臨近基坑的建筑物沉降預報

王怡慎 張尚根

在城市建設和地下空間開發中,大型深基坑工程越來越多,基坑的開挖將引起周圍地層的變形,對臨近基坑建筑物的安全必然產生一定程度的影響,由此引起的環境土工公害問題也十分突出,因此需要對基坑周邊建筑物沉降等進行觀測[1]。常用的預測方法主要有回歸分析、灰色預測[2]、時間序列分析[3]等,但這些方法本質上都是用某一確定的模型來表達變量間的關系,存在一定的缺陷。研究表明[1],神經網絡是解決變形預測最有效方法之一。

1 BP神經網絡

神經網絡領域已經有60余年的歷史了,但實際的應用卻是在最近的30年里。作為一種新的方法體系,由于神經網絡具有大規模并行、分布式存儲和處理、非線性映射、自組織、自適應、自學習能力和魯棒容錯等特性,特別適合處理需要同時考慮許多因素或條件不精確和模糊的信息處理問題,這使得它在許多方面都有著廣泛的應用。實踐表明,多層前向BP神經網絡是目前應用最廣泛的一種神經網絡模型。其基本結構如圖1所示,一般由三層組成,即1個輸入層、1個隱含層和1個輸出層。BP神經網絡的算法見文獻[1]。

2 工程實例計算

2.1 工程概況

蘇州新景天商務地產發展有限公司擬建的蘇州高新國際商務廣場位于蘇州高新區。該工程主體建筑設3層地下室,采用框架—剪力墻結構。本工程的基坑工程分為A區,C區及B區。根據勘察結果,勘察深度覆蓋層主要為長江沖擊形成的黏性土和砂性土,層次較多,呈交錯沉積或互層狀。勘察深度內的土層可分為16個大層,24個亞層,包括素填土、黏土、粉質黏土、粉細砂等。B區持力層為④2粉細砂(Ql4濱海—河口相):灰色,飽和,密實為主。主要成分為長石及石英,次之云母碎屑。頂板標高-9.22～-7.58,厚度5.3 m～8.6 m。系低壓縮性,中高度土層,工程性能良好。該層土承載力特征值220 kPa,預制樁極限側阻力標準值80 kPa,鉆孔灌注樁極限側阻力標準值70 kPa,抗拔系數0.5。自然地坪標高-0.600,A區,C區基坑平面形狀為不規則八邊形,開挖深度在-15.200～-22.400之間,開挖面積約為7 100 m2,支護體系采用灌注樁+鋼筋混凝土內支撐結構體系,水泥土深攪拌樁作為止水帷幕;B區呈矩形區,開挖深度為-14.100,開挖面積約為4 500 m2,支護體系采用地下連續墻+鋼筋混凝土內支撐結構體系(北側為灌注樁+鋼筋混凝土內支撐結構體系),水泥土深攪拌樁作為止水帷幕。

基坑西側與金獅大廈群房最近處約3 m,該大廈群房有一層地下室,獨立基礎,埋深-4.650,與B區地下室埋深相差約10 m。本文利用深基坑變形預報的人工神經網絡模型對基坑西側的金獅大廈群房沉降進行預測,并對結果進行了分析。

2.2 預測方法

在基坑施工過程中,為預測下步某一時間段內建筑物沉降,可用前幾次相應測點的變形監測數據為原始輸入,將以后幾次該相應點的各預測值視為輸出,在時間推進到下一日以后,將該日的實際監測值滾入作為新的輸入,而置換掉最前一日的監測值,以不斷更換輸入數據而進行下一時間預測數據。

2.3 樣本的訓練、檢驗與預測

首先選擇地質條件、開挖深度與該基坑工程類似的建筑物沉降數據對網絡進行訓練,達到精度要求后,再對基坑西側的金獅大廈群房沉降監測數據分析研究,總共選擇20組數據,其中,前15組用來訓練網絡,后5組用于檢驗網絡,訓練樣本采用前3次的數據作為輸入,第4次的數據作為輸出,以此類推,不斷對網絡進行訓練。樣本數要考慮到土方開挖及支撐施工周期,并用前兩次和當次的數據作為預測初始數據,預測第2次及以后的建筑物沉降,預測步長為6 d。

2.4 預測結果

本文基于MATLAB 6.5這一平臺,編制了神經網絡的多步預測程序。BP模型網絡由輸入層、隱含層、輸出層組成,其中輸入層包含3個神經元,分別表示前3次的輸入向量,輸出層包含 1個神經元,表示第4天的預測值。建筑物沉降預測值與實測值比較見表1。預測值與實測值吻合較好,能滿足工程應用要求。

3 結語

1)在深基坑開挖中,應用BP神經網絡方法預測建筑物沉降具有較高的精度,在工程實踐中有較好的實用性;

2)由于建筑物沉降受到工況的影響較大,尤其是基坑支撐拆除前后建筑物沉降改變量較大,因此,在學習樣本中,至少應包含1個以上的工況。

[1] 袁金榮.地下工程施工變形的智能預測與控制[D].上海:同濟大學,2001.

[2] 廖野瀾.監測位移的灰色預報[J].巖石力學與工程學報,1996,15(3):269-274.

[3] 張玉祥.巖土工程時間序列預報問題初探[J].巖石力學與工程學報,1998,17(5):552-558.

[4] 樓順天.基于MATLAB的系統分析與設計——神經網絡[M].西安:西安電子科技大學出版社,1998.