深基坑施工變形神經網絡預測分析

陳炳志 白 云

(1.山東科技大學審計處，山東 泰安 271019； 2.山東科技大學土木建筑學院，山東 青島 266510)

深基坑施工變形神經網絡預測分析

陳炳志1白 云2

(1.山東科技大學審計處，山東 泰安 271019； 2.山東科技大學土木建筑學院，山東 青島 266510)

簡述了深基坑監測的目的與基本要求，通過分析深基坑工程施工變形神經網絡預測的原理和特征，建立變形預測模型，并應用工程實例分析，為深基坑的安全開挖提供參考借鑒。

深基坑，變形，預測模型，神經網絡

隨著大規模的城市建設，高層建筑層出不窮，建筑物基坑開挖的深度與規模也不斷增大，由開挖導致的基坑變形對周邊建筑物與管線等造成的破壞也屢屢發生，嚴重時甚至會使鄰近建筑傾斜、倒塌，帶來巨大的經濟損失甚至人員傷亡。監測模型的建立是深基坑施工變形監測的核心，是基坑安全開挖的重要保證。本文系統介紹了深基坑施工變形神經網絡預測分析的方法，結合工程實例介紹了其應用手段，對確保深基坑的安全開挖具有重要指導意義。

1 深基坑監測

1.1 深基坑監測的目的

深基坑監測的主要目的，一是隨時了解基坑在開挖時的受力狀態和變形情況，指導現場施工，保證基坑的安全開挖和支護；二是確保基坑鄰近建筑物的安全；三是用于反演分析，積累工程經驗，完善計算公式，進一步提升設計的合理性。

1.2 深基坑監測的基本要求

深基坑的開挖監測一定要有計劃地進行，并且要根據開挖現場出現的各類情形隨時不斷修正和完善，保證監測的準確性，通常來說應滿足以下幾點要求：1)監測數據準確可靠，體現原始性和真實性；2)盡量減小支護過程中使用的預埋構件對監測的影響；3)各項監測數據之間應進行相互檢驗，確保準確性和全面性；4)監測完成后及時撰寫監測報告。

2 深基坑施工變形神經網絡預測分析

2.1 BP神經網絡基本原理

BP(Back Propagation)網絡由Rumelhart和McCelland于1986年首次提出，是通過誤差逆傳播計算方法進行訓練的多層前饋網絡，是當前世界上使用最多的神經網絡模型之一。

2.2 神經網絡的基本特征

神經元是組成人工網絡最基本的構件，多種神經元相互合作，便構成信息處理網絡系統。人工網絡神經圖的特征主要有以下幾點：

1)每個節點都有相應的狀態變量xi；2)在節點i和節點j之間具有特定連接權系數wji；3)每個節點對應一個閾值；4)每個節點存在一個變換函數fj(xi,wji,θj),i≠j。

2.3 BP神經網絡算法

BP神經網絡算法可歸結為兩個方面：信號的向前傳播以及誤差的反向傳播。即實際輸出的計算方向為由輸入到輸出，權值及閾值的修正方向則反之，如圖1所示。

1)信號的向前傳播過程。

隱含層第i個節點的輸入neti：

(1)

隱含層第i個節點的輸出yi：

(2)

輸出層第k個節點的輸入netk：

(3)

輸出層第k個節點的輸出ok：

(4)

2)誤差的反向傳播過程。

誤差的反向傳播是指先從輸出層的神經元開始，計算每一層的輸出誤差，最后利用梯度下降法調整每一層具有的權值和閾值，使網絡輸出值在修改后更加接近期望值。

單個樣本P的二次型誤差準則函數為Ep：

(5)

系統對P個訓練樣本的總誤差準則函數為：

(6)

根據誤差梯度下降法依次修正輸出層權值的修正量Δwki、輸出層閾值的修正量Δak、隱含層權值的修正量Δwij、隱含層閾值的修正量Δθi。

(7)

輸出層權值調整公式：

(8)

輸出層閾值調整公式：

(9)

隱含層權值調整公式：

(10)

隱含層閾值調整公式：

(11)

又因為：

(12)

(13)

(14)

(15)

(16)

整理得：

(17)

(18)

(19)

(20)

上述算法過程見圖2。

2.4 BP神經網絡在深基坑施工變形預測中的應用

目前，在深基坑變形監測中應用到的神經網絡方法主要有以下兩種：

1)參考相似的深基坑展開預測工作：根據本工程的相關地質條件、環境、設計資料，找尋相似工程條件的模板，以此為基礎確定神經網絡預測模型，選擇合適的網絡模擬方法進行預測。2)依靠監測所得數據進行預測：深基坑的變化情況受外部因素影響很大，神經網絡時間序列模型可在實際監測數據的基礎上建立，準確預測基坑變形的長時間發展狀況。

BP神經網絡的時間序列變形預測基本流程為：

1)變形監測：確立監測方法，測量監測目標隨時間的變化情況；2)建立神經網絡：神經網絡的輸入節點數為測點數m乘以每個測點所具有的監測數目n-1，即m×(n-1)；3)訓練網絡：將每個測點的前(n-1)個值作為輸入值，第n個測值為目標值訓練網絡，如圖3所示。

3 工程實例

滕州九州清晏小區地下人防工程處于府前中路北部，東臨善國中路，向北15 m是小區的地下車庫基坑。該工程地下開挖深度為7.70 m～11.60 m，呈多邊形，基坑周長約730 m，面積22 000 m2。基坑支護方式為：上方4 m范圍采用土釘加固，下方7 m范圍利用樁錨支護，高壓旋噴混凝土墻作為止水帷幕，基坑的安全等級為一級。

表1 水平位移測點數據

表2 沉降位移測點數據

表3 訓練樣本

3.1 支護方案

該地區基坑開挖深度最大處可達11.6 m，淺部位置達7.7 m，基坑的南部、東部和北部使用4.0 m的土釘支護，下方樁錨加固，基坑周邊的止水帷幕使用高壓旋噴注漿而成。西部位置修建臨時公路，地面以下1.2 m使用樁錨支護，上部1.2 m處的支護結構采用砌筑磚墻。支護方案如圖4所示。

3.2 監測方法

以SP8處的測點監測數據為樣本輸入值，建立變形預測神經網絡時間序列模型，得出的監測數據如表1和表2所示，測點的水平和垂直位移變形如圖5和圖6所示。

以監測水平位移和土體強度參數(內摩擦力、容重、內摩擦角)、降水深度、開挖深度為輸入變量建立訓練樣本，如表3所示。

訓練結果及誤差百分比如表4所示。

表4 訓練結果與誤差

4 結語

1)BP神經網絡預測分析需要大量的監測數據和工作量，對于基坑變形的長期預測準確性較高。2)網絡的學習預報是神經網絡進行變形預測的核心，訓練次數越多，預報的精度越高，工作效率則越低。3)BP神經網絡具有很強的容錯性和泛化能力，可實現深基坑后期開挖變形的非線性預測。

[1] 柳建國,程良奎.北京地區基坑支護技術的發展與工程實踐[J].巖土力學,2009,30(4):1013-1017.

[2] 楊光華.深基坑支護結構的實用計算方法及其應用[J].巖土力學,2004,25(12)：1885-1896.

[3] 周瑞忠,羅詞兵.Sigmoid函數在神經網絡、熱傳導和土壓力計算中的應用[J].福州大學學報,2001,29(3):79-83.

[4] 肖桂元,劉立龍.動態模糊神經網絡在變形預測中的應用[J].桂林理工大學學報,2011,31(3):395-398.

[5] 賈 備,鄔 亮.基于灰色BP神經網絡組合模型的基坑變形預測研究[J].隧道建設,2009,29(3):280-284.

[6] 李水兵,李培現.基于BP神經網絡的深基坑變形預測[J].測繪信息與工程,2011,36(5):41- 43.

[7] 陳炳志.深基坑施工變形預測與穩定性控制研究[D].青島：山東科技大學，2012.

[8] 趙海燕.基于冪函數形式的基坑變形預測[J].同濟大學學報，2003,31(8):899-901.

The analysis of construction deformation neural network prediction of deep foundation

Chen Bingzhi1Bai Yun2

(1.AuditOfficeofShandongUniversityofScienceandTechnology,Tai’an271019,China;2.CollegeofCivilEngineeringandArchitecture,SUST,Qingdao266510,China)

The objective and basic requirements of the monitoring of deep foundation pit is described. Analysis of deep excavation deformation theory and neural network forecasting features and the establishment of deformation prediction model applied to the actual project, gives reference for the safety excavation of deep foundation pit.

deep foundation pit, deformation, prediction model, neural network

2014-12-17

陳炳志(1973- )，男，博士，工程師

1009-6825(2015)06-0076-03

TU463

A