深基坑施工变形神经网络预测分析

陈炳志 白 云

(1.山东科技大学审计处，山东 泰安 271019； 2.山东科技大学土木建筑学院，山东 青岛 266510)

深基坑施工变形神经网络预测分析

陈炳志1白 云2

(1.山东科技大学审计处，山东 泰安 271019； 2.山东科技大学土木建筑学院，山东 青岛 266510)

简述了深基坑监测的目的与基本要求，通过分析深基坑工程施工变形神经网络预测的原理和特征，建立变形预测模型，并应用工程实例分析，为深基坑的安全开挖提供参考借鉴。

深基坑，变形，预测模型，神经网络

随着大规模的城市建设，高层建筑层出不穷，建筑物基坑开挖的深度与规模也不断增大，由开挖导致的基坑变形对周边建筑物与管线等造成的破坏也屡屡发生，严重时甚至会使邻近建筑倾斜、倒塌，带来巨大的经济损失甚至人员伤亡。监测模型的建立是深基坑施工变形监测的核心，是基坑安全开挖的重要保证。本文系统介绍了深基坑施工变形神经网络预测分析的方法，结合工程实例介绍了其应用手段，对确保深基坑的安全开挖具有重要指导意义。

1 深基坑监测

1.1 深基坑监测的目的

深基坑监测的主要目的，一是随时了解基坑在开挖时的受力状态和变形情况，指导现场施工，保证基坑的安全开挖和支护；二是确保基坑邻近建筑物的安全；三是用于反演分析，积累工程经验，完善计算公式，进一步提升设计的合理性。

1.2 深基坑监测的基本要求

深基坑的开挖监测一定要有计划地进行，并且要根据开挖现场出现的各类情形随时不断修正和完善，保证监测的准确性，通常来说应满足以下几点要求：1)监测数据准确可靠，体现原始性和真实性；2)尽量减小支护过程中使用的预埋构件对监测的影响；3)各项监测数据之间应进行相互检验，确保准确性和全面性；4)监测完成后及时撰写监测报告。

2 深基坑施工变形神经网络预测分析

2.1 BP神经网络基本原理

BP(Back Propagation)网络由Rumelhart和McCelland于1986年首次提出，是通过误差逆传播计算方法进行训练的多层前馈网络，是当前世界上使用最多的神经网络模型之一。

2.2 神经网络的基本特征

神经元是组成人工网络最基本的构件，多种神经元相互合作，便构成信息处理网络系统。人工网络神经图的特征主要有以下几点：

1)每个节点都有相应的状态变量xi；2)在节点i和节点j之间具有特定连接权系数wji；3)每个节点对应一个阈值；4)每个节点存在一个变换函数fj(xi,wji,θj),i≠j。

2.3 BP神经网络算法

BP神经网络算法可归结为两个方面：信号的向前传播以及误差的反向传播。即实际输出的计算方向为由输入到输出，权值及阈值的修正方向则反之，如图1所示。

1)信号的向前传播过程。

隐含层第i个节点的输入neti：

(1)

隐含层第i个节点的输出yi：

(2)

输出层第k个节点的输入netk：

(3)

输出层第k个节点的输出ok：

(4)

2)误差的反向传播过程。

误差的反向传播是指先从输出层的神经元开始，计算每一层的输出误差，最后利用梯度下降法调整每一层具有的权值和阈值，使网络输出值在修改后更加接近期望值。

单个样本P的二次型误差准则函数为Ep：

(5)

系统对P个训练样本的总误差准则函数为：

(6)

根据误差梯度下降法依次修正输出层权值的修正量Δwki、输出层阈值的修正量Δak、隐含层权值的修正量Δwij、隐含层阈值的修正量Δθi。

(7)

输出层权值调整公式：

(8)

输出层阈值调整公式：

(9)

隐含层权值调整公式：

(10)

隐含层阈值调整公式：

(11)

又因为：

(12)

(13)

(14)

(15)

(16)

整理得：

(17)

(18)

(19)

(20)

上述算法过程见图2。

2.4 BP神经网络在深基坑施工变形预测中的应用

目前，在深基坑变形监测中应用到的神经网络方法主要有以下两种：

1)参考相似的深基坑展开预测工作：根据本工程的相关地质条件、环境、设计资料，找寻相似工程条件的模板，以此为基础确定神经网络预测模型，选择合适的网络模拟方法进行预测。2)依靠监测所得数据进行预测：深基坑的变化情况受外部因素影响很大，神经网络时间序列模型可在实际监测数据的基础上建立，准确预测基坑变形的长时间发展状况。

BP神经网络的时间序列变形预测基本流程为：

1)变形监测：确立监测方法，测量监测目标随时间的变化情况；2)建立神经网络：神经网络的输入节点数为测点数m乘以每个测点所具有的监测数目n-1，即m×(n-1)；3)训练网络：将每个测点的前(n-1)个值作为输入值，第n个测值为目标值训练网络，如图3所示。

3 工程实例

滕州九州清晏小区地下人防工程处于府前中路北部，东临善国中路，向北15 m是小区的地下车库基坑。该工程地下开挖深度为7.70 m～11.60 m，呈多边形，基坑周长约730 m，面积22 000 m2。基坑支护方式为：上方4 m范围采用土钉加固，下方7 m范围利用桩锚支护，高压旋喷混凝土墙作为止水帷幕，基坑的安全等级为一级。

表1 水平位移测点数据

表2 沉降位移测点数据

表3 训练样本

3.1 支护方案

该地区基坑开挖深度最大处可达11.6 m，浅部位置达7.7 m，基坑的南部、东部和北部使用4.0 m的土钉支护，下方桩锚加固，基坑周边的止水帷幕使用高压旋喷注浆而成。西部位置修建临时公路，地面以下1.2 m使用桩锚支护，上部1.2 m处的支护结构采用砌筑砖墙。支护方案如图4所示。

3.2 监测方法

以SP8处的测点监测数据为样本输入值，建立变形预测神经网络时间序列模型，得出的监测数据如表1和表2所示，测点的水平和垂直位移变形如图5和图6所示。

以监测水平位移和土体强度参数(内摩擦力、容重、内摩擦角)、降水深度、开挖深度为输入变量建立训练样本，如表3所示。

训练结果及误差百分比如表4所示。

表4 训练结果与误差

4 结语

1)BP神经网络预测分析需要大量的监测数据和工作量，对于基坑变形的长期预测准确性较高。2)网络的学习预报是神经网络进行变形预测的核心，训练次数越多，预报的精度越高，工作效率则越低。3)BP神经网络具有很强的容错性和泛化能力，可实现深基坑后期开挖变形的非线性预测。

[1] 柳建国,程良奎.北京地区基坑支护技术的发展与工程实践[J].岩土力学,2009,30(4):1013-1017.

[2] 杨光华.深基坑支护结构的实用计算方法及其应用[J].岩土力学,2004,25(12)：1885-1896.

[3] 周瑞忠,罗词兵.Sigmoid函数在神经网络、热传导和土压力计算中的应用[J].福州大学学报,2001,29(3):79-83.

[4] 肖桂元,刘立龙.动态模糊神经网络在变形预测中的应用[J].桂林理工大学学报,2011,31(3):395-398.

[5] 贾 备,邬 亮.基于灰色BP神经网络组合模型的基坑变形预测研究[J].隧道建设,2009,29(3):280-284.

[6] 李水兵,李培现.基于BP神经网络的深基坑变形预测[J].测绘信息与工程,2011,36(5):41- 43.

[7] 陈炳志.深基坑施工变形预测与稳定性控制研究[D].青岛：山东科技大学，2012.

[8] 赵海燕.基于幂函数形式的基坑变形预测[J].同济大学学报，2003,31(8):899-901.

The analysis of construction deformation neural network prediction of deep foundation

Chen Bingzhi1Bai Yun2

(1.AuditOfficeofShandongUniversityofScienceandTechnology,Tai’an271019,China;2.CollegeofCivilEngineeringandArchitecture,SUST,Qingdao266510,China)

The objective and basic requirements of the monitoring of deep foundation pit is described. Analysis of deep excavation deformation theory and neural network forecasting features and the establishment of deformation prediction model applied to the actual project, gives reference for the safety excavation of deep foundation pit.

deep foundation pit, deformation, prediction model, neural network

2014-12-17

陈炳志(1973- )，男，博士，工程师

1009-6825(2015)06-0076-03

TU463

A