基于BP神经网络的深基坑变形预测

华南理工大学学报（自然科学版） ›› 2008, Vol. 36 ›› Issue (10): 92-96.

基于BP神经网络的深基坑变形预测

贺志勇郑伟

华南理工大学土木与交通学院, 广东广州 510640

收稿日期:2008-05-12 修回日期:2008-06-23 出版日期:2008-10-25 发布日期:2008-10-25
通信作者: 贺志勇（1964-），男，副教授，主要从事桥隧安全与健康监测系统研究． E-mail:zhyhe@scut．edu．cn．
作者简介:贺志勇（1964-），男，副教授，主要从事桥隧安全与健康监测系统研究．

Deformation Prediction of Deep Foundation Pit Based on BP Neural Network

He Zhi-yong Zheng Wei

School of Civil Engineering and Transportation, South China University of Technology, Guangzhou 510640, Guangdong, China

Received:2008-05-12 Revised:2008-06-23 Online:2008-10-25 Published:2008-10-25
Contact: 贺志勇（1964-），男，副教授，主要从事桥隧安全与健康监测系统研究． E-mail:zhyhe@scut．edu．cn．
About author:贺志勇（1964-），男，副教授，主要从事桥隧安全与健康监测系统研究．

摘要/Abstract

摘要： 结合某深基坑工程，以桩体水平位移实际监测数据为样本，建立BP神经网络时间窗口预测模型，采用Matlab平台编写程序，采用Sim函数对网络进行仿真，采用Plot函数进行仿真误差分析，预测围护结构桩体的水平位移．结果表明，预测值同监测值、设计计算值吻合，表明了该预测方法的可行性．

关键词: 深基坑, 变形, BP神经网络, 预测

Abstract:

By taking the monitored horizontal displacements of the supporting structure in a deep foundation pit as samples, a prediction model of time series is established based on the back propagation （BP） neural network. Then, by using the Sim function, a simulation of the network is performed on the Matlab platform. Moreover, by employing the Plot function, an error analysis of the simulation is carried out. Thus, the horizontal displacement of the whole supporting structure is predicted. It is found that the predicted data accord well with the monitored and designed ones, thus showing that the proposed prediction method is feasible.

Key words: deep foundation pit, deformation, back propagation neural network, prediction

贺志勇郑伟. 基于BP神经网络的深基坑变形预测[J]. 华南理工大学学报（自然科学版）, 2008, 36(10): 92-96.

He Zhi-yong Zheng Wei. Deformation Prediction of Deep Foundation Pit Based on BP Neural Network[J]. Journal of South China University of Technology (Natural Science Edition), 2008, 36(10): 92-96.

[1]	李方, 郭炜森, 张平, 等. 基于时空双细胞状态的轴承剩余使用寿命预测方法[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 69-81.
[2]	魏海斌, 魏东升, 蒋博宇, 等. 基于IPSO-SVR的盾构下穿既有道路沉降预测分析[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 62-71.
[3]	赵建东, 焦岚馨, 赵志敏, 等. 考虑侧向车换道影响的理论和数据组合驱动的车辆跟驰模型[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 10-19.
[4]	郭红, 秦立闯, 石明辉, 等. 耦合因素对混合润滑滑动轴承特性的影响[J]. 华南理工大学学报(自然科学版), 2023, 51(5): 141-150.
[5]	林志坚, 丁永强, 杨秀芝, 等. HEVC帧内率失真优化预测模式的并行流水线硬件设计[J]. 华南理工大学学报(自然科学版), 2023, 51(5): 95-103.
[6]	张恒, 黄俊光, 李伟科, 等. 电渗-氯化钙对硫酸钠盐渍土变形的影响[J]. 华南理工大学学报(自然科学版), 2023, 51(4): 53-60.
[7]	王永岗, 陈俊先, 郑少娅, 等. 道路急弯路段追尾冲突分析预测[J]. 华南理工大学学报(自然科学版), 2023, 51(4): 80-87.
[8]	周楚昊, 林培群, 闫明月. 基于自监督学习的交通数据补全算法[J]. 华南理工大学学报(自然科学版), 2023, 51(4): 101-114.
[9]	王情情, 刘战强, 程延海, 等. 基于多尺度晶粒细化演变的TC4加工表层硬度预测[J]. 华南理工大学学报(自然科学版), 2023, 51(2): 35-46.
[10]	杨旭锋, 刘泽清, 张懿. 基于贝叶斯神经网络的金属材料P-S-N曲线估计[J]. 华南理工大学学报(自然科学版), 2023, 51(11): 82-92.
[11]	陈锋, 毛豪滨, 蔡吉玲, 等. 面向低延时实时视频的多维跨层带宽预测[J]. 华南理工大学学报(自然科学版), 2023, 51(11): 18-27.
[12]	乔冠, 廖荣, 张校民, 姜广君, 马尚君. 循环式行星滚柱丝杠副的疲劳分析与寿命预测[J]. 华南理工大学学报(自然科学版), 2023, 51(11): 131-139.
[13]	王高, 陈晓鸿, 柳宁, 等. 一种基于视角选择经验增强算法的机器人抓取策略[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 126-137.
[14]	侯力玮, 王恒升, 邹浩然. 基于深度学习的玻璃基板铲起过程作用力预测[J]. 华南理工大学学报(自然科学版), 2022, 50(8): 71-81.
[15]	宋建, 王文龙, 李东, 等. 基于Stacking集成学习的注塑件尺寸预测方法[J]. 华南理工大学学报(自然科学版), 2022, 50(6): 19-26.