论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　摘要：为解决建筑物基础沉降量的安全监测问题，对其进行有效的预测、校核与分析，运用MATLAB软件建立径向基神经网络模型对某市建筑物的基础沉降量进行预测.结果表明：径向基神经网络的结构形式简易，适应能力更强，预测误差比BP网络小，平均约为66.83%,达到预测精准度所需的耗时短、收敛速度更快.径向基神经网络的预测结果与实测结果较为吻合，表明径向基神经网络预测模型适用于建筑工程沉降预测领域之中.

　　关键词：BP神经网络；径向基神经网络；模型预测；建筑物基础沉降量；安全监测；预测分析随着社会科技信息化的发展，各式建筑平地而起，因建筑物的上部不规则结构，建筑物的基础形式的复杂多样，建筑用地的地质条件的复杂性等因素，均会造成建筑物整体或局部会产生不均匀沉降，埋下安全隐患，严重威害人身财产安全.当建筑物的基础沉降量累积超过一定的限度值，就会对建筑结构本身及周边建筑产生很大的危害，因此为保证建筑结构在施工期间和使用期间的安全性与可靠性，对建筑物的沉降进行有效的预测是很有必要的.人工神经网络（ArtificialNeuralNetworks，ANN)是基于神经科学的基础理论上建立起来的，主要是反映人类大脑分布结构智能的抽象数学理论模型，是一种数据解析的新窗口.迄今人工神经网络[1]的专研已有了较大突破，其中的预测方法的种类繁多，但径向基神经网络(RadialBasisFunctionArtificialNeuralNetworks)预测模型较为理想，因此本文主要选用RBF神经网络[2]来预测建筑物的基础沉降量，建立适合工程基础沉降预测的模型，将得到的预测值与实际测量值进行比对，分析其结果，说明建立模型的可行性与准确性.

　　1径向基神经网络的原理

　　1.1径向基神经网络数学模型

　　径向基神经网络（RBF)[3]是一种函数最佳逼近的前馈型传播网络，囊括三个网络层：输入层由网络与所处之的环境连接的源结点组成；隐含层则为径向基层，具有相对较高的维数；输出层为输出线性加权.所有函数均可表示成基函数的加权和的表现形式，径向基网络选取隐含层神经元的传递函数，构成基函数，自适应控制维数变化，以任意精度逼近未知函数.径向基网络具有最佳逼近和全局最优特质，结构形式简捷，运算速率较快.

　　(1)RBF神经网络[4]的信息传递过程主要由两部分构成：第一部分是输入层到隐含层的非线性变换过程，网络的基函数设定为高斯函数，隐含层的输出结果为

　　A,.(x)=exp(-：2^7||XP-C!.||)(=1，2,…，

　　式中，||X-q||为欧式范数，表示距离;产1，2,3,…，X广…；m)为第户个输入样本；q为高斯函数的中心向量；〇i为高斯函数的方差，表示非线性单元的宽度.

　　(2)RBF网络的第二部分是隐含层到输出层的线性加权合并过程，网络的输出为

　　X=t?exP(-4|?、|2)卜1，2,…，《)，

　　i=12a,

　　式中，％为隐含层到输出层的连接权值量，确定隐含层和输出层之间神经元的连接权值，可以用最小二乘法计算得到；A为隐含层节点数目；n为输出维数；X为与输入训练样本相对的网络的第j个输出点的实际输出值.

　　1.2Matlab工具箱建立径向基神经网络模型

　　Matlab软件内置的优化的神经网络工具箱[5],是基于人工神经网络理论基础上，采用Matlab的程序语言，对工具箱进行函数调用，其过程简便、快捷的建立径向基神经网络[6]预测模型，且能利用网络模型进行预测计算、分析相应结果.

　　(1)为提高网络分析性能及运算速度，需对输入数据进行预处理对输入的样本数据进行归一化处理，该程序函数的Matlab工具箱调用格式为

　　[p,minp,maxp,t,mint,maxt]=premnmx(p,t),

　　式中，P、T为神经网络的输入向量和输出向量.

　　(2)建立RBF神经网络函数newbe，建立严格的RBF神经网络，该程序函数的工具箱调用格式为

　　net=newrbe(P,T,goal,spread),

　　式中，P，T为神经网络的输入向量和输出向量;goal为均方误差；spread为其神经网络的分布密度，影响网络的预测性能和逼近精度，在训练模型时，应通过具体调试得到.

　　(3)建立RBF神经网络仿真函数sim,该函数的工具箱调用格式为

　　Ysim(net,P),

　　式中，sim为Matlab工具箱调用函数语言；P为神经网络的输入向量.

　　2基于RBF网络建筑基础沉降预测

　　2.1工程概况

　　阜新“城建雅馨”工程位于阜新海州区内，该工程的结构形式为对称的框架结构体系，工程场地施工前达到地势平坦，无明显高差的要求，是集办公、商业及住宅三类功能的综合建筑，其中1#楼为办公与住宅综合体，2#楼为商场与住宅综合体，整座建筑群由楼底层商业裙房连贯成为一体，地下室为机动车停车库、非机动车停车库与商业综合体.建筑工程的变形监测成果资料，是反映建筑工程质量优劣的重要依据之一.工程建筑物从施工开始到竣工，以及建成运营后很长一段时间，沉降变形是不可避免的.根据《建筑变形测量规范》的具体要求，基准点布置在变形影响范围以外且稳定、易于长期保存的位置.取其中的1#楼为例，结合本测区实际情况，为便于沉降观测作业以及基准点间的相互校核，在1#楼周围布置10个观测点.这10个观测点构成一个闭合回路，建立独立高程系统，其中选取代表性的点，编号为CJ-1、CJ-4、CJ-6、CJ-9点为例，用Matlab来进行建立RBF神经网络模型进行预测[7]分析，比较预测结果.

　　2.2模型预测仿真

　　根据工程实况，且文章篇幅有限，选用具有代表性的CJ-1、CJ-4、CJ-6、CJ-9四个点的沉降为例，以往进行过BP网络[8]的预测，为更加深入分析RBF的精度均为0.0001，CJ-1、CJ-4、CJ-6、CJ-9四个

　　神经网络的优越性，本文将进行RBF预测方法与点的实际沉降值与预测值的数据见表1、表2、表3

　　BP预测[9]和实测进行对比，分析其预测结果.模型和表4,表1CJ-1的实测值与预测值的比对Tab.1contrastbetweenmeasuredandpredictedforCJ-1

　　周期/次实测值BP网络RBF网络

　　预测值误差率/°/。预测值误差率/%

　　16.4305.95437.406.28272.30

　　27.8307.36805.907.64312.39

　　38.6708.16575.828.55601.32

　　413.31013.42090.8313.38890.59

　　513.97014.86206.3913.56062.93

　　613.98012.94567.4013.56322.98

　　714.17013.64273.7213.98711.29

　　814.29014.08961.4014.00002.02

　　914.39013.88203.5314.32470.45

　　表2CJ-4的实测值与预测值的比对

　　Tab.2contrastbetweenmeasuredandpredictedforCJ-4

　　周期/次实测值BP网络RBF网络

　　预测值误差率/%预测值误差率/%

　　13.2903.08426.263.18703.13

　　23.7903.56675.893.91473.29

　　35.0604.82704.614.97001.28

　　49.3608.74926.539.52201.73

　　512.28013.05486.3112.09301.52

　　612.39012.76503.0312.39180.02

　　712.44013.14225.6512.46550.21

　　812.56011.74966.4512.60290.34

　　912.64013.11583.7612.68550.36

　　表3CJ-6的实测值与预测值的比对

　　Tab.3contrastbetweenmeasuredandpredictedforCJ-6

　　周期/次实测值BP网络RBF网络

　　预测值误差率/%预测值误差率/%

　　15.0904.82645.184.98372.01

　　25.1405.41365.325.13830.03

　　35.2905.52184.385.14372.70

　　46.4806.06196.456.37141.68

　　58.1407.92142.698.36892.81

　　68.8408.47244.168.63922.27

　　78.9908.68053.448.99420.05

　　89.1409.24511.159.02911.21

　　99.2709.51102.609.35780.95

　　表4CJ-9的实测值与预测值的比对

　　Tab.4contrastbetweenmeasuredandpredictedforCJ-9

　　周期/次实测值BP网络RBF网络

　　预测值误差率/%预测值误差率/%

　　111.18011.78115.3811.02731.37

　　213.23013.04601.3913.33160.77

　　314.28013.93362.4313.92182.51

　　417.47017.70211.3317.50330.19

　　520.59019.82583.7120.33421.24

　　620.60021.53034.5120.52070.39

　　720.73019.87454.1320.96201.12

　　820.92021.31711.9020.77600.69

　　920.99020.92870.2920.97700.06

　　3模型预测分析

　　据《建筑变形测量规范》（JGJ8-2007)相应要求，建筑结构在最后100d里的沉降速率小于0.01?0.04mm/d,可认定建筑物已经进入稳定阶段，本工程建筑实际沉降速率和预测沉降速率均小于

　　0.04mm/d.本工程的实际最大沉降量是20.99mm，

　　预测的最大沉降量是20.977mm，均远小于规范规定的高层建筑基础平均沉降量200mm的允许沉降值，符合规范要求.

　　根据表5中数据显示，RBF神经网络[10]预测的平均误差率和最大绝对误差均小于BP网络，RBF神经网络的预测值误差较BP神经网络的更小、精度更高.RBF神经网络的运算耗时短，速度快.通过四个点的实测值与预测值的对比曲线（见图1-4)，可以清晰的看出RBF神经网络的预测误差曲线较BP神经网络的稳定.RBF神经网络在建筑基础沉降预测中效果更佳，在工程施工前预测建筑物的沉降，为类似工程施工监测方案的制定提供依据，具有实际的意义.

　　表5平均误差率和最大绝对误差Tab.5averageerrorsrateandmaximumabsoluteerrors

　　网络分析RBF神经网络BP神经网络

　　平均误差率/%1.3954.205

　　最大绝对误差/mm0.4291.034

　　图1CJ-1实测值与预测值的对比Fig.1contrastbetweenmeasuredandpredictedforCJ-1

　　图2CJ-4实测值与预测值的对比Fig.2contrastbetweenmeasuredandpredictedforCJ-4

　　图3CJ-6实测值与预测值的对比Fig.3contrastbetweenmeasuredandpredictedforCJ-6

　　图4CJ-9实测值与预测值的对比Fig.4contrastbetweenmeasuredandpredictedforCJ-9

　　4结论

　　建筑物的基础沉降量是随时间的推移而增大的，受建筑结构、基础形式、地质条件、季节气候等外界环境因素的影响，致使建筑结构产生不均匀沉降，进而会对建筑结构造成破坏，构成一定危害，因此进行有效的建筑沉降监测、预测有实际意义，且切实可行.

　　(1)通过Matlab软件建立RBF和BP神经网

　　络模型进行预测建筑物的基础沉降量，实际最大沉降量是20.99mm，预测的最大沉降量是20.977mm，满足工程控制要求.RBF神经网络的误差比BP网络平均减小约66.83°%，结果显示为RBF网络预测精

　　准度更高，更合适用于建筑基础沉降预测.

　　(2)RBF神经网络的预测过程是稳定高效的，预测结果与实测值吻合，达到预测精准度的耗时短、收敛速度快.RBF网络结构形式简易，学习快捷，适应性和网络能力强，有深远的应用前景.

　　(3)在今后的类似工程中，施工前的建筑沉降预测不但可以督促提高建筑整体结构施工质量、完成结构加固、加快施工进度，从而减少工程造价，还能为施工监测方案的制定提供实际依据，避免造成因基础不均匀沉降而产生的严重工程事故，降低危险影响系数，提高建筑结构安全可靠程度.

　　参考文献：

　　[1]张际先，宓霞.神经网络及其在工程中的应用[M].北京.机械工业出版社，1996.

　　[2]付义祥.RBF神经网络在边坡岩体稳定性中的预测研究J].武汉理工大学学报，2003(2):170-173.

　　FUYixiang.PredictingmodelstoestimatestabilityofrockslopebaseonRBFneuralnetwork[J].JournalofWuhanUniversityofTechnology,2003(2):170-173.

　　[3]于先文，胡伍生.神经网络在建筑物沉降分析中的应用[J].测绘工程，2004,13(4):48-50.

　　YUXianwen，HUWusheng.Applicationofneuralnetworkstotheanalysisofbuildingsedimentation[J].EngineeringofSurveyingandMapping2004，13(4):48-50.

　　[4]屈利娜，许本意，马学峰.RBF神经网络在建筑物沉降预测中的应用[J].黑龙江科技信息，2012(6):86.

　　QUlina，XUBenyi，MAXuefeng.ApplicationofRBFneuralnetworksto　thepredictionofbuildingsedimentation[J].HeilongjiangScienceandTechnologyInformation，2012(6):86.

　　[5]王小川，史峰，郁磊，等.MATLAB神经网络43个案例分析[M].北京.北京航空航天大学出版社，2013.

　　[6]MatinT.Hagan，HowardB.Demuth，MarkH.Beale.神经网络设计[M].鱿

　　葵.北京.机械工业出版社，2002.

　　[7]雷学文，郭应桐.基于人工神经网络的建筑物沉降预测[J].建筑技术开发，2003,30(7):30-31.

　　LEIXuewen，GUOYingtog.Predictionmodelofbuildingsettlementbasedonartificialneuralnetwork[J].Buildingtechniquedevelopment

　　2003，30(7):30-31.

　　[8]李忠，张耀文，李海君.改进型BP-网络的岩溶塌陷预测评价[J].辽宁工程技术大学学报(自然科学版)，2013,32(1):1-6.

　　LIZhong，ZHANGYaowen，LIHaijun.PredictionevaluationofKarstcollapsebasedonimprovedBP-network[J].JournalofLiaoningTechnicalUniversity(NaturalScience)，2013，32(1):1-6.

　　[9]宋雷，胡伍生.整区拟合似大地水准面的BP神经网络方法[J].辽宁工程技术大学学报(自然科学版)，2013，32(2):161-165.

　　SONGLei，HUWusheng.Studyofwholefittingquasi-geoidusingBPneuralnetworkmethod[J].JournalofLiaoningTechnicalUniversity(NaturalScience)，2013，32(2):161-165.

　　[10]汪洋，李明峰.基于MATLAB的RBF神经网络在建筑物沉降预测中的应用[J].矿山测量，2009,9(3):34-36