浙江华东工程安全技术有限公司 浙江省杭州市 310000
摘要：目前，我国的经济在快速的发展，社会在不断的进步，邻近区域施工，致使地铁沉降呈现复杂的非线性变化。对此，采用奇异谱分析（ＳＳＡ）和ＢＰ神经网络对地铁结构进行分析与预测。通过ＳＳＡ重建趋势序列和周期序列，分析地铁结构变化的趋势与周期波动；利用ＢＰ神经网络对重建趋势序列与时间序列分别进行预测。以某９号线地铁沉降监测数据为例，提取趋势序列与周期序列进行分析及预测，实验证明了利用ＳＳＡ对地铁监测序列进行分析以及利用ＢＰ神经网络对成分序列进行预测的可行性。
关键词：地铁沉降；非线性变化；奇异谱分析；ＢＰ神经网络
引言
为了适应经济建设的需要，交通作为我国基础性的投资，近几十年中得到迅速发展，地铁是其中重要的组成部分，变形监测作为地铁建设的基础性工作，对规划、施工、运营管理具有重要的意义。其实现过程通常是在建筑物上布设一些特征点，然后进行周期性的重复观测，对被测点进行研究，从而找出建筑物随时间变化的规律及未来的发展趋势，为工程管理机构及政府部门的决策提供依据。现有研究大多基于以下某种方法进行分析和预报，如时间序列分析、三次指数平滑、神经网络、择优动态灰度模型、自回归模型、小波分析、卡尔曼滤波，也有结合两种方法如小波分析和神经网络，但是对于奇异谱分析以及其他方法融合的研究较少。而奇异谱分析方法被认为在时间序列的非线性趋势提取上具有更好效果，因此，本文主要结合武汉市地铁王家湾站的部分沉降监测数据，采用奇异谱分析和神经网络方法，对地铁沉降的趋势进行分析预测，验证了这两种方法在地铁沉降时间序列中的实用性。
1神经网络方法
在神经网络结构中，基于误差反向传播训练算法（BackPropagation简称BP算法）的网络是目前应用最广泛的一种。BP算法建立在梯度下降法的基础上，是一种适合于有监督情况的学习算法。BP网络是一种多层前馈神经网络，由输入层、隐层和输出层组成，一个典型的三层BP网络的拓扑结构，各层之间实行全连接，同一层之间不存在相互连接，隐层可以有一层或多层。BP网络的学习过程由前向计算过程和误差反向传播过程组成。在前向计算过程中，输入信息从输入层经过隐含层逐层处理并计算出各单元的实际输出值，如输出层不能得到期望的输出，则转入误差反向传播过程：逐层计算实际输出与要求输出之差值即误差，据此差值调整权值，从后向前修正各层之间的联系权重，在不断的学习和修正过程中使网络的学习误差达到最小或达到人们所期望的要求时，学习过程结束。
2实验分析
2.1工程概况
以某９号线浦东某区间段的监测数据为例进行处理分析。施工项目总用地面积１１ ０８８ｍ２，包括１幢１６层办公室（高约８０ｍ）和周边２层商业楼（高１０．５ｍ），设３层地下室，基坑开挖面积９ ７９９ｍ２，开挖深度约１３．７～１４．４５ｍ。项目中心塔楼建筑外轮廓线与９号线车站主体及隧道结构外边线最小净距约５０ｍ，地下室外边线距９号线车站主体及隧道结构外边线最小净距约４１．５ｍ。
期刊文章分类查询,尽在期刊图书馆截至２０１８年１月４日，监测期数为８１期，实验选择上行线的ＳＸ３、ＳＸ１９和ＳＸ３５的监测数据进行分析与预测，ＳＸ３与ＳＸ３５位于基坑边线，ＳＸ１９位于基坑中间位置，ＳＸ３和ＳＸ３５的沉降变化量相对较小，ＳＸ１９的沉降变化较为显著，说明处于中间位置的监测点易受施工情况的影响；点位高程有升有降，单位期数变化量大小不一，因此，需要对ＳＸ３、ＳＸ１９和ＳＸ３５的监测数据进行分析，分离趋势变化和周期波动。
2.2ＢＰ神经网络网预报
为了验证ＢＰ神经网络对监测序列的有效预报，根据项目施工的４个阶段：桩基工程（１～１７期）、围护工程（１７～２２期）、基坑工程（２２～７２期）和地下结构工程（７２期～），选取不同施工阶段的监测数据进行预报：（１）在桩基阶段选取１４期和１５期数据进行预报；（２）在基坑阶段选取６１期和６２期数据进行预报；（３）在地下结构阶段选取８０期和８１期进行预报，预报结果见表１。由表１可以看出：①ＳＸ３、ＳＸ１９和ＳＸ３５在３个时段的预报精度，基坑阶段精度最高，桩基阶段次之，地下结构阶段最低，产生的原因可能是：桩基阶段只有１３期的监测数据进行ＳＳＡ分析，且监测频率为１次／周，致使ＢＰ神经网络训练不足；尽管地下结构阶段分析数据很多，但属于该时段的监测数据只有１０期，且监测频率为１次／２周，因此预报效果最差；在基坑阶段，点位下沉趋势性较强，点位波动起伏不大，且监测频率为２次／周，因此预报精度最佳。②该标段全长３６０ｍ，共布设３６个点，根据二等水准测量规范，闭合差＜２．４ｍｍ，则单站分配的误差限为０．４ｍｍ，从表１中可以看到所有预测值的预报精度都满足此要求，且基本处于１／２误差限以内。③在桩基阶段，ＳＸ３的预报精度低于ＳＸ１９和ＳＸ３５，可能的原因是ＳＸ３的第２期监测数据与第１期观测数据有一个明显跳变，而ＳＸ１９与ＳＸ３５的监测序列中却没有跳变，且ＳＸ３后续的测量高程与第２期平稳变化，即ＳＸ３的第１期监测数据错误。④在基坑阶段和地下结构阶段，ＳＸ３和ＳＸ３５的预报精度相当，都高于ＳＸ１９的预报精度，可能的原因是ＳＸ１９距基坑较近，受基坑施工情况影响严重，而ＳＸ３与ＳＸ３５位于基坑两侧，受基坑施工情况影响较小。
2.3数值结果与分析
奇异谱分析方法使用中有两点需要注意：一是趋势项和周期项的判断，二是分解窗口的选取。本文选定趋势项判断的准则是极值点个数最少的分量，而周期项判断准则如下：①按序排列的两个特征值近似相等；②对应的时间特征向量具有准周期性，且周期相等，位相正交；③相应的时间主分量位相正交。这两个时间序列并没有明显的周期特征，这也是很多地铁沉降数据的特点。对于分解窗口的选取，本文经过尝试，为了适应所有时间序列，数据长度除以6再四舍五入取整，最后确定这两个时间序列的分解窗口为11。尽管这两个时间序列有所缺失，但相对观测总次数较少，可将其当作连续的时间序列进行奇异谱分解。SSA提取的趋势项与原始数据符合的较好，其他时间序列做类似的分解也得到类似结果，表明SSA方法对于数据缺失有较好的适应性。
结语
地铁监测数据是反映地铁结构形变特征的重要指标，实时获取地铁监测数据、分析地铁结构变化趋势与周期波动、进一步预测地铁结构的变化是确保地铁结构安全以及地铁安全运行的重要手段。将热门的奇异谱分析与智能化的ＢＰ神经网络应用于地铁监测数据处理，并以上海浦东９号线地铁的沉降监测数据为例进行实验分析与预测，获得了较好的处理结果，为地铁监测数据处理提供了一种有益的参考。
参考文献：
［１］潘军杰，唐明峰，叶飞．利用电子水准仪和全站仪实现地铁运营期的沉降监测和收敛断面监测［Ｊ］．测绘通报，２０１７，（１０）：１５７－１５８．
［２］黄鸿伟．地铁隧道全站仪自动化监测的技术难点问题及解决方案［Ｊ］．测绘通报，２０１６，（８）：１４９－１５１．
论文作者:张晓乐
论文发表刊物:《建筑模拟》2019年第8期
论文发表时间:2019/5/6
标签：神经网络论文; 地铁论文; 序列论文; 基坑论文; 数据论文; 结构论文; 阶段论文; 《建筑模拟》2019年第8期论文;