临近基坑的建筑物沉降预报

王怡慎 张尚根

在城市建设和地下空间开发中,大型深基坑工程越来越多,基坑的开挖将引起周围地层的变形,对临近基坑建筑物的安全必然产生一定程度的影响,由此引起的环境土工公害问题也十分突出,因此需要对基坑周边建筑物沉降等进行观测[1]。常用的预测方法主要有回归分析、灰色预测[2]、时间序列分析[3]等,但这些方法本质上都是用某一确定的模型来表达变量间的关系,存在一定的缺陷。研究表明[1],神经网络是解决变形预测最有效方法之一。

1 BP神经网络

神经网络领域已经有60余年的历史了,但实际的应用却是在最近的30年里。作为一种新的方法体系,由于神经网络具有大规模并行、分布式存储和处理、非线性映射、自组织、自适应、自学习能力和鲁棒容错等特性,特别适合处理需要同时考虑许多因素或条件不精确和模糊的信息处理问题,这使得它在许多方面都有着广泛的应用。实践表明,多层前向BP神经网络是目前应用最广泛的一种神经网络模型。其基本结构如图1所示,一般由三层组成,即1个输入层、1个隐含层和1个输出层。BP神经网络的算法见文献[1]。

2 工程实例计算

2.1 工程概况

苏州新景天商务地产发展有限公司拟建的苏州高新国际商务广场位于苏州高新区。该工程主体建筑设3层地下室,采用框架—剪力墙结构。本工程的基坑工程分为A区,C区及B区。根据勘察结果,勘察深度覆盖层主要为长江冲击形成的黏性土和砂性土,层次较多,呈交错沉积或互层状。勘察深度内的土层可分为16个大层,24个亚层,包括素填土、黏土、粉质黏土、粉细砂等。B区持力层为④2粉细砂(Ql4滨海—河口相):灰色,饱和,密实为主。主要成分为长石及石英,次之云母碎屑。顶板标高-9.22～-7.58,厚度5.3 m～8.6 m。系低压缩性,中高度土层,工程性能良好。该层土承载力特征值220 kPa,预制桩极限侧阻力标准值80 kPa,钻孔灌注桩极限侧阻力标准值70 kPa,抗拔系数0.5。自然地坪标高-0.600,A区,C区基坑平面形状为不规则八边形,开挖深度在-15.200～-22.400之间,开挖面积约为7 100 m2,支护体系采用灌注桩+钢筋混凝土内支撑结构体系,水泥土深搅拌桩作为止水帷幕;B区呈矩形区,开挖深度为-14.100,开挖面积约为4 500 m2,支护体系采用地下连续墙+钢筋混凝土内支撑结构体系(北侧为灌注桩+钢筋混凝土内支撑结构体系),水泥土深搅拌桩作为止水帷幕。

基坑西侧与金狮大厦群房最近处约3 m,该大厦群房有一层地下室,独立基础,埋深-4.650,与B区地下室埋深相差约10 m。本文利用深基坑变形预报的人工神经网络模型对基坑西侧的金狮大厦群房沉降进行预测,并对结果进行了分析。

2.2 预测方法

在基坑施工过程中,为预测下步某一时间段内建筑物沉降,可用前几次相应测点的变形监测数据为原始输入,将以后几次该相应点的各预测值视为输出,在时间推进到下一日以后,将该日的实际监测值滚入作为新的输入,而置换掉最前一日的监测值,以不断更换输入数据而进行下一时间预测数据。

2.3 样本的训练、检验与预测

首先选择地质条件、开挖深度与该基坑工程类似的建筑物沉降数据对网络进行训练,达到精度要求后,再对基坑西侧的金狮大厦群房沉降监测数据分析研究,总共选择20组数据,其中,前15组用来训练网络,后5组用于检验网络,训练样本采用前3次的数据作为输入,第4次的数据作为输出,以此类推,不断对网络进行训练。样本数要考虑到土方开挖及支撑施工周期,并用前两次和当次的数据作为预测初始数据,预测第2次及以后的建筑物沉降,预测步长为6 d。

2.4 预测结果

本文基于MATLAB 6.5这一平台,编制了神经网络的多步预测程序。BP模型网络由输入层、隐含层、输出层组成,其中输入层包含3个神经元,分别表示前3次的输入向量,输出层包含 1个神经元,表示第4天的预测值。建筑物沉降预测值与实测值比较见表1。预测值与实测值吻合较好,能满足工程应用要求。

3 结语

1)在深基坑开挖中,应用BP神经网络方法预测建筑物沉降具有较高的精度,在工程实践中有较好的实用性;

2)由于建筑物沉降受到工况的影响较大,尤其是基坑支撑拆除前后建筑物沉降改变量较大,因此,在学习样本中,至少应包含1个以上的工况。

[1] 袁金荣.地下工程施工变形的智能预测与控制[D].上海:同济大学,2001.

[2] 廖野澜.监测位移的灰色预报[J].岩石力学与工程学报,1996,15(3):269-274.

[3] 张玉祥.岩土工程时间序列预报问题初探[J].岩石力学与工程学报,1998,17(5):552-558.

[4] 楼顺天.基于MATLAB的系统分析与设计——神经网络[M].西安:西安电子科技大学出版社,1998.