基于PSO優(yōu)化LSSVM在基坑開挖過程中周圍建筑物沉降預(yù)測(cè)研究

　　摘要：本文提出一種用粒子群優(yōu)化算法來確定LSSVM參數(shù)的方法。該方法是在對(duì)LSSVM進(jìn)行分析的基礎(chǔ)上，融合PSO的群搜索特征來提高LSSVM預(yù)測(cè)精度。文章最后采用昆明市某基坑周圍建筑物沉降數(shù)據(jù)對(duì)此模型進(jìn)行了驗(yàn)證，并與其他算法進(jìn)行了對(duì)比分析，計(jì)算結(jié)果表明用該模型進(jìn)行沉降預(yù)測(cè)相比其他算法具有較快的收斂速度和更高的預(yù)測(cè)精度。
　　Abstract： This paper presents a method of determining the parameters of LSSVM using particle swarm optimization algorithm. The method is based on the analysis of LSSVM， and combines PSO"s group search features to improve LSSVM prediction accuracy. At last， the model is verified by the settlement data of buildings around a foundation pit in Kunming and compared with other algorithms. The calculation results show that the settlement prediction using this model has faster convergence speed and more High prediction accuracy.
　　關(guān)鍵詞：基坑開挖；沉降預(yù)測(cè)；PSO算法；LSSVM模型；參數(shù)優(yōu)化；預(yù)測(cè)精度
　　Key words： foundation pit excavation；settlement prediction；PSO algorithm；LSSVM model；parameter optimization；prediction accuracy
　　中圖分類號(hào)：TV551.4+2 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2018）14-0125-03

0 引言

　　由于基坑工程的特殊性導(dǎo)致了在基坑開挖引發(fā)周圍建筑物沉降的觀測(cè)時(shí)間短，因此基坑開挖引發(fā)周圍建筑物的沉降數(shù)據(jù)就是小樣本數(shù)據(jù)。本文利用一種基于粒子群優(yōu)化算法（PSO），對(duì)最小二乘支持向量機(jī)（LSSVM）供水量預(yù)測(cè)模型參數(shù)進(jìn)行優(yōu)化。為了驗(yàn)證模型的可靠性，本文采用某市實(shí)測(cè)基坑周圍建筑物沉降數(shù)據(jù)對(duì)比分析了PSO算法，遺傳算法，并對(duì)上述兩種模型和BPNN的預(yù)測(cè)精度進(jìn)行定量分析。

3 實(shí)例分析

　　基于上述方法對(duì)昆明某基坑周圍建筑物豎向位移進(jìn)行預(yù)測(cè)。該基坑最大開挖深度16m，支護(hù)形式為樁錨支護(hù)，場(chǎng)地形式較為復(fù)雜需對(duì)周圍環(huán)境建筑物進(jìn)行豎向位移監(jiān)測(cè)。圖1為基坑及基坑周邊環(huán)境及測(cè)點(diǎn)布置平面圖。
　　本文以測(cè)點(diǎn)jk5、jk6的作為本文模型的研究數(shù)據(jù)，以前56個(gè)數(shù)據(jù)作為訓(xùn)練樣本，以后7個(gè)數(shù)據(jù)作為測(cè)試樣本。筆者先將沉降數(shù)據(jù)進(jìn)行相空間重構(gòu)，在進(jìn)行相空間重構(gòu)時(shí)，采用了互信息法[14]和G-P法[15]求得測(cè)點(diǎn)jk5的τ=3，m=4測(cè)點(diǎn)jk6的τ=6，m=5其中τ為延遲時(shí)間，m嵌入維數(shù)。再依據(jù)BIC信息準(zhǔn)則選取鄰近相點(diǎn)K=7。
　　本文應(yīng)用了使用最廣泛的BP神經(jīng)網(wǎng)絡(luò)對(duì)基坑周圍建筑物沉降量進(jìn)行預(yù)測(cè)。三種模型的預(yù)測(cè)效果如圖2，圖3所示。
　　由圖可知，這四種方法都能較好的把握基坑周圍建筑物沉降的總體趨勢(shì)，但對(duì)局部細(xì)節(jié)預(yù)測(cè)存在一定的差異。本文采用平均絕對(duì)誤差（MAPE）對(duì)預(yù)測(cè)結(jié)果進(jìn)行分析，如表1、表2所示。PSO與LSSVM模型的預(yù)測(cè)精度最高，而單純的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度最低。本文提出的PSO算法尋優(yōu)速度最快，收斂所用的迭代次數(shù)最少，平均絕對(duì)誤差最小，充分顯示了該算法在沉降量預(yù)測(cè)方面上具有良好的信息收集能力和對(duì)全局最優(yōu)解的掌控能力。

4 結(jié)論

　　本文采用昆明市某基坑周圍建筑物沉降的實(shí)測(cè)數(shù)據(jù)對(duì)多種模型預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析，得出以下結(jié)論：
　　①采用PSO算法對(duì)LSSVM設(shè)計(jì)參數(shù)進(jìn)行優(yōu)化，在LSSVM的參數(shù)尋優(yōu)上展現(xiàn)了其收斂速度快、結(jié)果準(zhǔn)確等優(yōu)點(diǎn)，有效地解決了在非線性沉降量上難以建模的問題。
　�、诶�用本文方法對(duì)基坑開挖過程中對(duì)周圍建筑物的沉降進(jìn)行預(yù)測(cè)，平均絕對(duì)值誤差為0.90%，與GA-LSSVM， BP算法相比，具有更高的預(yù)測(cè)精度。
　�、郾疚乃�使用的模型易于通過軟件實(shí)現(xiàn)，為其它相關(guān)研究的開展提供了嶄新的思路。

參考文獻(xiàn)：

　　[1]楊濤，李國維，樊琨.基于人工神經(jīng)網(wǎng)絡(luò)的公路軟基沉降預(yù)測(cè)模型[J].上海理工大學(xué)學(xué)報(bào)，2003（02）：117-120.
　　[2]劉思峰.灰色系統(tǒng)理論的產(chǎn)生與發(fā)展[J].南京航空航天大學(xué)學(xué)報(bào)，2004（02）：267-272.

相關(guān)熱詞搜索：基坑 沉降 開挖 建筑物 過程中