基于模糊神经网络技术的深基坑支护结构体系安全评估方法研究①

陈志海， 叶金铋

(1.广东省建筑设计研究院，广东 广州510010;2.重庆大学土木工程学院，重庆400045)

0 引言

伴随着高层和超高层建筑的迅速发展和城市地下空间的大规模开发利用，基坑工程发展迅速，开挖深度和开挖规模急剧增大，施工工艺和周边环境日益复杂，‘群坑效应’明显［1～2］.因此，基坑设计和施工的难度越来越大，不可避免的带来诸多基坑安全问题.深基坑的安全性包括两个方面，一是基坑自身的安全性，二是对开挖深度3～4倍范围建筑物等周边环境影响.可见，深基坑安全性影响因素众多，且相互作用，难以准确的单纯用一个指标表示出来［3］.文献［3］运用可拓学原理，通过对多个评价指标进行量化分析确定安全等级，建立了基于变形控制的深基坑工程安全评估模型.文献［4］采用模糊综合评判模型进行风险评估，确定基坑施工风险等级.对基坑的安全性进行综合评价的文献尚不多见，现有的安全性评价方法不能胜任对深基坑安全性的动态控制，也无法对整体安全性做出客观准确的评价.可见基坑的安全性评价至今尚未形成比较完善、科学且操作性强的评价方法.

因此，分析深基坑失稳的主导因素，建立评估指标模型;对深基坑的安全性进行等级划分，建立深基坑安全性定量评价方法是深基坑工程研究的关键问题.本文尝试在理论分析的基础上，建立深基坑安全状态的评估方法，对深基坑的安全性进行综合评价.

1 建立安全性评估模型

1.1 选取评估指标

影响深基坑安全性的参数繁多，比如岩土体本身性质如弹性模量、泊松比、内摩擦角、抗拉强度，支护参数如支护类型、桩直径、桩间距、桩长.此外，周围环境如地面沉降、建筑物及地下管线变位等也将对其产生影响.

为了合理地对深基坑的安全性进行评价，以深基坑工程设计过程中普遍采用的内力计算指标和变形计算指标作为各单因素评价指标.文献［2］在基坑风险评价中认为稳定计算指标包括抗倾覆稳定、抗隆起稳定、抗渗流稳定、抗承压水稳定计算;变形计算指标包括最大变形量△除以开挖深度H.

考虑工程自身特点，选取的内力指标包括坑底回弹、墙体弯矩和支撑轴力，变形计算指标包括墙体侧斜、立柱隆起与地表沉降.详见表1.

设基坑支护体系因素集为:

={坑底回弹，墙体侧斜，墙体弯矩，

支撑轴力，墙体竖向变位，地表沉降}

表1 基坑支护体系单因素安全评价指标

1.2 各因素评价指标的确定

依据基坑按照失事后果对环境造成的影响，将基坑支护体系安全等级划分为五级，见表2:

并定量给出深基坑安全性评价指标分级的标准，如表1所示.

表2 基坑安全等级划分

图1 模糊神经网络结构示意图

2 评价方法研究

2.1 模糊神经网络

模糊神经网络是一种可以用来处理模糊数据的网络结构.成功运用在多个领域的各种评估当中［5～9］.将模糊理论与人工神经网络技术结合起来应用于深基坑工程的安全性评价，可以发挥模糊理论和人工神经网络各自的优点，为深基坑安全性评价提供一个新的途径.

2.2 网络结构设计

根据基坑安全评价的过程，本文设计了多输入多输出的五层前向模糊神经网络结构.网络结构如图1所示.简单说明如下:

第1层是输入层，为模糊神经网络的输入变量.第2层是隶属函数层，隶属函数采用正态分布;

μ(xi)为神经元的输出，mij为隶属函数的中心，σi为方差，决定隶属函数的宽度.第3层为模糊运算层;第4层为量化输出层输出结果为模糊化数值;第5层是反模糊化层，输出向量y.

3 工程运用

3.1 工程概况与监测布置

某深基坑工程位于深厚软土地区，基坑开挖深度约为16.3m，采用明挖顺作法施工.土体力学参数值，经试验室测定取值范围为 E =2200 ～2400kPa，μ =0.34 ～0.38，c=18 ～21kPa，φ =19°～23°.地下水位埋深 1.0 ～1.8m，对基坑开挖影响较大.鉴于本工程工程地质和水文地质条件较差，工程实施过程中容易发生事故，对该车站的基坑工程进行精心设计，并进行监测.车站主体结构为四层三跨矩形框架结构，围护结构采用800 mm厚地下连续墙加钢管内支撑，墙深29米，埋入坑底以下13.7m.基坑竖向设 3道支撑，钢支撑采用Φ609 mm钢管，支撑水平间距约为3m，设计横撑力为780 kN.周边建筑主要是民用砌体结构的小型建筑，距离在10m之外.基坑安全等级为一级.监测点按照规范要求均匀布置于基坑各处.基坑土方开挖采用分层开挖，降低开挖风险.

3.2 网络训练

按上述网络结构，自动生成40组标准理论样本，30组用于训练，10组用于检验.对于样本输出则采用模糊综合评价法确定，各评估指标的权重由德尔菲法给出.其中，专家给出的各评估指标的权值向量为:ω =［0.077，0.190，0.224，0.177，0.140，0.192］.训练样本见表2，本文给出部分训练样本.标准BP算法在迭代计算过程中存在易陷入局部最小值和收敛速度慢的问题，为克服以上2个问题，采用加入动量的改进算法.神经网络模型训练目标偏差为10－2，网络学习速率为0.01.初始权值由系统自动赋值，经反复迭代直到收敛，网络训练完毕，训练好的网络回判结果见表4.运用该模糊神经网络模型，选取测试样本数据输入到网络中，得到评价结果，见表5.测试结果表明该训练好的神经网络预测效果良好，与模糊综合评价所得结果一致.

表3 典型训练样本

表4 训练样本模糊神经网络评价结果

表5 检测样本评价结果

3.3 实例运用

为保证基坑的安全，在施工中对基坑进行了动态监测，主要是前文所述的六项指标，监测数据详表6～9.限于篇幅以及便于观察仅列出具有代表性的监测值.

表6 部分监控点坑底隆起值

表7 部分监控点墙体最大弯矩值

表8 部分监控点竖向最大位移值

表9 部分监控点沉降最大值

将监测得到的数据的最大值输入到训练好的神经网络中，可以得到该深基坑的安全性评价结果.实际上，基坑各处几乎不可能同时达到最不利状态，也即评估指标很难出现同时达到最大值的情况，但为便于对整个基坑的安全性有一个整体评估，选取各个监测点的最大值，使得评价结果偏于安全.该深基坑网络输入为(1.23.50.60.91.8 2)，网络输出为(0.000.290.180.620.04)，根据最大隶属度原则确定该基坑的安全等级为IV级，安全性差，处报警状态，基坑支护体系安全隐患大，应采取补救措施.在工程实际建设过程中，在2011年9月21日时有降雨发生，在该深基坑沿长向中部墙体中部发生较大的位移，支撑轴力也变大，基坑底部土体明显隆起，显现出破坏的征兆.建设单位组织专家对该基坑的安全状况进行评估，认为该基坑应立即采取有效措施进行控制.根据模糊神经网络评价结果和专家的意见，施工单位及时采取有效措施控制基坑的变形，该基坑的安全隐患得到有效控制，工程未发生安全事故.

本文仅列举了具有代表性的5个训练样本和3个测试样本，但并不失一般性.训练好的网络测试结果表明该神经网络评价结果与模糊综合评价结果也即预测输出具有良好的一致性，可以用于基坑的安全性评价.

将训练好的网络运用于实际工程中，评价结果与实际情况相符，但此处取的均为各监测点的最大值，评价结果偏于安全，因为各点难以同时达到最不利情况，故在某些情况下评估结果可能偏于保守.

4 结论

(1)本文研究了深基坑安全评估的特点，在文献分析及实际工程调研的基础上，认为影响深基坑安全性的主要影响因素为侧压力、墙体倾斜、墙体弯矩、支撑轴力、立柱隆起以及地表沉降;将基坑的安全性等级划分为5级，根据不同的安全等级拟定不同的防治措施;对评估指标安全等级进行量化处理，建立评估指标和安全等级的对应关系.

(2)论证模糊神经网络用于深基坑安全性评估的可行性，在此基础上建立安全性评价模糊神经网络模型.

(3)利用样本数据对网络进行学习训练和测试，并用于工程实例.结果显示，该评价方法的精度能满足工程应用要求，为深基坑施工安全评价提供一种新的可靠途径.

［1］周红波.基于贝叶斯网络的深基坑风险模糊综合评估方法［J］.上海交通大学学报，2009，43(9):1473 －1478.

［2］陈晓勇，高广运，李伟.深基坑支护结构的风险分析［J］.地下空间与工程学报，2009，5(增刊2):1794 －1798.

［3］郭智杰，陆上云，边亦海.可拓学理论在深基坑安全评估中的应用研究［J］.地下空间与工程学报，2006，2(5):851 －856.

［4］何锡兴，周红波，姚浩.上海某深基坑工程风险识别与模糊评估［J］.岩土工程学报，2006，28(增刊):1912 －1916.

［5］Li Zhenquan，Kecman V，Ichikawa A.Fuzzified Neural Network Based on Fuzzy Number Operation［J］.Fuzzy Sets and Systems，2002，130(3):291 －304.

［6］刘沐宇，袁卫国.基于模糊神经网络的大跨度钢管混凝土拱桥安全性评价方法研究［J］.中国公路学报，2004，17(4):55－58.

［7］袁卫国.基于静力试验的大跨钢管拱桥承载力的模糊神经网络评价［J］.2006，31(3):122 －124.

［8］李天斌，孟陆波，朱劲等.隧道超前地质预报综合分析方法［J］.岩石力学与工程学报，2009，28(12):2429 －2436.

［9］赵冬梅，刘金星，马建峰.基于模糊小波神经网络的信息安全风险评估［J］.华中科技大学学报(自然科学版)，2009，37(11):43－49.

［10］Wu Yankai，Sang Xiansong，Niu Bin.Freeway Slope Stability E-valuation Based on Multi－ Level Fuzzy Neural Network［J］.Advanced Materials Research，2012，430:1700 －1703.