复杂环境下基坑支护方案优化及位移预测研究*

欧长红，姜早龙，陈大川，高 昕

(1.湖南东方红建设集团有限公司，湖南 长沙 410000；2.湖南大学土木工程学院，湖南 长沙 410082；3.湖南湖大建设监理有限公司，湖南 长沙 410082)

0 引言

近年来，随着我国经济布局的优化调整与区域协调发展战略的深入实施，城市土地资源日渐紧张，越来越多的基坑工程修建在环境敏感、建筑密集、地质多变的城区繁华地段[1-2]。同时，复杂环境的基坑工程面临土层软弱、地下水位高及周边管线复杂等不利情况[3]。因此，如何在上述复杂条件下科学合理地开展基坑支护方案优化，直接关系到基坑支护结构及其周边建筑物安全[4]。

基坑的工程性状会随着环境复杂程度呈现出较大随机性与不确定性，对基坑支护结构设计、优化及位移预测等工作提出较大挑战。目前，已有许多学者对此进行了较为深入的理论分析与实践探索。丁烈云等以武汉地铁2号线循礼门车站深基坑项目为例，运用有限元软件FLAC3D模拟分析了该项目施工对周围轻轨桥梁安全性的影响，并基于仿真结果，提出了复杂环境下基坑安全控制标准[5]。Jan等通过建立人工神经网络模型，综合考虑多种因素影响后，对地下连续墙的挠度变化和地表沉降进行了精确预测[6]。张志强等以某老城区改造过程中遇到的复杂基坑工程为例，综合分析了复合支护结构使用要求和经济效益[7]。宫鹤等以某紧邻高边坡的深基坑为例，综合运用微型桩加固、桩锚组合支护及混凝土回填等措施，有效降低了边坡变形速率，并通过收集监测数据较好地预测了基坑位移的变化趋势[8]。张萌萌利用深基坑计算软件对上海某环境复杂的深基坑工程进行计算分析，得到了基坑变形随支护桩嵌入比、嵌入直径等因素变化的规律[9]。崔凯等以电子科技大厦深基坑为例，针对周边环境较复杂的工程现状，联合运用多种支护结构形式，不仅解决了施工难题，也有效控制了地下水位[10]。

结合上述研究成果可知，目前关于复杂环境下基坑支护的优化研究更多地聚焦于施工前设计方案的计算、优化及分析，而较少关注施工中出现偏差后所采取的改进方案及其应用效果。因此，本文以中南大学湘雅三医院科教大楼基坑支护为研究对象，通过建立BP神经网络模型预测优化后的施工方案能否有效控制水平偏移，为类似工程提供参考。

1 工程概况

1.1 工程简介

中南大学湘雅三医院科教大楼地下2层，地上13层，建设总面积为16 755.4m2，其中地上面积12 279.4m2， 地下面积4 476m2。本工程基坑开挖长度为83.5m，宽度为23m，开挖深度在3.5～7.2m。其东西两侧分别邻近杏林小区和恒万西溪里，南北两侧分别紧邻宿舍楼和桐梓坡路，具体位置如图1所示。

图1 项目位置

1.2 工程地质情况

地质勘察结果显示，场地范围内主要岩土层有：人工填土、中风化板岩、强风化板岩、全风化板岩、残积粉质黏土及粉质黏土，典型地质剖面如图2所示。其中，人工填土、粉质黏土属软弱土层，工程性状差；残积粉质黏土压缩性较弱，工程性状较好；全风化板岩、强风化板岩以及中风化板岩属软岩，工程性状较好，可作为桩基持力层。

图2 典型地质剖面

1.3 施工难点分析

1)施工环境复杂 本工程周围临近多栋住宅，施工作业场地严重受限。在基坑开挖过程中，若保护措施不当或不及时，基坑边坡会发生较大偏移，扰动邻近建筑基础，进而引发不均匀沉降或基坑坍塌。

2)地质较为软弱 基坑开发范围存在较大厚度的人工填土，最大处可达13.8m。因其具有土质软、孔隙比大、抗剪强度低、压缩性大等特点，在施工过程中易造成地基沉降、边坡偏移及基坑坍塌等工程事故。基于上述施工难点，需科学合理地设计基坑支护方案，保障施工安全。

1.4 基坑支护方案初步拟定

目前，常见的基坑支护方法有钢板桩支护、灌注桩支护、锚杆支护、挡墙+内支撑支护、SMW工法桩支护及放坡开挖等。在选择与施工环境相适应的施工方法前，对各种施工方法进行详细对比如表1所示。

本项目施工场地以回填土、粉质黏土为主，最大开挖深度在7.2m左右，属于软弱土层，变形控制难度较大。同时，考虑到项目周围临近既有建筑，在施工过程需严格控制基坑位移，以降低施工扰动对周边建筑的影响。由表1可知，桩顶设置冠梁的灌注桩具有强度高、刚度大、稳定性好、变形小的特点，适用于软弱土层，符合本项目的施工特点。另外，为防止出现随着基坑开挖深度增大桩间土体坍塌流失的现象，设置2道预应力锚杆和挂网喷浆，增加灌注桩的整体性。综上所述，基坑支护方案初步拟定为灌注桩+预应力锚杆+挂网喷浆。

表1 基坑支护方法对比

2 基坑支护位移监测及方案优化

2.1 监测流程及监测点布置

为全面了解基坑支护方案实施效果，验证方案设计的科学性和确保基坑支护的安全性，本项目对基坑开挖进行了全过程监测。首先，通过现场监测和数据处理分析后，汇总监测成果并进行内部审核；其次，将审核合格的监测结果形成书面报告，并在24h内提交；最后对监测异常数据进行判断处理，及时提出对策，执行超预警值方案。详细流程如图3所示。

图3 基坑监测流程

项目监测方案应与基坑工程的设计施工相匹配，并重点监测易发生偏移的关键部位，具体监测点布置如图4所示。

图4 监测点平面布置

2.2 基坑偏移预警

在基坑土方开挖过程中，监测人员发现基坑西南角临近宿舍楼的部分水平位移监测数据增长异常，最大值迅速达到39.5mm，远超GB 50497—2019《建筑基坑工程监测技术规范》中水平位移预警值(25mm)。基坑偏移预警监测点C2，C10，C11，C12的水平位移详细变化如图5所示。

图5 监测数据曲线

2.3 基坑偏移原因分析

根据地质勘查资料、基坑支护施工方案及现场实际情况，组织工程技术人员及行业专家对西南角水平位移异常变化进行详细分析后，得出的可能原因如下。

1)灌注桩无法满足本工程基坑支护要求 灌注桩适用于5m以内的浅基础，在等待桩身强度达标的过程中易发生桩身偏移和桩间土流失的现象，最终引起偏移。

2)锚索锚固段预应力不达标 锚固段主要位于人工回填的黏土层，施工过程中未达到设计方案中锚索总长度31m、锚固预应力200kN的规定值。

3)大型机械运作时改变周边土体压力 由于机械运作造成护壁桩嵌固端一侧的被动土压力降低，对灌注桩约束力减小，从而引起基坑位置发生偏移。

4)承台施工过程把控不严 承台临近护壁桩时发生超挖现象，土体不能有效约束护壁桩的变形。

2.4 基坑支护方案优化

为控制和降低水平位移超限段FG偏移的进一步增加，经现场工程技术人员反复论证后，提出采用具有更高强度、更大刚度、更好水密性的钢板桩，快速对该段进行加固处理。同时，为了增加边坡抗滑力，在对基坑侧壁进行填土反压的基础上，对基坑底部土体进行注浆加固，使桩前填土层拥有更大的黏聚力，这样不仅能稳定边坡，还能提高支护桩抵抗被动土压力的能力，避免机械运作对护壁桩的扰动影响。最后，考虑到取土过程基坑可能变形过大的情况，在基坑之间增设钢管对撑，其加固优化方案如图6所示。

图6 基坑支护优化措施的剖面

后续承台施工不当也会对护壁桩产生较大影响。因此，需调整承台基坑的施工方案来保障基坑支护的稳定性。基坑自西向东开挖，依次逐个完成承台施工。将承台的垫层混凝土强度等级由C15变更为C20，厚度由100mm增加至300mm，以增加钢板管桩和钢板桩的桩前被动土抗力。为确保侧壁安全，垫层跳开间隔施工，并且保证端部与钢板桩紧密接触。此外，坑内主体结构桩基施工时注意避免扰动基坑护壁桩被动区土体，且现场时刻准备袋装砂砾，若位移继续加大，随时准备返填。

3 BP神经网络构建及位移预测

3.1 BP神经网络原理概述

在未知数据映射关系的情况下，神经网络可通过自身学习训练来构建预测模型，进而实现对未来数据的预测，适用于复杂环境的基坑位移预测。BP(back propagation，反向传播)神经网络是利用误差反向传播，通过逐步减小预测输出与期望输出误差的方式逼近期望目标。

从结构上看，神经网络分为输入层、隐含层和输出层，网络结构如图7所示。图中，xi和yj分别表示输入值和输出值，wij和wjk分别表示输入层和隐含层、隐含层和输出层之间的网络权值。

图7 网络结构

BP神经网络是从m个自变量经过l个隐含层到n个因变量的映射，计算训练步骤如下[11-12]：

1)确定阈值a和b。

2)计算隐含层 输入变量Xi，输出隐含层变量Aj，如式(1)所示：

(1)

式中：i=1,2,…，m;j=1,2,…，l分别表示自变量和隐含层的层数；f为隐含层神经元激活函数，一般常用Sigmoid函数表达，如式(2)所示：

f(x)=(ex-e-x)/(ex+e-x)

(2)

3)计算输出层 输入Aj，激活函数选择f(x)=x来计算输出层的预测变量Yk，如式(3)所示：

(3)

式中：k=1,2,…,n，表示输出层的层数。

4)计算预测误差 预测输出变量Yk与期望输出变量Bk的误差为δ，神经网络代价函数Fk如式(4)，(5)所示：

δk=Yk-Bk

(4)

(5)

5)通过算法更新权值wij和wjk，循环步骤2，直至结束。误差反向传播实施思路如图8所示。

图8 误差反向传播

3.2 BP训练算法确定

1)GD算法 训练算法中最简单易表达的是GD(gradient descent，梯度下降)法。更新权值如式(6)所示：

wij+1=wij-μgk

(6)

式中：μ为学习速率；gk为代价函数关于权值的梯度，是一阶泰勒的展开式。此方法虽然简单易行，但GD法并非计算最快的方法，并且一般情况下，无法保证解为全局最优解。

2)BFG算法 BFG(Broyden Fletcher Goldfarb，牛顿)法是基于泰勒公式的二次展开，具有更快的计算收敛速度。更新权值公式如式(7)所示：

(7)

式中：HK为黑塞矩阵，是代价函数关于权值的二阶偏导矩阵。此方法虽然计算迅速，但黑塞矩阵的得出非常复杂，实操很难。

3)LM算法 LM(Levenberg Marquardt)法结合了GD法和BFG法。通过用雅可比矩阵拟合黑塞矩阵可以简化计算的复杂性，引入单位矩阵I实现计算结果的可逆性。因此，LM算法具有省略计算黑塞矩阵和拥有二阶收敛计算速度的优点。更新权值计算公式如下式所示：

(8)

(9)

式中：Jk为雅可比矩阵。通过比选，本文采用LM算法来训练BP神经网络。

3.3 模型拟定

本项目在基坑水平位移超出报警值后，对原基坑支护方案进行优化，加强对12个水平位移监测点的实时监测，每隔3d汇总1次监测点水平位移累计变化值，得到的12个数据即为1组。在连续监测174d后，得到了58组696个数据。组号和水平位移累计变化量分别作为神经网络训练样本集的输入数据和目标数据。其中40组480个数据用于训练神经网络，剩余16组192个数据均分用于确认和测试训练后的神经网络。训练次数设置为1 000次，训练算法选择LM算法。运算结束后，查看回归曲线来判断数据的拟合程度。

由回归曲线可知，R值越接近1，数据拟合程度越好，在此模型中Training，Validation，Testing的拟合效果均较好。因此，可以用此模型进行基坑水平位移预测。

3.4 预测值与监测值对比

本项目利用该模型预测了未来60d共20组240个数据。模型预测发现，30d后的预测数据基本保持不变，故选择前30d的10组数据与监测值比较。为保持原有数据的分布状态，采取等距取样的方式，挑选第5，10组的预测数据与监测数据对比，对比结果如表2所示。

从表2可以得出，训练后形成模型的预测值与监测值相近，相差均10%的变化范围内，故此模型可以实现对基坑水平位移的预测。预测多组数据后得出，通过基坑支护方案优化，基坑的水平偏移数据得到收敛，基坑暂时处于稳定状态。

表2 第5，10组水平位移数据对比

4 结语

结合工程地质情况及施工难点，对常见基坑支护方法的适用性进行系统比选后，确定了本项目初步的施工方案；然后基于水平位移实时监测对基坑位移进行偏差预警及原因剖析，提出联合运用钢板桩支护、填土反压及钢管对称支撑3种加固方式对偏移段进行处理；最后综合比较神经网络预测位移与实际监测数据间的差距，借以验证优化方案的可行性与模型的适用性。结果表明，所采取的优化方案能有效限制基坑偏移，降低对周边复杂环境的影响。