江苏某市地面沉降的人工神经网络模型预测

摘要：在分析江苏省某市地面沉降特点的基础上，结合人工神经网络原理，优化BP神经网络的初始权重。模型的训练和检验结果说明，该模型的结构合理、精度高，可以用于对该区地面沉降趋势的分析预测，预测结果表明，地面沉降与地下水位存在较一致的响应趋势，这是一种比较理想的地面沉降预测方法。

关键词：地面沉降 ，人工神经网络 ，算法 ，预测模型

Abstract: analysis on the ground settlement in jiangsu province based on the characteristics of the, combined with artificial neural network theory, optimize the BP neural network of initial weights. Model of the training and test results show that the model is reasonable, the structure of high precision, and can be used in the area of land subsidence trend analysis, forecast, the predicted results show that the ground settlement of underground water and there are consistent response trend, it is a kind of ideal ground subsidence prediction method.

Key words: the ground settlement, artificial neural network, the algorithm, forecast model

中图分类号：TN711文献标识码：A 文章编号：

人工神经网络模型本身具有自适应能力，更新方便，通过神经元作用函数的复合完全能够实现逼近有界子集上的任意非线性函数的功能，可以有效解决常规统计方法中存在的较难选择模型的结构形式及非线性参数估计的问题。

1 BP人工神经网络的构建原理

BP神经网络系统的组成元件包括处理数据的基本神经元Neuron及Neuron互相连接的桥梁（Link），不同数量的Neuron组成网络层，即Network Layer。一般的神经网络有输入层（Input Layer）、隐含层（Hidden Layer）、输出层（Output Layer）三个基本层组成（图1）。三者的连接就是由传输函数来传递信息的，传输函数可以是n的线性或非线性函数，实际应用中可以用特定的传输函数满足神经元要解决的特定的问题。主要的传输函数有线性传输函数 （即 ）和Sigmoid函数（即 ）。

2 BP网络的建模参数确定

基于单个神经元对信息的处理能力是很有限的，只有将多个神经元相互连接起来，构成一个神经网络体系，才能够对复杂的信息进行识别处理。这种神经元的联系方式，即人工神经网络的拓扑结构。网络拓扑结构的构成主要是由输入层、隐含层和输出层组成。其输入层和隐含层神经元节点数的选择是人工神经网络设计中最为关键的步骤，它直接影响网络对复杂问题的映射能力。只有建立起比较好的拓扑结构，适合于实际的情况，才能做到更加准确的拟合、预测。

3 BP神经网络在地面沉降中的模型构建

3.1某市地面沉降神经网络预测的基本原理

考虑到某市国土部们、水利部门等对该市的地下水位、以及地下水的开采情况都设有较完善的、先进的监测系统，积累了多年宝贵的资料，而这些资料反映着该市历年来地面沉降受开采等因素影响的变化规律，可以通过建立人工神经网络的地面沉降预测模型，对历史资料进行学习，来识别复杂的地面沉降变化机制，从而实现地面沉降变化的计算机仿真。人工神经网络的地面沉降预测模型不同于一般的计算机公式，而是对地面沉降变化的具体情景的一种综合模拟与体现。网络模型一旦通过学习识别出地面沉降在各个因素影响下的历年变化规律，则可以通过一定的假设条件和制约因素来对以后做出正确的预测。

根据以上原理及其算法，对某市地面沉降建立BP神经网络模型。结合该市地面沉降的影响因素和实际的变化情况，并利用系统建模的理念，来建立BP神经网络模型，通过对学习样本的训练、拟合，达到对该市地面沉降预测的最佳效果。

3.2 某市地面沉降模型的构建

建立该市地面沉降的BP神经网络模型，必须先对历史资料进行分析归类，通过分析数据，来确定模型构建的网络拓扑结构以及模型参数。将各含水层当年地下水开采量、去年地下水开采量、前年地下水开采量；各含水层当年地下水水位、去年地下水位（基准水位）和前年地下水位（控制水位）作为输入层，隐层节点数确定为27（采用试算法确定），输出层为当年的地面沉降值。

此模型参数的选取情况具体如下：

动量项：0.6

拓扑结构：18－27－1

训练次数： 满足误差小于2.5

学习样本： 160

检验样本： 17

传递函数： tan-sigmoid; purelin

训练方法： Levenberg-Marquardt

网络训练的原理：首先对训练次数的初始化，当预测完毕后如果误差参差平方和在我们要求的范围之内，则停止，预测结果可信。否则加大训练次数，使参差平方和达到预期的规定，最后输出结果。

从训练结果看，在对2003~2005年的沉降值进行学习训练后，160个点的残差平方和达到0.017，单个样本误差最大达到2.29mm，超过1.5mm的样本有13个，误差在0.5~1.5mm的样本有41个，剩余的106个样本的单项误差控制在0.5mm之内，并且有7个点的预测值与实际值之间达到了零误差。预测效果较为理想，模型达到了预期的要求，可以进行预测。

4地面沉降预测

本文采用训练好的神经网络模型，对地面沉降的发展趋势进行了预测。其中，各含水层水位采用 2003～2005年的平均值，开采量分别采取选取2005年现状开采量、在原有开采量的基础上进行不同程度的削减。对该区2006～ 2015年的地面沉降发展趋势进行了预测。

方案Ⅰ：

地下水开采削减状况：维持2005年现状开采

方案Ⅱ：

地下水开采削减状况：市区、1县开采量削减45%；2县、3县、4县；5县、6县开采量削减30%。（削减的部分靠增加地表水厂满足供水需求）

方案Ⅲ：

地下水开采削减状况：市区、1县开采量削减70%；2县、3县、4县开采量削减50%；

5县、6县维持2005年开采量（削减的部分靠增加地表水厂满足供水需求）

方案Ⅳ：

地下水开采削减状况：禁止开采（全部采用地表供水）

预测结果（2015年）如下：

方案一：

在维持现状开采量时,市区、1县2个区内，在保持现状开采量的情况下，地面沉降有继续扩大的趋势；2县、3县、4县沉降范围扩大较为明显，已有形成新的沉降中心的趋势；5县、6县无明显变化。

方案二：

市区、1县两个地区除在局部附近有较大的增加外，其余地方均有明显的变缓趋势；5县、6县两地与维持原开采量时变化不大，这说明该区在未来的开采规划中不需做大的削减；2县、3县、4县的沉降范围略有增加，但与方案一比较已有不同程度的减轻。

方案三：

在逐渐削减过程的第一步与方案二相比基本没有大的变化，而后也就是从2009年执行第二步以后，沉降虽略有增加，但此开采量对地面沉降的影响已不大，考虑到前期开采量对地面沉降的滞后影响，可以认为此开采量是合理的。

方案四：

在全面禁止开采以后，全市地面沉降只有稍微的增加，2012年后已经不再发生变化。而前期微小的沉降是因为地面沉降具有时间上的滞后性，并不会因为停止开采后就立即停止沉降，而是在稍后几年内在一定程度上略有沉降。

从以上预测结果来看，考虑到当地经济发展对地下水资源的需求以及地表水资源的污染现状，地下水开采不可能完全立即停止，因此建议采用方案3进行地下水资源管理，并适当向农村生活用水倾斜，有条件的农村和城镇应尽快改用地表水实施集中供水。

参考文献：

张云,薛禹群.抽水地面沉降数学模型的研究现状与展望[J].中国地质灾害与防治学报.2002.13(2):1-6

闻新,周露,力等.MATLAB神经网络应用设计[M].北京:科学出版社,2000.

张立明，人工神经网络的模型及其应用，1993年

注：文章内所有公式及图表请以PDF形式查看。