建筑物基坑支護變形GA-BP神經網絡預警檢測研究

余凱

摘 要： 介紹了BP神經網絡和遺傳算法，確定了優化后的GA-BP神經網絡組合變形預測流程；利用GA-BP神經網絡來反演土體力學參數中的粘聚力，預測下一階段基坑的變形特點，并采用PLAXIS軟件對基坑進行模擬，分析了土體粘聚力、內摩擦角和灌注樁樁徑等因素對建筑物基坑穩定性的影響，以期提升實際工程中基坑支護效果。

關鍵詞： 基坑支護；GA-BP神經網絡；預警檢測；粘聚力；數值模擬

中圖分類號： TP311.5;TQ015.9

文獻標志碼： A ?文章編號： 1001-5922（2023）08-0158-04

Study on GA-BP neural network early warning and detection of

foundation pit supporting deformation of buildings

YU Kai

（Fujian Geotechnical Engineering Investigation and Research Institute Co.，Ltd.，Fuzhou 350013，China）

Abstract： Firstly，BP neural network and genetic algorithm are briefly introduced in this paper，and the optimized GA-BP neural network combined deformation prediction process is determined.Then，GA-BP neural network is used to invert the cohesion of soil mechanical parameters and predict the deformation characteristics of foundation pit in the next stage.The results show that the deformation detection of foundation pit supporting structure is more accurate.PLAXIS software is used to simulate the foundation pit and analyze the influence of soil cohesion，internal friction Angle and pile diameter on the stability of foundation pit，so as to improve the effect of foundation pit support in practical engineering.

Key words： ?foundation pit support; GA-BP neural network; early warning detection; cohesion; numerical simulation

城市建設規模的急速擴大，提升了人們生活質量的同時，也帶來了更多的深基坑工程事故，如地表沉降、周邊建筑損害甚至倒塌等，給人們的生命安全和財產安全造成了難以預估的不良影響。因此，非常有必要對基坑的各項數據進行動態監測，以預測基坑下一刻的變形情況[1-2]。BP神經網絡的應用非常廣泛，可用于基坑水平位移和垂直沉降的短期預測，但其在建筑物基坑支護中的發展依舊緩慢，這不僅與基坑支護不可控因素多、專業分工明確等因素有關，該算法本身也存在一定的不足。利用遺傳算法（GA）與BP神經網絡有機結合，發揮兩種算法各自優勢，構建基于GA-BP神經網絡的基坑支護變形檢測模型，對基坑外地表和基坑頂部結構的變形進行預測。并采用數值模擬軟件對影響基坑土體穩定性的因素進行分析[3]。

1 基于遺傳算法的GA-BP神經網絡

BP神經網絡是一種按照誤差反向傳播訓練的多層前饋神經網絡。經典的BP神經網絡包括輸入層、 隱含層和輸出層，輸入信號通過非線性變換產生輸出信號，若該值與期望值不相符，則計算出誤差并進行誤差的反向傳播。將誤差通過隱含層反傳到輸入層，分攤給神經網絡各個單元，各層依據誤差信號進行權值調整，經過反復的學習訓練，直到誤差滿足精度要求[4]。但BP神經網絡存在網絡參數過多、樣本要求高、容易陷入局部最小值以及初始權值隨機給定等問題。對此采用遺傳算法（GA）對其進行優化，遺傳算法是一種模擬自然界遺傳與進化機制的全局優化算法，其基本運算過程如下：將算法的輸入數據看作初始種群，計算種群中個體的適應度， 將選擇算子、交叉算子以及變異算子作用于種群，經這些運算得到下一代種群，當達到最大進化代數后終止運算，將具有最大適應度的個體輸出[5]。GA-BP神經網絡的基本原理就是采用該最優個體優化BP網絡的初始權值和閾值，使得最終預測結果更加接近其實測值。GA-BP神經網絡組合變形預測流程如圖1所示[6]。

其中，遺傳算法中的交叉操作公式和變異操作公式分別按照式（1）和式（2）進行：

a′ kj=a kj（1-b）+a ljb

a′ lj=a lj（1-b）+a kjb ?[JZ）] （1）

a′ ij= a ij+（a ?max- a ij）·f（g），r≥0.5

a ij+（a ij-a ?min ）·f（g），r<0.5 ???（2）

式中： b和r是取自0～1的隨機數字；a ?max、 a ?min分別是種群范圍的上屆和下屆； f（g）為變異系數；g為迭代次數。

2 基坑支護變形預警檢測及其粘聚力反演

2.1 建筑物基坑預警檢測目的

不同的基坑支護方法對建筑物周邊環境存在不同程度的影響，尤其是基坑開挖深度較深時，應高度重視基坑支護施工過程和建筑物周邊環境。應用基坑支護變形預警檢測機制，可及時、精確地反映基坑支護布局和周邊環境的安全狀況，同時也能夠實現對支護方案的優化、施工參數的調節，降低基坑支護結構變形幾率；該機制的應用能夠對施工引起的地表變形進行預測，通過對基坑監測數據的采集和分析，了解時間上和空間上土體力學響應規律，給出地表變形趨勢，以提前做好合理有效的保護措施；按照目前的建筑物施工規范和要求，對基坑支護方案進行嚴格控制，總結建筑物基坑支護經驗，提升施工質量和水平。

2.2 基坑土體粘聚力智能反分析

利用MATLAB軟件隨機取值20組粘聚力數值，并將20組樣本分別輸入到FLAC 3D模型中，得到支護樁在0、-4、-8、-12、-16、-20、-24、-28、-32、-36 處樁體深層的水平位移值。利用GA-BP神經網絡進行訓練。輸入到BP神經網絡中，經過1 088步訓練后，網絡達到設定好的精度要求，說明網格已經訓練結束。經過驗算和測試，發現目標樣本與訓練結果吻合較好，證明網絡可以用來反演土體粘聚力。將現場第一層開挖后樁測點的監測數據輸入到上節訓練好的網格中，即可得到反演出的等效粘聚力值，如表1所示。

將上述土體的粘聚力數值代入模型之中，即可得到第一層樁體的水平位移值，并將其結果與現場實測數據進行對比，對比結果如圖2所示。

由圖2可見，反分析值的變化趨勢與實測值變化趨勢非常相近，土體粘聚力智能反分析能夠有效預測不同開挖深度下基坑的變形情況。

2.3 ?GA-BP神經網絡的建立

BP神經網絡的構建中通常只設置一個隱含層，隱含層節點數一般通過經驗公式和多次試驗來確定，經驗公式的表達方式：

m= （l+n） +a ?（3）

式中： l、m、n 分別表示神經網絡輸入層、隱含層和輸出層的神經元個數；a一般是1～10的整數。基于時序的GA-BP神經網絡構建建筑物基坑支護變形預警檢測模型，確定神經網絡輸入層有6個神經元，輸出層有1個神經元，并將隱含層節點個數設置為8。該神經網絡的訓練規則為：第1組，取基坑監測的前6個數據作為神經網絡的輸入值，第7個監測數據作為輸出值，進行神經網絡訓練；第2組，取第2個數據到第7個數據作為輸入值，第8個數據作為輸出值進行訓練。依次類推，確定神經網絡每組基坑監測數據的訓練規則。神經網絡中的諸多參數，通常根據經驗進行設置，遺傳算法中的種群規模取值區間為[10，100]，進化代數取值區間為[100，500]。BP神經網絡中的誤差容限取值區間為[0.0001，0.0001][7-8]。本文根據取值經驗和試算，確定了GA-BP神經網絡的主要參數，如表2所示。

2.4 基坑支護變形檢測結果

在前期基坑支護結構設計環節，可將不同的錨樁參數導入ABAQUS進行有限元分析，以減少后期工作量，優化錨樁支護結構的設計，為基坑支護結構變形的預測試驗提供便利。選擇一組基坑變形數據作為GA-BP神經網絡的數據源，其中錨桿錨固長度為24 m，錨桿安置傾角為30°，豎向支護結構嵌固深度為5 m。

2.4.1 基坑外地表變形檢測

取距離基坑約7.5 m遠的地表處某一點的水平位移數據和沉降數據各97個，依據神經網絡數據訓練規則，將其組成91組的數據，其中75組作為訓練數據，16組作為試驗數據驗證GA-BP神經網絡的預測精確度。神經網絡的基坑變形預測結果和實際監測結果之間的誤差計算公式為：

E=|（y t-y 0）/y 0| ×100%?（4）

式中： y t為神經網絡的預測結果；y t 是實際的監測數據。以基坑外地表沉降變形預測為例，GA-BP神經網絡、BP神經網絡的運算結果與實際監測結果的對比如圖3所示。

由圖3可見，相比于單一的BP神經網絡，GA-BP神經網絡對基坑外地表沉降變形的預測結果更加貼近數值模擬結果，與實際監測數據之間的誤差較小，能夠較好實現對建筑物基坑外地表沉降變形的預測。GA-BP神經網絡的相對誤差在0.26%左右，而單一BP神經網絡的誤差在1.17%左右，雖然BP神經網絡也能夠反映出基坑沉降趨勢，但其存在明顯誤差。同樣，在基坑外地表側移的預測中，GA-BP神經網絡更加穩定，預測誤差更小[9-10]。

2.4.2 支護結構頂部變形檢測

以相同方式取對稱面處冠梁頂水平位移數據和豎向沉降數據進行分組訓練與預測，結果顯示：2種神經網絡均能夠較好預測支護結構頂部的水平位移，從2個網絡的相對誤差的對比中可見，GA-BP神經網絡的預測精準度更高；在基坑支護結構垂直沉降變形的預測中，GA-BP神經網絡的預測結果與實際監測值更加貼近，平均相對誤差在0.63%左右，而單一BP神經網絡預測值偏大，平均相對誤差在2.52%左右，2種神經網絡的預測誤差對比如圖4所示[11-12]。

3 基坑穩定性影響因素分析與數值模擬

建筑物的基坑支護工程中，基坑周圍土體抗剪強度、灌注樁樁徑以及錨桿角度等參數均會對基坑的穩定性造成一定影響，對此采用PLAXIS軟件對某建筑工程基坑進行模擬[13-15]。

3.1 基坑土體模型構建

該基坑土體的模型長50 m、寬30 m、深40 m，其中基坑內側長20 m，地下連續墻體厚度為0.57 m、高17.85 m，在深度為3.5 m和7.5 m處設置兩道水平間距為1.4 m的錨桿，錨桿安置傾角為25°。采用莫爾-庫倫模型，輸入基坑土體粘聚力、彈性模量、泊松比等參數，對基坑穩定性影響因素進行分析[16]。

3.2 基坑穩定性影響因素分析

3.2.1 土體抗剪強度的影響

粘聚力和內摩擦角是決定基坑土體抗剪強度的主要參數。對此在有限元分析軟件中將粘聚力分別增加0、20%、40%、60%，設定內摩擦角分別為10°、20°、30°、40°，進行基坑開挖過程的模擬，得到土體抗剪強度對基坑圍護結構變形的影響。以粘聚力為例，其對圍護結構最大水平位移的影響如圖5所示。

由圖5可見，隨著粘聚力的增加，圍護結構的最大水平位移不斷降低，基坑支護結構更加穩定。粘聚力增量為20%時，基坑土體的穩定效果最明顯。因此，在實際的建筑物基坑支護工程中，可綜合考慮成本和施工條件，將土體的粘聚力增加20%，以降低基坑土體形變，改善土體粘聚力以優化基坑支護效果。另外，在內摩擦角對圍護結構最大水平位移的影響中，內摩擦角增大，圍護結構的位移也呈單調減小趨勢，充分體現出土體抗剪強度對基坑穩定性影響作用[17-19]。

3.2.2 灌注樁樁徑的影響

在數值模擬軟件中改變灌注樁樁徑，在不同的樁徑下獲取圍護結構最大水平位移值。樁徑從600 mm增到1 200 mm的過程中，圍護結構的最大水平位移不斷減小，在增到800 mm時，變化最大。樁徑增大的同時其自身剛度也提升了，但樁徑對基坑土體形變的降低作用不很明顯，不能單一的通過增加樁徑來保障基坑結構的穩定性，不僅成本較高，且得不到理想的支護效果[20]。另外，錨桿角度設定在10°～25°，圍護結構的最大水平位移值增加較為緩慢，此時的基坑土體穩定性較好。

4 結語

構建GA-BP神經網絡模型進行建筑物基坑土體變形、支護結構變形的預測，相比于單一BP神經網絡，GA-BP神經網絡的預測精度更高、誤差更小，在實際的建筑物基坑支護結構變形預測中有著較高的可用性。并通過PLAXIS軟件模擬，分析各因素對基坑穩定性的影響，土體粘聚力增加20%時，基坑支護結構穩定性改善更加明顯。

【參考文獻】

［1］ ?張國朋.深基坑變形預測方法與安全評價研究[D].張家口：河北建筑工程學院，2022.

[2] 周海峰，李海文.高層建筑基坑工程變形監測探討[J].綠色環保建材，2021（7）：151-152.

[3] 趙平.深基坑開挖影響的有限元模擬與監測[J].安慶師范大學學報（自然科學版），2022，28（4）：24-28.

[4] 孫雪，張琳.BP神經網絡在基坑變形預測中的應用及改進[J].勘察科學技術，2017（1）：47-51.

[5] 曾佳亮.基于遺傳優化設計的復雜工況下基坑支護應用研究[J].中國高新科技，2018（4）：40-43.

[6] 易黃智，高飛.基于GA-BP神經網絡的地鐵變形預測模型[J].合肥工業大學學報（自然科學版），2021，44（11）：1513-1517.

[7] 劉錦，李峰輝，劉秀秀.優化GA-BP神經網絡模型及基坑變形預測[J].隧道建設（中英文），2021，41（10）：1733-1739.

[8] 黃亞寧，陳浩沖，宋肖冰.GA-BP神經網絡在深基坑變形預測中的應用[J].工程建設，2017，49（10）：31-34.

[9] 李篷，王紅梅，王若鋒，等.基于優化的BP神經網絡算法的深基坑沉降預測[J].經緯天地，2020（3）：101-104.

[10] ?徐磊.基坑開挖過程中坑外地表沉降規律數值模擬[J].居舍，2019（19）：191.

[11] 李鑫蕾.砂卵石地質深基坑的支護結構優化和變形規律研究[D].蘭州：蘭州理工大學，2019.

[12] 楊軼涵.基于BIM技術和神經網絡的深基坑樁錨支護結構變形預測研究[D].廣州：華南理工大學，2020.

[13] 周毅.PLAXIS與理正軟件在基坑工程實例中應用的對比[J].土工基礎，2021，35（3）：254-256.

[14] 張寬，莊順建.基于PLAXIS2D的棗陽某深基坑支護工程數值分析[J].工程建設與設計，2021（6）：30-31.

[15] 常秋影.淺談Plaxis有限元軟件在基坑支護設計中的應用[J].建材與裝飾，2017（48）：76-77.

[16] 楊勁，許鵬，李超.基于有限元分析的建筑基坑施工過程數值模擬分析[J].安裝，2022（6）：78-80.

[17] 陳星.深基坑支護設計、數值模擬與監測分析[D].邯鄲：河北工程大學，2021.

[18] 熊大寧.基于分層開挖的深基坑土體粘聚力智能反分析[J].住宅與房地產，2017（17）：139.

[19] 方紹燕.粘聚力和內摩擦角與邊坡穩定系數的指數關系[D].北京：中國地質大學（北京），2018.

[20] 王易得.基坑支護的沖孔灌注樁施工技術[J].建筑技術開發，2022，49（18）：163-165.