基于GA-BP神經網絡的深基坑變形預測與BIM技術的施工控制研究*

楊大田，范良宜，劉 暢

(1.廣州高新工程顧問有限公司，廣東 廣州 510665； 2.深圳大學建筑設計研究院有限公司，廣東 深圳 518060)

0 引言

隨著我國城鎮化建設事業的發展，城市高層建筑及地下工程層出不窮，深基坑工程也越來越普遍。由于深基坑工程是一個多學科、施工具有動態變化、影響因素眾多、施工技術復雜的系統工程，因此，對深基坑工程施工過程進行科學有效的變形監測及信息化施工控制，是確保實現深基坑工程施工安全目標的關鍵。近年來，國內外許多學者對深基坑工程施工變形及其預測與施工控制方法等進行了廣泛探索研究，如宗露丹等[1]以超深大基坑工程實例為背景，對軟土層中順逆作分區交叉實施的坑外土體及立柱變形和支撐軸力變化等進行了分析研究；木林隆等[2]應用神經網絡模型與人工智能技術相結合的方法對基坑開挖過程中誘發鄰近既有隧道變形進行了研究；焦武陽等[3]通過對基坑工程開挖現場監測數據的分析研究，得出分區開挖是控制基坑變形的有效方法；曹浪等[4]研究采用有限元模擬分析和自動化監測手段進行深基坑變形控制技術；許金根[5]結合高層裝配式建筑實例對深基坑變形控制進行研究；宋楚平[6]提出了一種基坑變形的主要自變量與模型在時間上的延展性相結合的BP網絡基坑變形預測方法；譚興等[7]對順逆作同步交叉實施的條件下深基坑支護結構變形情況進行了實測分析研究；方林勝等[8]分別應用灰色GM(1,1)、BP神經網絡和灰色-BP神經網絡模型，對深基坑地表土體沉降進行了預測分析研究；Ran等[9]針對深基坑應用計算機系統對監測數據進行實時分析處理，實現了信息化施工；還有一些學者對遺傳算法優化BP神經網絡模型的應用方法[10-12]進行了多領域分析研究；另外，一些學者對基于BIM技術的基坑工程監測及信息化管理的實現方法等也開展了深入探索，如戎呈航[13]提出了基于BIM技術的深基坑工程監測可視化信息管理策略與方法及實現路徑；賀勃濤等[14]應用BIM技術結合全站儀對超高層建筑基坑的施工變形實時監測與動態管理進行了分析研究；陸珺[15]開發了一種基于BIM的基坑監測Web系統，實現了互聯網與基坑BIM模型的交互應用；Khaja等[16]應用Dynamo工具建立外部信息文件與BIM模型的交互通道，實現了非幾何信息與BIM 模型的交互。但由于深基坑工程涉及的具體基坑圍護結構形式、水文地質條件、地下水及信息化施工方法和基坑監測方案等諸多影響因素的差異性，使深基坑施工變形的預測及控制方法呈現出了多樣性，且實現方法的差異性也較大，目前在BIM技術與深基坑變形監測與施工控制技術融合集成的研究還比較缺乏。因此，本文結合基坑工程實例，對深基坑施工變形預測與控制方法進行綜合探究分析，以構建集基坑施工變形的智能化精準預測與基于BIM的可視化信息管控于一體的方法體系。

1 工程概況

廣州市沙鳳村拆遷復建E地塊項目位于廣州市白云區金沙洲，用地紅線面積為15 321m2，項目總建筑面積為109 206.61m2；3層地下室，地下室基坑總體呈長方形，周長452m，坑底標高為-4.600m，現狀地面高程為7.500～8.000m，深度為12.10～12.60m；圍護結構釆用φ1 200@1 400mm或φ1 400@1 600mm旋挖灌注樁+2道鋼筋混凝土內支撐體系；基坑四周設置三軸水泥攪拌樁，形成封閉的截水帷幕。基坑剖面如圖1所示。

圖1 基坑剖面

項目場地第四系土層主要以黏性土為主，含水較貧乏；中砂層中含孔隙水；中風化灰巖及微風化灰巖含少量裂隙水，含水量不大，具有承壓性。地下水補給主要以大氣降水及地表水的側向補給為主；地下水排泄主要表現為水平徑流、蒸發及蒸騰。項目基坑監測點布置如圖2所示，監測時間及頻率按基坑監測方案組織實施。基坑按分區分層開挖方案于2020年11月30日開始施工。

圖2 基坑監測點布置

2 GA-BP神經網絡的變形預測方法

2.1 預測模型構建

2.1.1BP神經網絡

BP神經網絡被稱為一種人工神經網絡的誤差反向傳播訓練算法(簡稱“BP算法”)，其多層前饋BP神經網絡在目前工程中得到了最廣泛而成熟的應用。BP神經網絡通常由輸入層、輸出層和若干個隱含層組成(見圖3)。采用3層BP神經網絡結構進行分析研究，在誤差反向傳播學習過程中，通過一個最小化能量函數的過程來實現從輸入到輸出的映射，網絡結點作用函數采用較常用的Sigmoid型函數。

圖3 3層BP神經網絡結構

BP神經網絡雖然應用廣泛，但由于學習的收斂速度太慢，不能確保網絡訓練收斂到全局的最小點，而且還存在網絡結構不易確定等缺陷，BP網絡結構及初始連接權值和閾值的選擇對網絡訓練有很大影響，因此，應用遺傳算法對BP神經網絡進行優化可為解決上述問題提供一條重要路徑。

2.1.2GA-BP神經網絡模型

在BP神經網絡輸入層、輸出層和隱含層個數確定后，應用遺傳算法(genetic algorithm，GA)對BP神經網絡進行優化，可在短時間內完成對網絡的訓練，以獲得最佳權值，從而穩定網絡訓練結果，使計算過程簡單化。優化路徑為：在BP算法開始前，將初始化的BP神經網絡權值和閾值首先通過GA算法在隨機點集中進行遺傳優化，然后，再將優化后的權值和閾值導入BP算法進行訓練(稱為GA-BP算法)，以形成完整的GA-BP神經網絡模型。GA-BP神經網絡算法流程如圖4所示。

圖4 GA-BP神經網絡算法流程

2.2 變形預測分析

由于深基坑施工變形隨著施工進度、空間位置的不同而變化，表現出強烈的時空效應，而深基坑圍護結構水平位移反映了圍護結構體系工作狀況，過大的水平位移將造成基坑圍護結構、周圍建筑及地下管線等的破壞，為此，在基坑開挖過程中，做好基坑圍護結構水平位移的監測和預測是基坑工程施工的重點。本文選取圍護結構樁頂水平位移為研究對象，根據基坑施工的工程對象空間拓撲關系的分析，按網絡輸入參數的不同，分別應用基于GA-BP神經網絡的時間序列和多因素預測模型對深基坑圍護結構樁頂水平位移進行分析研究。

2.2.1基于時間序列的變形預測方法

由于深基坑工程的施工變形反映在監測數據按時間序列，前后存在一定的關聯性，當前的監測數據為以前狀態的延續。因此，本文選取具有代表性的深基坑圍護結構樁頂水平位移的一級監測點S2為研究對象，以2021-03-22—2021-04-30(連續40d)的監測數據為樣本，利用前34d數據作為訓練樣本，即通過每4d監測數據作為輸入向量，第5天監測數據作為目標向量進行建模，應用后6d數據進行變形預測。

BP神經網絡采用4個輸入單元和1個輸出單元，應用MATLAB軟件編程試算，確定隱含層神經元個數為9，則BP神經網絡結構為4-9-1，再將遺傳算法接入BP神經網絡，設置遺傳終止代數為700，群體為80，交叉概率為0.6，變異概率為0.005，最后形成一個完整的GA-BP時間序列預測模型對基坑施工變形進行預測。

在網絡訓練前將訓練參數設為：學習速率為0.01，訓練精度為0.001，最多訓練次數為3 000。當網絡訓練完成后，對深基坑圍護結構樁頂水平位移進行變形預測。2021-04-25—2021-04-30圍護結構樁頂水平位移監測點S2的日監測實測值與預測值對比如表1所示。

表1 樁頂水平位移實測值與預測值對比(時間序列)

由表1可知，GA-BP神經網絡預測值與實測值間的誤差比BP神經網絡小，更接近實際情況，GA-BP神經網絡與BP神經網絡的最大相對誤差分別為5.39%，6.33%，平均相對誤差分別為1.91%，2.53%，均滿足工程應用所要求的精度。隨著基坑監測數據的不斷增多，訓練樣本也相繼增多，后續監測數據不斷加入前期訓練樣本中，重復訓練，連續滾動預測，提高了水平位移預測精度。因此，基于時間序列的GA-BP神經網絡預測模型不僅能較好地模擬深基坑施工的非線性過程，同時，也可滿足工程應用所要求的精度，且在基坑施工變形智能預測中還具有良好的效果。

2.2.2基于多因素模型的變形預測方法

在深基坑工程系統中，工程對象(如基坑土體、基坑支撐、立柱等)通過相互之間的拓撲關系共同組成了一個有機整體，當一個工程對象所處的物理環境和空間位置等因素發生變化時，相關聯的工程對象也將產生相應變化，而深基坑工程狀態可通過工程對象監測數據綜合反映出來，這些監測數據間也必然存在密切的相互關系。以2021-03-22—2021-04-30(連續40d)監測數據為數據樣本(見表2)，選取與基坑圍護結構樁頂水平位移監測點S2相關聯的相鄰圍護結構樁頂水平位移監測點S1，S21，S3，S4及第1道水平支撐內力監測點Z1，Z3，Z4，Z6和支撐立柱沉降監測點L1，L3，L4，L6的日監測數據來預測監測點S2的樁頂水平位移變化情況。

表2 樁頂水平位移、支撐內力及立柱沉降監測實測數據

BP神經網絡采用12個輸入單元和1個輸出單元，其中輸入單元為表2樣本數據中4個樁頂水平位移、4個支撐內力及4個立柱沉降日實測數據，而網絡輸出單元為對應時間的樁頂水平位移S2的日監測值，學習樣本將表2前34d監測數據作為輸入值，對應時間的S2水平位移數據作為輸出值，應用MATLAB軟件進行編程建模訓練，并將2021-04-25—2021-04-30數據預測檢驗S2水平位移。通過試算，隱含層神經元個數確定為15，將遺傳算法接入BP神經網絡，且遺傳算法參數設置為：終止代數為700，群體大小為80，交叉概率為0.6，變異概率為0.005，最后形成一個完整的GA-BP多因素預測模型對基坑施工進行變形預測。

在網絡訓練前，將訓練誤差設為0.001，學習速率為0.01，最多訓練次數設為3 000，當網絡訓練完成后，即可進行水平位移預測。基于多因素的圍護結構樁頂水平位移監測點S2的實測值與預測值對比如表3所示。

表3 水平位移實測值與預測值對比(多因素)

由表3可知，GA-BP神經網絡與BP神經網絡的預測結果中最大絕對誤差分別為0.134，-0.295mm， 最大相對誤差分別為12.33%，12.83%，平均相對誤差分別為5.96%，7.46%；GA-BP神經網絡預測結果均優于BP神經網絡預測結果。因此，基于多因素模型的遺傳算法對BP神經網絡的優化有效可行，在提高BP神經網絡預測能力上具有明顯優勢。

由表1，3對比可知，時間序列和多因素預測模型在訓練中，均應用樣本數據前34d監測數據作為訓練樣本，后6d數據進行預測檢驗，因此，隨著訓練樣本數據的不斷增加，網絡學習的機會增多，使預測值與實測值不斷逼近、更具有精確性和可靠性，而且，兩種預測模型分別從時域和空域2個維度的預測結果均能滿足深基坑施工變形預測的實際應用要求。

同時，通過比較以上兩種預測模型發現，多因素預測模型的輸入數據反映了深基坑工程對象相關聯的各因素實際變化情況，考慮了深基坑施工變形復雜性、時空變化的多樣性及監測數據的不完整性等影響，對解決應用單一時間序列遇到困難的施工變形預測問題提供了新途徑，通過深基坑工程對象相關聯的各因素非線性關系構建的多因素預測模型，對基坑施工變形進行預測，具有更為廣泛的應用價值。在基坑施工中，當施工不慎或其他原因造成監測點的損壞不能正常監測，而在損壞的監測點中又需量化數據以便及時發現基坑變形趨勢時，通過多因素變形預測方法即可有效解決這一問題。

總之，應用GA-BP神經網絡對深基坑施工變形進行智能預測科學有效，且預測模型可應用于深基坑工程中智能監測的各方面，并具有較好的通用性。

3 基于BIM技術的施工變形控制要點

3.1 構建基坑BIM模型及數據庫

BIM技術在基坑施工變形控制中應用的關鍵是基坑施工及監測信息與BIM模型的交互及可視化表達，而創建基坑BIM模型及工程數據庫，并建立數據庫與BIM模型的關聯關系是應用BIM技術實施基坑施工變形控制的首要工作。因此，首先通過對基坑施工工程對象空間拓撲關系的分析研究，應用Autodesk Revit建模軟件將基坑施工中工程對象的各構件設計為一個類別的族，并分別建立基坑圍護結構、水平支撐、土方、施工機械等參數化族，并添加相關參數信息，形成基坑3D BIM模型；然后，再通過建立內力、位移、沉降等各類監測點族庫，并為創建的監測點族添加包括監測數據、報警值等相關參數信息，將基坑監測數據信息與基坑BIM模型進行關聯；最后，應用SQL建立包括監測點、人員及施工機械位置、實測變形數據、變形預測數據、報警信息等工程數據庫，并與BIM模型鏈接關聯，實現基坑施工及監測信息與BIM模型的數據交互與集成。

3.2 基坑BIM預控管理

在深基坑工程施工前，將構建好的BIM模型導入Navisworks軟件中，并添加時間軸信息，應用基坑監測歷史數據對基坑BIM模型進行施工模擬，通過軟件的實時漫游功能及可視化施工模擬，直觀、動態地展現基坑開挖施工的變化過程，提早發現施工中各工程對象之間是否存在空間沖突、驗證基坑施工方案的可行性和適用性及進行施工前可視化施工交底。當出現碰撞時，施工前及時制定解決方案，避免施工安全問題的發生；另外，通過基坑實時監測數據和預測數據對基坑施工變形進行仿真模擬，實時動態地反映基坑變形情況，準確把握對基坑變形、受力等變化趨勢的預測，并在基坑施工前及時動態調整和優化基坑施工方案，以避免基坑變形超過預控目標。

3.3 可視化動態控制

通過應用Revit族函數控制監測點族的色彩展示，在BIM模型中將抽象的監測數值信息表達為可視化的具有直觀形象的色彩效果，對基坑施工實行可視化控制。首先，將基坑監測數據與報警值進行關聯，通過監測點族的色彩變化來反饋基坑施工變形信息，對于超過報警值的監測數據，其對應的監測點族用紅色來顯示，對未超過監測報警值的數據的監測點族用綠色來顯示，進而通過監測點的色彩變化模擬來實現基坑施工的預警管理。然后，通過Navisworks對基坑監測信息進行動態過程模擬，直觀地展現基坑施工真實情況，有效集成基坑監測信息與工程對象及其空間拓撲關系等方面的信息，以BIM模型可視化的形式進行并行表達，通過對監測點展示的顏色來判斷基坑在任意時間點各監測區域的變形危險程度，實現系統化分析判斷基坑安全狀態的實時動態。

3.4 施工過程協同管理

由于基坑BIM模型中集成和整合了土方開挖、降排水、圍護結構、機械設備等工程對象不同專業的施工信息，因此，在基坑施工過程中，各專業施工單位及勘察、設計、項目管理等項目參與方根據自己所需的工程對象進行信息提取，并實時采集上傳自己所涉及的工程對象施工信息，通過以基坑BIM模型為核心的信息交流和共享平臺對基坑施工進行協調管理。同時，通過應用Revit軟件中Dynamo工具構建的基坑工程對象的空間拓撲關系，建立企業知識庫管理系統[17](包含施工規范、施工優秀案例、施工經驗等基坑工程信息的企業知識庫)與BIM模型的數據關聯通道，使各參與方人員可通過直接提取的工程對象施工信息來判斷分析基坑施工現場現狀，并實時與現行施工規范及成熟的施工知識經驗進行比對分析，識別基坑施工過程中的危險因素，及時采取協同控制措施，避免安全事故的發生。

3.5 信息化遠程管控

通過在BIM模型中建立的快速鏈接，使BIM模型與基于Web的企業項目管理系統建立聯系，應用企業項目管理系統與SQL數據庫的數據交互功能，調取項目工程數據庫信息，從而實現基坑施工對各監測項目的監測類型、監測點位置、實測數據、基坑監測報警值等相關信息的檢索與查詢和基坑施工信息的傳遞與共享等信息化管理。同時，應用BIM技術在Revit，Navisworks的接口和擴展功能，通過開發基于Web的企業項目管理系統，實現基坑施工信息與BIM模型的集成整合，并通過基坑施工信息的及時更新，使基坑施工管理人員通過互聯網可及時全面地按確定的信息傳遞方式和技術流程進行交換和共享基坑施工信息，進而實現對基坑工程施工的在線遠程管理。而且，在基坑施工現場安全巡視檢查與旁站的過程中，現場人員將存在安全隱患的部位拍照上傳，能準確及時地反映基坑施工現場情況，企業管理人員可根據掌握的施工現場實時安全狀況，及時采取措施進行處理，實現對基坑施工的動態遠程管控。

4 結語

1)本文提出的基于GA-BP神經網絡的基坑變形智能預測方法對深基坑施工變形預測可行有效，是深基坑信息化施工管理的有效工具，對類似深基坑工程具有一定的指導作用；同時，通過實例計算可知，GA-BP神經網絡比BP神經網絡具有收斂快、預測精度高、預測結果更準確等優勢；多因素預測模型比單一時間序列預測模型更能充分反映深基坑工程施工的時空效應，應用價值更為廣泛。

2)針對深基坑工程監測信息規模大且關系復雜等特點，本文闡述的基于BIM技術的深基坑施工控制方法，通過BIM技術對基坑施工監測信息進行有效組織、分析與表達，結合企業項目管理系統與BIM技術的融合集成，充分展現基坑BIM施工管理的應用價值，同時，通過深基坑BIM模型與基坑監測工程數據庫及企業知識庫的關聯互動，應用數據庫技術的強大支持，對構建實時智能監測→快速信息互動→仿真預控管理→可視化動態控制→施工協同管理→在線遠程管控的深基坑施工變形智能預測與BIM施工控制一體化方法體系、基于BIM技術的深基坑施工數字化、可視化、信息化協同管理，以及實現深基坑工程安全施工具有現實參考意義。