小波神经网络的地铁论文范文

1小波神经网络学习算法

小波神经网络的网络结构和基本的BP神经网络类似，一般采用输入层、隐含层和输出层三部分。小波神经网络隐含层的转移函数采用小波函数，但小波函数的选取目前还未有统一的理论。Szu构造的Morlet小波函数。

2工程应用

2．1工程概况北京地铁6号线东延部分东部新城站至东小营站区间工程位于北京市通州区，起点为东部新城站，终点为东小营站。该区间由东部新城站向东，沿运河东大街北侧设置，沿线穿越绿地、宋郎路路口，到达东小营站，其中在宋郎路路口和运河东大街东南有多处雨水、电力和电信管线。区间穿越的地层主要有粉细砂层、局部夹粉质粘土层、中粗砂层。工程采用直径为6m的土压平衡盾构机进行施工。

2．2网络设计和数据采集小波神经网络的结构设计对预测结果影响较大，应充分考虑与施工相关的各种因素，如地表沉降的成因、工程地质条件和施工工艺参数等。盾构施工引起的地表沉降易受到以下因素影响：盾构施工区间的水文地质条件对沉降量的影响较大；当盾构机由于某种原因停止推进时，千斤顶会漏油回缩导致盾构机后退，引起盾前土体压力减小；盾尾脱空后，管片和土体之间存在空隙，由于注浆不及时，土体填充盾尾空隙引起土体局部塌落；盾壳移动引起土体的摩擦和剪切作用，在该作用力下土体产生变形；盾构改变开挖方向，往往会引起超挖现象，土体受到的扰动随之加大，引起土体局部变形破坏；开挖面的土体靠土仓压力来维持，但是在施工过程中，土仓压力和开挖面压力并不是出于完全平衡状态，这种不平衡状态容易引起土体的坍塌变形。综合考虑各相关因素，确定在对于地表沉降较为敏感的土体参数和施工参数中选取覆土厚度（H）、压缩模量（Es）、粘聚力（c）、天然密度（ρ）、内摩擦角（Ф）、千斤顶推力（F）和注浆压力（P）共7个参数作为神经网络的输入参数。小波神经网络的隐层节点数选择目前还没有成熟的理论依据，可参考BP神经网络的隐层节点选取，通过经验和实验分析以输入节点的2～4倍综合确定，最终选择为13。小波神经网络预测模型的网络结构为7－13－1。盾构施工引起的短期地表沉降对地表建筑和地下管线影响最大，且该施工区段地层变化较小，掘进速度基本不变，故可以选取盾构机通过该点50m后的稳定沉降数据。在施工单位提供的相关测量数据和地质资料中选取了51组数据，将其中36组作为训练数据，如表1所示。选择15组作为测试数据，如表2所示。

2．3地表沉降预测与分析根据选取的36组数据和已经确定的7－13－1的网络结构，分别建立小波神经网络和BP神经网络的预测模型。设定训练目标为0．001，BP神经网络的初始权值、阈值和小波神经网络的伸缩参数、平移参数分别在［－1，1］之间随机赋值。得到训练结果如图1所示。结果显示，经过1050次训练后小波神经网络的训练误差可以达到训练目标，而BP神经网络需要8500次训练才能达到训练目标。小波神经网络的训练速度相比于BP神经网络有较大优势。对于已经训练好的两种模型，使用相同的测试样本进行预测分析，得到的预测结果如图2所示，预测结果和实际测量值的误差如表3所示。可以看出，BP神经网络和小波神经网络的最小、最大误差分别为3．1％、27．3％，2．8％、14．5％，故小波神经网络的预测精度要好于BP神经网络，且预测结果均在工程允许范围内，可以依据此预测结果对现场施工控制参数的制定提供科学的指导。

3结论

盾构施工引起的地表沉降对施工安全影响较大，对其进行有效地预测，并以此作为依据对施工参数进行优化，可达到降低施工风险的目的，对于提高施工效率、确保施工质量、增加经济效益意义重大。本文选用小波神经网络模型对盾构施工地表沉降进行预测，得到以下结论：（1）小波神经网络的训练速度较传统BP神经网络有较大优势。（2）结合北京地铁六号线实地数据验证了小波神经网络用于盾构施工地表沉降预测的可行性。（3）小波神经网络的初始权值、伸缩参数和平移参数的选取还没有成熟的理论依据，如果参数选取不合适可能使小波神经网络陷入局部极小的情况，因此对于小波神经网络参数的优化选取还有待深入研究。

作者：季雁鹏郝如江宁士亮单位：石家庄铁道大学机械工程学院中国铁建中铁二十二局集团第一工程有限公司