基于人工神经网络和熵值法的基坑变形安全风险评估的方法与流程

1.本发明属于工程监测信息化技术领域，具体涉及一种基于人工神经网络和熵值法的基坑变形安全风险评估的方法。


背景技术：

2.21世纪以来，中国经济建设和城镇化水平都取得大踏步的飞跃。截止至2020年底，中国城镇化率达到63.89%。随着城市人口的不断增加，随之而来的交通拥堵等问题正成为各城市亟待解决的难题之一。相对于地上空间，地下空间有两个主要优点，一是可节省地面土地资源，二是在建设和使用的过程中对地面已有建筑和交通设施影响较小。因此，发展公路和市政道路隧道是解决城市拥堵问题的良策。
3.地下工程结构施工方法根据开挖方式可分为三大类：明挖法、暗挖法和特殊施工方法。在这三大类方法中，明挖法是目前较为经济、工程经验较为丰富的施工方法，因此在城市地下空间建设中常用明挖法施工。位于城市核心区域的基坑工程，其周边往往临近各类建筑物、分布大量市政道路及管线等，一旦基坑开挖施工对它们造成不利影响，将会直接造成重大的经济损失和不良的社会影响。
4.由于土体结构复杂多变，基坑围护系统具有临时性、复杂性和动态性的特点，且现有的理论和经验模型存在局限性，这些原因导致了基坑围护结构变形的理论计算结果常常与实际情况差异较大。因此在实际工程中常通过加强基坑监测来保证基坑施工的安全。如能通过实时获取的基坑监测数据来动态预测后续施工工序下基坑变形的发展趋势，提前对基坑后续施工工序的变形安全风险进行评估，并针对未来可能出现的风险制定相应的控制措施和应对策略，将风险控制在发生之前，这对保证基坑工程安全施工、提升基坑工程的安全风险控制水平具有实际的工程意义。
5.目前针对基坑变形预测的方法主要包括三类：经验方法、数值方法、基于机器学习的方法。经验方法通过对基坑变形历史数据的分析，采用高斯或者正态分布曲线来拟合地表沉降的形状。但是经验方法的预测准确度较低，主要是该方法所建立的用于预测地面沉降的经验公式较为简单。数值方法通过建立基坑的有限元模型，对基坑变形进行精确模拟。但是数值方法预测的准确性很大程度上依赖于所选参数数值的准确性，而有些参数的真实值是很难得到的。例如有限元模型中的土体参数是通过实验室测试得到的，但是由于样本扰动、现场环境改变、施工影响等因素，会导致试验结果与实际情况相差较大，这会明显影响有限元模拟的准确性。基于机器学习的方法通过对大量数据的分析来建立所选影响因子（如基坑尺寸、土壤参数等）与基坑变形之间的高度非线性关系来对基坑变形做出较为准确的预测。例如jan等尝试利用人工神经网络根据前三组地下连续墙最大侧移值预测其下一施工阶段的最大侧移。leu等建立人工神经网络通过土壤状况和深基坑的几何特征来预测基坑地表沉降最大值及其所在位置。基于机器学习的方法目前主要应用于预测基坑最大变形，而无法对施工过程中的基坑每日变形值做出动态和准确的预测。
6.在基坑安全风险评估研究的早期，研究人员多通过专家访谈的方法来对基坑工程
的风险进行评估。黄宏伟等利用专家调查法和层次分析法对深基坑施工期的风险进行了评估，并讨论了深基坑风险处理的常用方法。刘俊岩等采用专家调查法识别和估计风险，建立了以监测数据为基础的深基坑工程风险管理系统。梁发云等采用模糊理论模型分析了超深基坑施工的安全风险，同时考虑了基坑自身风险和周边环境风险，最后对不同基坑开挖方案的施工安全风险进行了定量化比较。夏元友等结合层次分析法和专家打分法对基坑的风险等级进行研究。y.zhou等利用支持向量机对基坑开挖风险等级进行分类，但是用来训练支持向量机模型的数据依赖于专家判断。目前的基坑风险评估方法仍然主要依赖于专家的主观判断，不同专家对于同一基坑变形状况下的风险等级可能会做出不同的判断，这给准确且客观评判基坑变形风险带来了挑战。


技术实现要素：

7.本发明提供一种基于人工神经网络和熵值法的基坑变形安全风险评估的方法，目的是为了解决准确预测基坑未来变形状况和客观评估基坑变形安全风险的技术问题。
8.为实现上述目的，本发明提供了如下技术方案：本发明提供的一种基于人工神经网络和熵值法的基坑变形安全风险评估的方法，其包括如下步骤：s1：收集基坑施工数据及基坑变形监测数据，建立数据集；基坑施工数据包括静态施工数据和动态施工数据，其中静态施工数据包括围护结构形式及尺寸和基坑底以上土层种类，动态施工数据包括开挖天数、天气状况和施工工况；基坑变形监测数据包括以下六个监测项目的测量数据：围护结构顶水平位移、围护结构顶垂直位移、围护结构深层水平位移、土体深层水平位移、地表沉降、立柱竖向位移；静态施工数据一次性收集后保持不变，动态施工数据和基坑变形监测数据根据实际施工和监测情况，定期收集；将所收集到的历史数据整理汇总，建立人工神经网络模型的训练数据集；s2：建立基于反向传播算法的人工神经网络；建立六个包括输入层、隐藏层和输出层的反向传播神经网络模型，分别用来预测s1中六个监测项目的变形值；其中，每一层包含若干个神经元，相邻层之间的神经元之间全连接，输入层中的神经元数等于输入参数的数量，隐藏层中的神经元数由经验公式和试验模拟共同确定，输出层中的神经元数为1；传输函数选用log-sigmoid函数，训练函数选用levenberg-marquardt反向传播算法，评价函数选用均方根误差（rmse）函数；s3：训练人工神经网络模型；基于步骤1所建立的训练数据集，对六个人工神经网络分别进行训练，得到六个监测项目的变形预测人工神经网络模型；s4：执行基坑变形预测；基于s1中收集到的目标基坑施工数据和基坑变形监测数据，利用s3所得到的变形预测人工神经网络模型对目标基坑六个监测项目的未来变形值进行预测；s5：计算基坑变形安全风险指标权重；选取s1中所述的六个监测项目作为基坑变形安全风险指标，基于s1中所收集到的基坑变形监测数据，利用熵值法计算各个监测项目的安全风险指标的动态权重；
步骤6：计算基坑变形安全风险综合评分；基于s4中所预测的目标基坑六个监测项目的未来变形值以及s5中基坑变形安全风险指标权重，采用模糊综合评价法来计算未来基坑变形安全风险综合评分；首先确定基坑变形安全风险等级划分，然后建立三角形分布隶属函数来计算每个指标对每个风险等级的隶属度；根据历史文献确定每个风险等级对应的基本分，然后将每个指标的隶属度与基本分相乘即可得每个指标的安全等级得分，最后将所有指标的安全等级得分加权求和即可得基坑变形安全风险的综合评分。
9.进一步地，s1中所述围护结构形式包括但不限于重力式挡墙、钻孔灌注桩、smw工法桩、钻孔咬合桩、地下连续墙；围护结构的尺寸为围护结构的纵向深度。
10.进一步地，所述开挖天数以第一次开挖的日期为第一天；天气状况按照晴、阴、雨水分为三种；施工工况包括但不限于开挖长度、开挖宽度、开挖深度、支撑架设、底板施工、侧墙施工、支撑拆除及顶板施工。
11.进一步地，所述s2中隐藏层的神经元数先由经验公式确定大致的取值范围，再通过试验模拟来确定最优取值，其经验公式如下：其中：：隐藏层神经元的个数；：输入层中神经元的个数；：输出层中神经元的个数；：常数，取值范围为0到10；所述评价函数选用的均方根误差（rmse）函数如下：其中：：bpnn的输出值，即基坑变形的预测值；：目标输出值，即基坑变形的实际测量值；：总的输出数据的数量。
12.进一步地，对s2中建立的六个人工神经网络分别进行训练，通过均方根误差函数（rmse）来保证训练精度，最终得到六个监测项目的变形预测人工神经网络模型。
13.进一步地，s5中首先基于s1中所收集到的基坑变形监测数据，整理出历史基坑每个指标对应的最大变形，然后利用熵值法计算各个监测项目的安全风险指标的动态权重，并随着历史基坑数据的不断收集，安全风险指标权重也随之不断更新，所述熵值法的计算过程如下：过程如下：
其中：：每个指标的历史数据个数，对应于步骤1中所收集到的历史基坑的个数；：基坑变形安全风险指标的个数，即6；：第个基坑的第个指标值占第个指标的比例；：第个基坑的第个指标值；：第个指标的熵值；：第个指标的差异系数；：第个指标的权重。
14.进一步地，s6中基坑变形安全风险等级划分为三级：安全、预警、报警，分别取变形控制值的60%、80%和100%作为这三个安全等级的分割线；且三角形分布隶属函数的定义如下：安全：预警：报警：其中：：第个指标对安全等级的隶属度，值域为0至1；：第个指标对预警等级的隶属度，值域为0至1；：第个指标对报警等级的隶属度，值域为0至1；：第个指标的变形控制值；根据历史文献，安全、预警、报警这三个风险等级对应的基本安全得分设为100，80，60，然后将每个指标的隶属度与基本分相乘即可得到每个指标的安全评分：最后将所有指标的安全评分加权求和即可得基坑变形安全综合评分：
其中，的值域为0至100分，100分表明基坑变形位于安全范围内，越小，表明基坑变形安全风险越大。
15.与现有技术相比，本发明所达到的有益效果是：（1）用人工神经网络的方法来动态预测基坑未来可能的变形值，可提前掌握基坑未来变形状况，同时可解决实际基坑项目中监测点被破坏或覆盖而造成的监测数据缺失的问题，利用预测数据来弥补缺失的监测数据；（2）本发明所提出的人工神经网络综合考虑了影响基坑变形的静态因素、动态因素以及基坑变形历史监测值，可对未来基坑变形进行准确预测，且预测结果可随着基坑变形监测值的收集而不断更新，达到动态预测和动态更新的效果；（3）本发明所提出的基于熵值法的风险因子权重的确定方法可基于基坑监测历史数据来客观、准确、动态确定基坑变形安全风险因子的权重，排除人为因素的影响，所得结论更为客观并且更加具有说服力。
附图说明
16.图1为基于人工神经网络和熵值法的基坑变形安全风险评估方法的总体框架流程图；图2为案例分析中某围护结构顶水平位移监测点（zqs326）的实际位移值与预测位移值对比图；图3为案例分析中某围护结构顶垂直位移监测点（zqc326）的实际位移值与预测位移值对比图；图4为案例分析中某围护结构深层水平位移监测点（zqt326）的实际位移值与预测位移值对比图；图5为案例分析中某土体深层水平位移监测点（tst136）的实际位移值与预测位移值对比图；图6为案例分析中某基坑周围地表沉降监测点（dbc350-3）的实际位移值与预测位移值对比图；图7为案例分析中某立柱竖向位移监测点（lzc86）的实际位移值与预测位移值对比图；图8为案例分析中某基坑变形安全综合评分实际得分与预测得分对比图。
具体实施方式
17.以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。在下列段落中参照附图更具体地描述本发明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。
18.如图1所示，本发明的基于人工神经网络和熵值法的基坑变形安全风险评估的方法实施流程包括：步骤1：收集基坑施工数据及基坑变形监测数据，建立数据集。
19.收集历史基坑的施工数据和变形监测数据，以备训练人工神经网络：基坑施工数据包括静态施工数据和动态施工数据，其中静态施工数据包括围护结
构形式及尺寸和基坑底以上土层种类，动态数据包括开挖天数、天气状况和施工工况。其中，围护结构的形式包括但不限于重力式挡墙、钻孔灌注桩、smw工法桩、钻孔咬合桩、地下连续墙等；围护结构尺寸即围护结构的纵向深度；开挖天数以第一次开挖的日期为第一天；天气状况按照晴、阴、雨分成三种；施工工况包括但不限于开挖长度、开挖宽度、开挖深度、支撑架设、底板施工、侧墙施工、支撑拆除、顶板施工等。
20.变形监测数据包括围护结构顶水平位移（zqs）、围护结构顶垂直位移(zqc)、围护结构深层水平位移（zqt）、土体深层水平位移（tst）、地表沉降（dbc）、立柱竖向位移（lzc）。
21.静态施工数据一次性收集后保持不变，动态施工数据和基坑变形监测数据根据实际施工和监测情况，定期收集。将所收集到的历史数据整理汇总，建立人工神经网络模型的训练数据集。
22.另外，在目标基坑施工过程中，收集目标基坑的施工数据及变形监测数据，为该基坑的变形预测和安全风险评估做准备。
23.步骤2：建立基于反向传播算法的人工神经网络（bpnn）建立六个反向传播神经网络模型，分别用来预测六个监测项目（zqs，zqc，zqt，tst，dbc，lzc）的变形值。反向传播神经网络模型包含三层结构：输入层、隐藏层和输出层。每一层包含若干个神经元，相邻层之间的神经元之间全连接。输入层中的神经元数等于输入参数的数量，输出层中的神经元数为1（即某个监测项目的位移预测值），隐藏层中的神经元数先由经验公式确定大致的取值范围，再通过试验模拟来确定最优取值，经验公式如下：其中：：隐藏层神经元的个数；：输入层中神经元的个数；：输出层中神经元的个数；：常数，取值范围为0到10。
24.传输函数选用log-sigmoid函数，训练函数选用levenberg-marquardt反向传播算法，评价函数选用均方根误差函数（rmse）：其中：：bpnn的输出值，即基坑变形的预测值；：目标输出值，即基坑变形的实际测量值；：总的输出数据的数量。
25.步骤3：训练人工神经网络模型。
26.基于步骤1所建立的训练数据集，对步骤2中建立的六个人工神经网络分别进行训练，通过均方根误差函数（rmse）来保证训练精度，最终得到六个监测项目的变形预测人工神经网络模型。训练后的人工神经网络模型的隐藏层神经元数为15，训练轮次（epoch）为500，学习率（learning rate）为0.1，模型输入参数中考虑前三天的监测数据。
27.步骤4：执行基坑变形预测。
28.基于步骤1中收集到的目标基坑次日施工数据和前三日基坑变形监测数据，利用
步骤3所得到的人工神经网络模型对目标基坑六个监测项目的次日变形值进行预测。如，基于第一、第二和第三天的基坑地表沉降监测数据以及第四天的施工数据（计划）对第四天的基坑地表沉降值进行预测；基于第二、第三和第四天的基坑地表沉降监测数据以及第五天的施工数据（计划）对第五天的基坑地表沉降值进行预测，以此类推，直至基坑施工结束。
29.步骤5：计算基坑变形安全风险指标权重。
30.选取六个监测项目（zqs，zqc，zqt，tst，dbc，lzc）作为基坑变形安全风险指标，基于步骤1中所收集到的基坑变形监测数据，整理出历史基坑每个指标对应的最大变形：表1 历史基坑最大变形基坑编号zqszqczqttstdbclzc11111122222233333333333333333333利用熵值法计算各个安全风险指标的权重。熵值法的计算过程如下：利用熵值法计算各个安全风险指标的权重。熵值法的计算过程如下：利用熵值法计算各个安全风险指标的权重。熵值法的计算过程如下：其中：：每个指标的历史数据个数，对应于步骤1中所收集到的历史基坑的个数；：基坑变形安全风险指标的个数，即6；：第个基坑的第个指标值占第个指标的比例；：第个基坑的第个指标值；：第个指标的熵值；：第个指标的差异系数；：第个指标的权重。
31.随着历史基坑数据的不断收集，安全风险指标权重也随之不断更新。
32.步骤6：计算基坑变形安全风险综合评分。
33.基于步骤4中所预测的基坑未来变形值以及步骤5中计算的基坑变形安全风险指标权重，采用模糊综合评价法来计算未来基坑变形安全综合评分。
34.首先确定基坑变形安全风险等级划分，根据历史文献和实际工程，将基坑变形风险等级分为3级：安全、预警、报警，分别取变形控制值的60%，80%和100%作为这三个安全等级的分割线。
35.然后建立三角形分布隶属函数来计算每个指标对每个风险等级的隶属度。指标的三角形分布隶属函数定义如下：
安全：预警：报警：其中：：第个指标对安全等级的隶属度，值域为0至1；：第个指标对预警等级的隶属度，值域为0至1；：第个指标对报警等级的隶属度，值域为0至1；：第个指标的变形控制值；根据历史文献，安全、预警、报警这三个风险等级对应的基本安全得分设为100，80，60，然后将每个指标的隶属度与基本分相乘即可得到每个指标的安全评分：最后将所有指标的安全评分加权求和即可得基坑变形安全综合评分：其中，的值域为0至100分，100分表明基坑变形位于安全范围内，越小，表明基坑变形安全风险越大。
实施例
36.收集了杭州某明挖公路隧道工程的十个基坑相关数据，基于这些数据训练得到六个神经网络模型，分别用来预测六个监测项目（zqs，zqc，zqt，tst，dbc，lzc）的位移。将预测模型应用到本工程所涉及的第十一个基坑，得到监测点处的位移预测值，将其与实际值对比，部分结果如图2至图7所示。由图，六个监测项目位移预测值的平均绝对误差分别是0.19 mm, 0.35 mm，0.62 mm，0.59 mm，0.62 mm，0.19 mm，平均相对误差分别是8.21%，9.31%，4.06%，8.10%，3.41%，7.75%，平均相对误差均在10%以内。由此可见人工神经网络模型的预测准确度较高。
37.基于预测位移，利用熵值法计算基坑安全预测综合评分，将其与实际评分对比，结果如图8所示。预测评分与实际评分的平均绝对误差为0.73分，平均相对误差为0.96%。因
此，本发明所提出的方法可以对未来基坑变形安全综合评分进行精准预测。
38.以上所述，仅为本发明的较佳实施例，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上所述实施本发明。但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。