提高基坑工程土体参数反演分析中的效率和准确性，具有较好的鲁棒性。

2、本发明提供的方法避免了pso算法容易陷入局部最优的缺陷和构建bp神经网络模型时参数取值的盲目性，提高了使用单一bp神经网络进行基坑工程土体参数反演分析的准确性。

附图说明

图1为本发明实施例中pso-de算法和神经网络联合的基坑土体参数反演方法的流程图；

图2为本发明实施例中pso-de算法迭代情况示意图；

图3为本发明实施例中测点1地下连墙深层水平位移对比图；

图4为本发明实施例中测点2地下连墙深层水平位移对比图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本实施例以某盾构隧道接收井基坑为例，本实施例基坑基本信息如下：基坑宽度49.0m，长度为29.8m，最大开挖深度约35.4m，基坑采用顺作法施工。基坑围护结构采用地下连续墙加内支撑组合支护方式，地下连续墙厚度1.2m，深度58.4m；内支撑采用钢筋混凝土支撑和钢支撑组合使用方式，基坑深度范围内共设8道支撑，分8层进行逐层开挖。开挖深度0～40m范围内，以粉质黏土为主，土体承载力低，压缩性中等～高，易产生变形；基岩揭露于40m以下，主要为全风化状的辉长岩。

如图1所示，本实施例中pso-de算法和神经网络联合的基坑土体参数反演方法的过程如下所述：

步骤1：根据基坑开挖阶段施工工序，选择能够反应基坑支挡结构稳定性的监测信息；

所述监测信息包括：围护结构深层水平位移、地表沉降、支撑轴力、地下水位、地连墙结构应力、土压力、孔隙水压力。本实施例中选择2个测点的地下连续墙深层水平位移值作为反演目标值，如图3和图4所示。

步骤2：根据实际基坑工程设计和施工方案建立数值计算模型，并对基坑按照施工工序进行施工模拟，利用数值计算结果构建训练样本和测试样本，过程如下：

步骤2.1：基于基坑设计图纸资料，利用数值计算分析软件建立数值计算模型；

步骤2.2：根据基坑设计建议施工工序参考现场实际施工工序，在数值计算分析软件中模拟现场实际工况进行施工模拟；

所述施工模拟包括：开挖、支护。

步骤2.3：采用试验设计方法构建样本集：利用数值计算分析软件进行计算，提取数值计算结果作为样本集的样本，并将样本集中的样本分为训练样本和测试样本。

所述试验设计方法包括：正交试验设计、均匀设计。

本实施例中，选择2个关键性土体结构物理力学参数，采用正交设计构建样本42组，采用均匀设计构建样本10组，共计52个计算样本，其中正交设计构建的前42个作为训练样本，均匀设计构建的后10个样本作为测试样本。通过数值计算分析获得相应监测项目和对应工况及空间位置处的数值计算结果，由于样本数量较多此处不再详细列出；

步骤3：利用pso-de算法选择最优bp神经网络映射模型，具体过程如下：

步骤3.1：初始化种群及粒子群算法的相关参数，设置神经网络参数和结构，构建bp神经网络拓扑结构，将神经网络的权值和阀值映射为粒子，并确定粒子的维数d，粒子群搜索的空间维数就是bp神经网络中全部权值和阈值的和；

步骤3.2：采用训练样本对构建的神经网络模型进行训练，将测试样本输入训练完成的神经网络模型，将预测值与测试样本值的误差平方和作为目标函数，计算粒子的适应度值，并判断得到的适应度是否满足预设目标值；

步骤3.3：适应度值不满足预设目标值，进一步判断粒子群算法是否进入局部最优，若粒子群未陷入局部最优，则根据粒子群pso算法更新粒子，若陷入了粒子群算法局部最优则根据最优粒子通过差分进化de随机生成新的种群；

步骤3.4：将通过粒子群算法或者差分进化算法得到的新粒子，重复步骤3.2和步骤3.3直到达到理想适应度或达到最大迭代次数，此时得到的最优个体，即可当作bp神经网络的初始权值和阈值来训练得到最优bp神经网络映射模型。

本实施例中，设计神经网络为4输入2输出，4输入为不同测点不同深度位置深层水平位移2输出为弹性模量和内摩擦角，设置初始化种群：学习率0.5、隐含层3、各层神经元数5；粒子群算法参数：学习因子2，最大速度0.5，最大迭代次数300。

按照初始化种群构建神经网络模型，输入训练样本和测试样本进行迭代寻优，经过约120次迭代后，适应度值不再出现明显下降情况，适应度为0.26，如图2所示，基本达到目标值，终止pso-de算法迭代，输出最优bp神经网络映射模型(隐含层数2层，网络结构为：4-10-8-2)，此时映射关系最优，可以准确的输出预测土体参数值。

步骤4：将现场实测结果输入pso-de算法得到的最优bp神经网络映射模型，得到预测土体参数值；

本实施例中，将现场实测结果输入pso-de算法得到的最优bp神经网络映射模型，得到弹性模量为12.67mpa和摩擦角为16.75°。

步骤5：对比预测结果与实际监测的土体参数值，检验反演结果的准确性，过程如下：

步骤5.1：若反演结果准确性差，进行步骤2操作增加训练样本，转至执行步骤3；

步骤5.2：反演结果准确性好，符合现场工程特点，得到可以接受的准确土体参数值，结束反演操作。

采用本发明的方法，以某盾构隧道接收井基坑为例，对基坑土体参数进行反演分析。通过现场实测和反演结果对比，证明了本发明反演分析方法的准确性。采用本发明的方法提高目前基坑土体参数反演准确性和可靠程度，有利于数值计算分析方法在基坑工程中的进一步推广应用。