基于RBF神经网络的深基坑支护桩顶水平位移预测研究

肖远航,李 凡,刘 飞,朱志航,张 恒,谢 嘉

(吉林建筑大学 测绘与勘查工程学院,吉林 长春 130118)

1 引言

云南省昆明市某高层建筑群基坑开挖深度19.7m,局部开挖达22m,是安全等级为一级的深基坑。该基坑周边环境复杂,距离街道最近处仅2.2m,四周紧邻建、构筑物。此外,东侧街道地下管网密布,需要重点保护。该工程场地地貌上处于昆明断陷盆地中部,盘龙江西侧的I级阶地上,经人工回填,地形平坦。地下水为潜水,主要受大气降雨及地表径流补给[1、2]。由于本工程开挖深度大,周边环境非常复杂,故本基坑工程的信息化施工致关重要。在本基坑施工的过程中,必须对基坑支护结构、基坑周围的土体和相应的构筑物进行综合、系统的监测,及时反馈监测数据,以监测数据指导开挖支护施工,根据监测数据及时地优化调整支护方案、施工程序[3、4]。近年来蓬勃发展的神经网络理论已经在解决非线性问题中得到了广泛应用,RBF神经网络有很强的非线性拟合能力,可映射任意复杂的非线性关系,而且学习规则简单,便于计算机实现。具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力,因此有很大的应用市场[5～9]。鉴于此,本文开展利用RBF神经网络昆明市某深基坑支护桩顶水平位移预测的研究。

2 利用RBF神经网络进行桩顶水平位移预测

1988年,Broomhead和Lowe首先将多变量插值的径向基(Radial-Basis Function, RBF)函数应用于神经网络设计。该网络主要由三层即输入层、隐含层和输出层构成。其中,输入层由信号源节点或影响因变量期望值的参数组成。隐含层是将输入层中低维空间信号转换到高维空间,具体变换方法视具体问题而定。输出层是待解决问题的解,由隐单元输出的线性加权确定。

图1 RBF网络拓扑图

鉴于高斯函数具有光滑性好、形式简单、复杂度低、便于解析以及理论分析等优点,一般RBF网络多采用高斯函数作为“基函数”。此外,RBF神经网络训练速度快,易于取得全局最优的逼近结果,在非线性时间序列预测中得到了广泛的应用。

3 桩顶水平位移预测结果分析

基坑某监测点桩顶水平位移监测数据如表1所示。将表1中每一时刻位移值作为网络的输出,而将该时刻之前的5个位移值作为网络的输入,在Matlab平台中利用其工具函数建立上述RBF神经网络模型。

表1 某监测点桩顶水平位移监测结果

图2 桩顶水平位移预测结果分析

本文共建立54个样本,从中随机选择44个样本作为训练样本用于网络学习,剩余的10个样本作为预测样本以检验建立RBF网络模型的预测精度。预测样本的输出值与实际监测值绘制于图2中。

根据图2不难看出,利用RBF神经网络模型对基坑支护桩顶水平位移进行预测的结果精度较高,比较接近实际监测值。但是,由于桩顶水平位移与时间呈高度的非线性相关关系,应用建立的模型对未来一段时期内的水平位移量进行预测时,效果较差,可能是由于预测误差不断累加的结果[8],需进行进一步深入研究。

4 结论

昆明市某高层建筑深基坑开挖深度大,与既有建筑街道距离近,对基坑支护的要求高,研究支护桩顶水平位移显得非常重要。本文利用RBF神经网络方法进行基坑支护桩顶水平位移的预测。利用其全局逼近性、泛化能力强、分类性能好和学习过程收敛速度快等显著优势,以某一时间前期位移数据作为网络输入,该时间位移值为网络输出的方式构造样本,建立桩顶水平位移预测模型,实际预测结果准确性高,该方法切实可行。