關於深基坑支護的變形預測

導語：基坑支護體系是臨時結構，安全儲備較小，具有較大的風險性。基坑工程施工過程中應進行監測，並應有應急措施。在施工過程中一旦出現險情，需要及時搶救。 在開挖深基坑時候注意加強排水防灌措施，風險較大應該提前做好應急預案。

　　1引言

近年來,隨着建設的發展,基坑工程的數量越來越多,而且深基坑工程無論在數量上還是在難度上都有大幅度提高,使得在深基坑工程中發生的事故也越來越多,造成了重大的經濟損失。深基坑工程中的最大問題是由於開挖引起周圍土體變形,從而導致周圍的建築物和地下管線等設施的破壞。基坑變形的監測及其預報的研究引起工程技術人員的廣泛重視。

深基坑變形一方面基坑的變形受其結構特徵和所在環境的制約,有其自身的內在規律性,反映在監測數據上是其觀測序列隨時間變化;另一方面基坑施工過程中往往出現受某種因素的干擾,表現為定期觀測的變形位移的數據具有一定的隨機性。目前,基坑設計時主要採用m法和有限元等方法進行變形估算,但由於理想模型與實際工況的差別、計算參數難以正確確定等因素的影響,使得計算得到的變形值與實際變形量相差較大。因此,至關重要的是尋求一種對基坑變形更為有效的預測方法。人工神經網絡則具有解決複雜的、不確定性的、非線性問題的能力,特別適合解決巖土工程問題。在基坑變形預測方面比常規方法有明顯的優勢。

本文以人工神經網絡為基礎,利用其強大的非線性映射能力,以已有的實測數據為樣本,建立深基坑單支點排樁支護結構最大側向位移的預測模型,實現對深基坑變形的非線性預測。

　　2神經網絡簡單介紹

神經網絡是由大量的神經元廣泛連接而成。人工神經元是對神經元的模擬，是一個多輸入，單輸出的非線性模型，它的輸入輸出關係用傳遞函數(也叫激勵函數)來表示。常用的傳遞函數有：閥值函數，線性函數，S形函數(Sigmoid),徑向基函數等。根據人工神經元的連接方式不同，神經網絡可分成兩大類：分層結構的網絡、相互結合網絡。圖1、圖2分別為三層前向網絡結構圖和神經元結構模型。

目前已有數十種神經網絡模型，這些模型大致可分為三大類：前向網絡(FeedforwardNNs)、反饋網絡(FeedbackNNs)和自組織網絡(Self-organizingNNs)。常用的網絡模型有：BP網絡、徑向基網絡，概率神經網絡、自組織特徵映射網絡、Hopfield迴歸網絡、Elman遞歸網絡等。這些各式各樣的模型從不同的角度對生物神經系統進行不同層次的描述和模擬，各自有自己的適用範圍和優缺點。

圖1：三層前向網絡結構圖圖2：神經元結構模型

　　3用於深基坑排樁支護變形預測的神經網絡模型的建立和實現

神經網絡對非線性問題有強大而準確的'映射能力。1987年，RobertHecht-Nielsen提出了Kolmogorov多層神經網絡映射存在定理，從理論上證明了，包含一個隱層的三層神經網絡可對任何的連續的非線性函數進行任意精度的逼近。正是由於神經網絡具有這個特性，使得神經網絡被廣泛應用到各個領域。

另外，神經網絡不需要複雜的建模分析過程，它能自己對樣本進行學習，學習樣本數據之中隱含的規律，精確地確定輸入數據和目標之間存在的映射關係;神經網絡還具有較好的魯棒性(容錯性)，還具有過濾噪聲和在線應用等特性。

　　3.1選用的樣本數據

神經網絡方法是一種“數據驅動”型方法，樣本數據是它的基礎。本文采用文獻提供的樣本數據，如表1所列。這些數據為某地區已建深基坑支護結構典型工程樣本數據。利用1～12號工程數據作為訓練集,13～16號工程數據作為測試集,最後都對輸入、目標數據進行歸一化處理。

表1 某地區深基坑支護結構工程資料

序號	支撐彈性常數(MN/m)	圍護樁的剛度(MN.m2)	支撐點與開挖深度的比值	土體的 值(。)	土體的C值(KPa)	基坑開挖深度(m)	樁的入土深度(m)	樁的最大位移(mm)
1	41.56	836.1	0.123	17.5	8.4	6.5	7.5	14.1
2	23.71	305.6	0.149	12.9	11.9	6.7	12.3	37.3
3	38.45	187.9	0.282	13.1	18.6	7.1	8.5	30.7
4	17.25	423.1	0.146	13.2	12.5	7	11	33.5
5	32.46	836.1	0.166	15.4	11.3	6	12	16.5
6	25.13	219.5	0.378	8.6	15.3	6.1	8.4	26.9
7	47.52	403.5	0.476	14.9	14.1	4.2	5.4	7.6
8	73.27	523.6	0.342	15.5	14.0	7.3	9.6	23.6
9	11.52	523.6	0.143	13.7	13.9	7	10	34.1
10	20.25	125.9	0.208	10.0	10.1	4.8	6.2	18.7
11	14.51	523.6	0.331	14.6	10.1	6.05	10.95	22.2
12	17.85	326.7	0.281	12.6	10.6	5.8	8.2	20.1
13	27.9	502.1	0.223	11.3	13.5	6.5	11.5	25.1
14	51.55	983.0	0.315	13.3	9.7	8	12	24.7
15	56.11	164.3	0.4	13.4	13.9	5	7	10.8
16	83.45	925.6	0.213	13.4	10.3	9.5	13	22.4

　　3.2輸入輸出變量的選擇

影響深基坑變形的因素很多,如開挖深度、支護樁的樁長,支護樁的剛度、土層強度、開挖時間、地下水，支撐條件等。在建立ANN模型時,應採用主要的影響因素作為BP網絡輸入層參數。本文最後確定輸入輸出層如下：

輸入層。支撐彈性常數，圍護樁的剛度，支撐點與開挖深度的比值，土體的值，土體的C值，基坑開挖深度，樁的入土深度。

輸出層。只有一個輸出值:開挖最終狀態時支護樁頂端的最大位移量。

　　3.3輸入輸出數據的轉換

由於神經網絡對其輸人數據取值有一定的限制，因此對於訓練和檢驗樣本,首先要進行正則化轉換。本文使用如下的正則化轉換方法。如果變量的最大值和最小值分別為Vmax和Vmin,神經網絡的限制範圍是Amax和Amin,對於變量V可用式(1)進行變換,對於神經網絡的輸出值A可用式(2)轉換為變量V。

　　3.4網絡結構和訓練算法

目前還不存在通用的理論來確定前向網絡的隱層和隱節點數。理論分析表明，具有單隱層的前向網絡可以以任意精度映射任何的連續函數，只有當學習不連續函數(如鋸齒波等)時，才需要兩隱層。對深基坑變形進行預測，建立地質條件、樁的幾何尺寸及樁體材料強度等與深基坑變形之間的關係，用到的就是神經網絡的“函數逼近”功能。本研究選用只有一個隱層的前向網絡，而隱節點數採用試湊法來確定，最後採用8個節點單元。用Levenberg-Marquardt算法進行訓練。LM算法比常規的BP算法的收斂速度快很多。

下式為LM算法的權重和偏置的更新規則：

這裏，是權重的改變，是偏置的改變，J是每個權重(或偏置)的誤差得到的雅可比矩陣，I是同一性矩陣，e是一個誤差向量，是一個數量，它的大小決定了是用梯度下降法還是高斯-牛頓法來計算和。

　　3.5傳遞函數的選擇

選用非線性傳遞函數的目的是構造非線性系統。在隱層使用雙曲正切S形函數(Hyperbolictangent),在輸出層使用對數S形函數(Log-sigmoid)，保證輸出的數值範圍為[0，1]。雙曲正切S形函數，對數S形函數分別如下：

　　3.6目標誤差的評價

訓練的目標誤差用MSE(Meanofsquarederrors)來表示。式(6)中ei為各誤差率。

　　3.7網絡的預測性能

本文所構建的神經網絡全部利用MATLAB神經網絡工具箱實現的。網絡使用1～12號工程數據作為訓練集,13～16號工程數據作為測試集，MSE目標為0.01，初始學習率取0.1，經過212個週期的訓練，達目標誤差。結果如表2。從結果可知，神經網絡的評估預測準確率是很高的。

表2網絡計算結果

序號	預測值	實際值	相對誤差率
13	22.1	25.1	12.0%
14	22.5	24.7	8.9%
15	11.2	10.8	3.7%
16	20.8	22.4	7.1%

　　4結論

本文應用人工智能領域中的神經網絡知識，提出一種深基坑變形預測的方法。使用12個實際工程數據對神經網絡進行訓練，並對4個實際工程數據進行計算，結果是神經網絡模型計算得出的深基坑變形預測值與實測值最大誤差約為12%。這説明應用神經網絡模型計算深基坑變形是可行的。

另外，影響深基坑變形的因素具有複雜性和多變性,採用人工神經網絡建立模型要根據實際情況，採用影響變形的主要因素作為輸入層參數,以提高預測的準確度。對於樣本的選擇，由於各地的地質條件有所差別，深基坑工程帶有明顯的地區性，選擇樣本應該考慮地區差別的問題。