原创《基于BP神经网络方法基坑变形观测数据分析和预测》：本论文为免费优秀的关于变形观测论文范文资料，可用于相关论文写作参考。
【摘 要】本文以花桥世纪城项目为例,采用BP神经网络方法,对花桥世纪城基坑的水平方向随时间的位移值进行了预测,并和实测数据比较,证明了BP神经网络在项目基坑水平位移变形监测中的有效性.
【关键词】BP神经网络 变形监测 数据处理
在高层建筑物设计施工中,一般需要开挖深基坑,随着建筑高度的增加和规模的扩大,基坑深度也不断加大,基坑的变形监测也越来越重要.基坑设计时常运用.法和有限元法来进行变形值计算,但理想模型由于受实际工况差别、计算参数等不确定因素的影响,计算得到的变形值和实际变形量往往相差比较大.人工神经网络凭借良好的非线性映射能力及自适应能力等特点,尤其是在包含多因素、不精确和模糊的信息问题处理上的优势为深基坑工程问题的解决提供了一个新方法.
一、工程数据分析
花桥世纪城项目位于花桥镇蓬青路北、外青松公路西,基坑北侧和东侧均为本工程前期己建工程.项目场地自然地面标高约为-0.70m,地下车库坑底标高为-6.65m,基坑开挖深度为5.95m.高层建筑坑底标高为-7.3m,基坑开挖深度为6.6mo本工程基坑开挖内边线周长约为500m,基坑开挖面积约为14200m2.
基坑的开挖会影响周围建筑物的稳定性,研究建筑物周围的基坑变形程度也能反映出建筑物所受变形的影响,本项目中对基坑的水平位移进行监测,共设置12个水平位移点,监测频率随着基坑开挖的深度而改变.当开挖深度小于3米时2天监测一次,3到10米时每天监测1次.研究选取水平位移监测数据为6月18日到7月13日共25日内的水平位移量变化进行研究.
二、BP神经网络模型
BP （Back Propagation）神经网络是一种由输入层、中间层、输出层组成的阶层型神经网络,相邻层之间各神经元进行全连接,而每层神经元之间无连接,网络按有教师示教的方式进行学习.当一对学习模式提供给网络后,各神经元获得网络的输入响应产生连接权值,然后按减小希望输出和实际输出误差的方向,从输出层经各中间层逐层修正各连接权,回到输入层.此过程反复交替进行,直到网络的全局误差趋向给定的极小值,即完成学习的过程.MATLAB神经网络工具箱集成了大量的不同的学习算法,为神经网络理论的实现提供了一种便利的仿真手段.本文利用MATLAB神经网络工具箱,选取水平位移监测数据为6月18日到7月13日共25日内的水平位移量建立预测模型,进行7月14日水平位移值的预测.
三、网络的建立
（1）首先导入整理好的的Excel文件.函数形式为load （‘fi-lename’）,xlsread（‘filename’）.
（2）数据归一化函数,归一化函数有premnmx、tramnmx、post-mnmx等,premnmx函数用于将网络的输入数据或输出数据进行归一化归一化后的数据将分布在[-1,1]区间内.
（3）网络函数的创建,newff是创建BP神经网络的函数,也是最常用的函数,其结构为enet等于newff （PR,[S1 S2等SN],{TF1TF2...TFN},BTF,BLF,PF）,建立3层BP神经网络.
（4）网络参数的设置.net.trainParam.show用于设置显示间隔；net.trainParam.1r用于设置网络学习速度；net.train-Param.me用于设置动量系数net.trainParam.epochs用于设置训练单位时间；net.trainParam.goal用于设置目标误差.
（5）网络初始函数,采用默认参数.
（6）网络训练函数,用于对设定参数的网络进行训练.
（7）网络仿真函数,Sim函数对输入数据进行仿真计算.
四、程序的实现
程序具体实现如下：
Load（‘c：/Users/Administrator/Document/MATLAB/12训练点’）
P等于Yzdzb’；
T等于Yzdgcyc’；
[PN,minp,maxp,TN,mint,maxi]等于premnmA（P,T）；
net等于newff（minmax （PN）,[10 1],{’tansig’,’tansig’},’traingd’）；
net.trainPar视.1r等于0.05；
net.trainParam.epochs等于10000；
net.trainParam.goal等于0.01；
net等于train （net,PN,TN）；
A等于sim（net,PN）；
E等于T-postmnmx（A,mint,maxt）；
MSE等于mse（E）；
Tes等于Wzdzb’；
Ts等于tramnmx（Tes,minp,maxp）；
Wzdgcyc等于sm（net,Ts）；
Wzcyc等于postmnmx（Wzdgcyc,mint,maxt）；
jggeyc等于Wzcyc’
模型采用3层神经网络,一个输入层,一个隐含层,一个输出层,输入层为12个监测点6月18日到了月13日共25日内的水平位移量,输出层为为12个监测点7月14日水平位移值.模型采用postmnmx函数为数据归一化函数,newff函数为网络创建函数,以tansig函数为传递函数,以trangdx函数为训练函数,设置网络学习速率为0.05%,隐含层结点数目设为10,网络训练参数设定最大训练次数为10000,网络训练目标误差为0.001进行网络的训练.当训练进行到137次时训练停止,训练过程使程序达到误差0.001.采用此网络模拟后,获得7月14日基坑的水平位移预测值.
五、数据的预测和分析
利用上述神经网络程序来验证模型并和真实值对比,用6月18日到7月13日共25日内的水平位移量作为训练样本数据来预测7月14日的水平位移并和真实監测值作比较,结果如图1所示,其中横轴表示基坑顶部设置的12个水平位移监测点,纵轴表示水平位移值,蓝色柱状图形表示预测值和真实值的差值.可以看出,12个监测点中,1、2、9、12号点预测误差几乎为零,4、5、6号预测值低于真实值,3、7、8、10、11号点的预测值高于预测值,其中10号点的预测误差最大,为1.17mm.本文采用BP神经网络,利用MATLAB神经网络工具箱编程实现花桥城小区基坑水平位移监测的预报.通过误差的对比,可以看出12个水平位移监测点中,BP神经网络模型获得的预测值和实际监测值均比较接近,最大误差值为1.17mm,最小误差为0.01mm,预测结果比较理想.
变形观测论文参考资料：
结论：基于BP神经网络方法基坑变形观测数据分析和预测为适合变形观测论文写作的大学硕士及相关本科毕业论文，相关基坑变形观测开题报告范文和学术职称论文参考文献下载。
