付秋新

（中铁十八局集团第四工程有限公司，天津 300480）

1 引言

我国地铁工程进入蓬勃发展阶段，但由于地铁工程多建于繁华市区，施工地质条件复杂，地下管线密集，地铁工程周边建筑物、道路众多，这些地层条件的不确定性及周围环境的复杂性增加了地铁施工的难度和风险[1-2]。为此，在地铁施工中，利用信息化监测数据对容易发生事故的部位进行监测，根据数据的变化采取针对性的预防措施，可以有效减少地铁施工事故的发生[3-5]。

目前常用于地铁施工沉降预测的算法主要包括灰色模型法、概率神经网络法、反向传播（BP）神经网络法、时间函数法等[6-9]。但由于地铁工程所处周边环境复杂，地质土质分布不均，以及地下水径流等因素影响，导致地铁施工沉降并不一定完全随着时间的变化而有序改变，这使得灰色模型、时间函数模型等依据时间线建立线性模型预测沉降的方法并不适用于地铁工程。因此，本文选用具有较强并行结构和学习能力的、依据非线性模型预测结果的BP神经网络算法构建预测模型，同时结合Adaboost集成学习算法将多个BP网络组建成强分类器模型——BP-Adaboost集成学习预测算法，以满足地铁施工沉降预测需求。

2 BP-Adaboost 集成学习算法原理

2.1 BP 神经网络算法

BP神经网络算法是一种具有多层结构的（3层或大于3层）、无反馈的、层内无互连结构的前向网络[10]。BP神经网络的网络结构中包含输入层、输出层以及若干个隐含层，其各层之间依靠神经元进行连接，但是层内的神经元之间无连接。……