基于小波神經網絡的深基坑施工風險評價研究

孫敬秋 馮 樷 馮雙喜

(1.中建二局第三建筑工程有限公司，湖南 長沙 410201；2.河南工業職業技術學院，河南 南陽 473009； 3.天津國土資源和房屋職業學院，天津 300270)

?

基于小波神經網絡的深基坑施工風險評價研究

孫敬秋1馮 樷2馮雙喜3

(1.中建二局第三建筑工程有限公司，湖南 長沙 410201；2.河南工業職業技術學院，河南 南陽 473009； 3.天津國土資源和房屋職業學院，天津 300270)

構建了軟土深基坑風險指標體系，利用小波分析，對某工程深基坑的監測數據進行了去噪處理，并通過神經網絡模型，評價了深基坑施工的風險因素，提出了減小深基坑施工風險的建議。

深基坑，神經網絡，施工風險，灰色關聯度

0 引言

隨著高層建筑的興建，深基坑開挖規模不斷加大，開挖深度加深，基坑自身的穩定性引起了專家廣泛關注。再加之，高層、超高層建筑物以及城市軌道交通工程往往在中心城區進行，這勢必會給周圍環境帶來影響，尤其是在深基坑施工過程中周圍建筑物和周圍管線的沉降預測問題。這都對深基坑施工安全提出了嚴峻的挑戰。

1 軟土深基坑風險指標體系的構建

將風險管理理論引入深基坑施工風險評價研究中，風險管理的本質是利用最小的成本保證施工安全的管理方法，其步驟主要包括風險識別、風險評估、風險響應和風險控制[1]。本文結合天津地鐵六號線紅旗南路換乘站，收集深基坑施工過程中的相關資料，確定了風險控制的指標體系。

深基坑施工風險因素主要包括：人員因素、施工材料及機械設備性能、施工方法以及周圍環境因素。人員素質從管理人員管理水平、施工人員的素質、監理人員能力、施工人員的能力等方面進行風險識別；施工材料及機械主要從施工材料質量、機械設備性能兩個方面考慮風險因素；將施工方法風險分成三個三級指標，分別是圍護結構的穩定性、結構的防水、地面沉降的控制等。環境因素主要考慮到地下水位的變化、地下管線和文物、周圍建筑物、自然災害等。

2 工程分析

結合指標體系，對管理人員管理水平、施工人員素質、監理人員能力、施工人員的技術水平、施工材料質量、接卸設備性能、結構防水性能、自然災害進行專家打分，并對支護結構穩定性中監測主筋內力、地面沉降監測、周圍道路、管線、地下水位變化和周圍建筑變化進行小波去噪處理，并確定其監測變化代表值，最后利用神經網絡進行評價。

假定將施工過程分為三個階段，2013年8月10日～2013年9月10日為第一個階段；2013年9月11日～2013年10月10日為第二階段；2013年10月11日～2013年11月10日為第三個階段。將第一個階段和第二階段數據作為神經網絡的學習階段，并對第三階段進行風險評價。

利用小波分析，對能夠監測的數據進行去噪處理，并找出最大的監測值作為其代表值。小波去噪分為三個步驟，分別是信號分解、閾值的選擇、小波重構，并將去噪之后的信號和專家打分信號作為神經網絡的輸入層。

2.1 閾值的選擇

深基坑的監測信號可能包含尖峰或者突變，并且噪聲信號不是平穩的白噪聲，對這種信號進行去噪處理時，小波能同時在時域內對信號進行分析，實現對非平穩信號的過濾，閾值的選擇影響降噪的效果。

在本工程中，選用Penalized軟閾值，THR=wbmpen(C,L,sigma,ALPHA)，THR通過給定的規則計算得到小波系數，選擇使用Birge-Massart的處罰算法。[C，L]是進行去噪信號的小波分解結構；sigma為零均值的高斯白噪聲的標準偏差；ALPHA是處罰的調整參數，是一個大于1的實數，典型值為2，本工程采用ALPHA=2。

設t*為crit(t)=-sum(c(k)^2,k<=t)+2*sigma^2*t*(ALPHA+log(n/t))的最小值，其中，c(k)為按絕對值從大到小排列的小波系數；n為系數的個數。

2.2 神經網絡評價

輸入層中的輸入信號矩陣為:

輸出層中的輸出信號矩陣為：

根據Kolmogorov定理[2]，來確定網絡結構。采用一個N×2N+1×M的四層神經網絡作為深基坑施工安全的評價模型，其中，N為輸入信號矩陣的階數；M為狀態分類數。為了簡化網絡，(1，1)代表深基坑施工安全評價等級為一級，(1，0)代表深基坑施工安全評價等級為二級，(0，1)代表深基坑施工安全評價等級為三級，(0，0)代表深基坑施工安全評價等級為四級。故可以在網絡中，只設計兩個輸入神經元表示這4種狀態類別。按一般的設計方案，為了更好的滿足深基坑施工安全現狀的評價輸出要求，中間層的傳遞函數為S型正切函數，輸出層神經元的傳遞函數為S型對數函數。

通過訓練后，網絡誤差達到設定的最小值。并可以看出，本次訓練是明顯收斂于零，并能用來指導工程實踐。將第三階段的施工數據輸入到神經網絡模型中，結果為(0.991 1,0.001)，顯然其結果趨近(1,0)，所以安全評價等級為很好。

2.3 灰色關聯度理論分析過程

利用灰色聚類原理[3]，不難發現“圍護結構的穩定性”“地下水位”“周圍道路及建筑物沉降”是影響施工安全較大的風險因素。通過灰色關聯度理論來分析上述三個因素與深基坑施工安全的關聯性。討論灰色絕對關聯度、灰色相對關聯度和灰色歸一關聯度對于深基坑施工安全的影響程度。利用MATLAB7.0[4]進行編寫相應的程序，結果如表1所示。

通過灰色關聯度的分析，可以看出來影響深基坑施工安全的最相關的因素是圍護結構的穩定性。地下水位、周圍道路和建筑物的沉降對深基坑施工安全影響較小，關聯性大體上是一致的。因此在考慮深基坑施工安全時，應該首先考慮圍護結構穩定性因素。

3 減少深基坑施工風險的對策建議

結合分析可知，地下連續墻穩定性是引起深基坑施工安全的重要原因，另外，基坑降水的施工方法、承壓水位動態變化會影響墻后土層的主固結沉降、次固結沉降；地下連續墻的側移在某種程度上對深基坑周圍建筑物沉降和基坑自身有一定影響。因此從設計、施工兩個角度來提出深基坑施工安全的具體措施[5]。

3.1 地下連續墻合理配筋設置內支撐

合理的配筋率不但能夠保證墻體具有一定承載能力和正常使用的功能，使其自身的側移減小，而且能保證深基坑施工對墻體后土體的影響范圍減小，確保施工安全。對支護結構的形式和尺寸進行安全性設計時，可以適當增大安全系數，可以有效的減小側向變形，例如增大支護結構的剛度。僅僅對其結構形式和尺寸設計往往不能滿足工程施工的要求，還應考慮支撐的設計，增設支撐還有利于墻外側承受較均勻的主動土壓力，能夠保證墻與土充分接觸，增加摩擦力和粘結力，從而達到提高土抗剪強度，確保深基坑施工安全。

3.2 采用合理施工開挖技術

中心島式挖土和盆式挖土是深基坑明挖法中的常見方法，本工程采用的是蓋挖逆作方法，即土方不能直接運走，需要提升后裝車外運，施工復雜。深基坑開挖過程中，土體受到擾動，引起應力場的改變，導致基坑發生工程事故，這就要求開挖深度和長度在一定合理范圍內，否則會加速基坑自身的變形。土方開挖還應與支撐密切配合，盡量做到“即挖即撐，隨挖隨撐”，避免由于施工不當或者工期、工序安排不合理造成深基坑變形過大，以至于影響周圍建筑物的沉降。合理的施工開挖技術能有效確保深基坑施工安全。

3.3 減少施工風險的其他措施

采用先進的施工工藝和施工技術，通過新的方法改善深基坑安全；加強人員素質管理，提高管理人員的知識水平和管理水平；對深基坑工程運用信息化監測預測施工的辦法，依據實時動態施工監測信息和監測結果[6]，及時調整施工工序或者施工組織，減少深基坑施工過程中風險因素的影響。

4 結語

分別從人員因素、施工材料及機械、施工方法、環境因素四個角度建立了深基坑風險因素指標體系,利用小波去噪特性，將有關監測的數據進行去噪，能更好地幫助專家進行打分；利用神經網絡模型進行評價，將施工過程分為三個階段，并利用第一和第二階段為學習樣本進行訓練，將第三階段的專家打分數據和去噪數據作為輸入層輸入神經網絡中，最終判斷該階段施工安全等級為較好,提出減小深基坑施工風險的措施，地下連續墻合理配筋設置內支撐、采用合理的降水、排水施工技術、采用合理施工開挖技術等其他措施。

[1] 劉 瑢.基于風險管理的深基坑工程施工預警系統研究[D].南京:東南大學,2006.

[2] 劉 戈,吳立新.基于BP神經網絡法對地連墻后土體沉降預測分析——以天津地鐵施工為例[J].沈陽建筑大學學報(自然科學版),2013(5):834-840.

[3] 龐偉英,樊燕燕.基于灰色聚類法的大跨徑橋梁施工階段風險評價[J].工程管理學報,2015(2):101-105.

[4] 吳 鵬.MATLAB高效編程技巧與應用:25個案例分析[M].北京:北京航空航天大學出版社,2010.

[5] 于銀霞.淺析深基坑及周邊建筑物沉降觀測[J].科技資訊,2012(13):56.

[6] 潘久榮.地鐵車站施工基坑開挖對臨近建筑物的影響研究[D].南昌:華東交通大學,2012.

[7] 薛守義.高等土力學[M].北京:中國建筑工業出版社,2007.

[8] 盧廷浩,劉祖德.高等土力學[M].北京:機械工業出版社,2006.

Research on risk assessment of deep foundation pit construction based on wavelet neural network

Sun Jingqiu1Feng Cong2Feng Shuangxi3

(1.TheThirdConstructionEngineeringLimitedCompanyofChinaConstructionSecondEngineeringBureau,Changsha410201,China; 2.HenanPolytechnicInstitute,Nanyang473009,China; 3.TianjinLandResourcesandHouseVocationalCollege,Tianjin300270,China)

The paper establishes soft-soil deep foundation risk indicator system, carries out denoising treatment for the deep foundation monitoring data, evaluates the deep foundation construction risk factors through neural network model, and finally puts forward suggestions of reducing deep foundation construction risks.

deep foundation, neural network, construction risk, grey relational grade

1009-6825(2016)24-0096-02

2016-06-15

孫敬秋(1987- )，男

TU478

A