导语：基坑支护体系是临时结构，安全储备较小，具有较大的风险性。基坑工程施工过程中应进行监测，并应有应急措施。在施工过程中一旦出现险情，需要及时抢救。 在开挖深基坑时候注意加强排水防灌措施，风险较大应该提前做好应急预案。
1引言
近年来,随着建设的发展,基坑工程的数量越来越多,而且深基坑工程无论在数量上还是在难度上都有大幅度提高,使得在深基坑工程中发生的事故也越来越多,造成了重大的经济损失。深基坑工程中的最大问题是由于开挖引起周围土体变形,从而导致周围的建筑物和地下管线等设施的破坏。基坑变形的监测及其预报的研究引起工程技术人员的广泛重视。
深基坑变形一方面基坑的变形受其结构特征和所在环境的制约,有其自身的内在规律性,反映在监测数据上是其观测序列随时间变化;另一方面基坑施工过程中往往出现受某种因素的干扰,表现为定期观测的变形位移的数据具有一定的随机性。目前,基坑设计时主要采用m法和有限元等方法进行变形估算,但由于理想模型与实际工况的差别、计算参数难以正确确定等因素的影响,使得计算得到的变形值与实际变形量相差较大。因此,至关重要的是寻求一种对基坑变形更为有效的预测方法。人工神经网络则具有解决复杂的、不确定性的、非线性问题的能力,特别适合解决岩土工程问题。在基坑变形预测方面比常规方法有明显的优势。
本文以人工神经网络为基础,利用其强大的非线性映射能力,以已有的实测数据为样本,建立深基坑单支点排桩支护结构最大侧向位移的预测模型,实现对深基坑变形的非线性预测。
2神经网络简单介绍
神经网络是由大量的神经元广泛连接而成。人工神经元是对神经元的模拟，是一个多输入，单输出的非线性模型，它的输入输出关系用传递函数(也叫激励函数)来表示。常用的传递函数有：阀值函数，线性函数，S形函数(Sigmoid),径向基函数等。根据人工神经元的连接方式不同，神经网络可分成两大类：分层结构的网络、相互结合网络。图1、图2分别为三层前向网络结构图和神经元结构模型。
目前已有数十种神经网络模型，这些模型大致可分为三大类：前向网络(FeedforwardNNs)、反馈网络(FeedbackNNs)和自组织网络(Self-organizingNNs)。常用的网络模型有：BP网络、径向基网络，概率神经网络、自组织特征映射网络、Hopfield回归网络、Elman递归网络等。这些各式各样的模型从不同的角度对生物神经系统进行不同层次的描述和模拟，各自有自己的适用范围和优缺点。
图1：三层前向网络结构图图2：神经元结构模型
3用于深基坑排桩支护变形预测的神经网络模型的建立和实现
神经网络对非线性问题有强大而准确的映射能力。1987年，RobertHecht-Nielsen提出了Kolmogorov多层神经网络映射存在定理，从理论上证明了，包含一个隐层的三层神经网络可对任何的连续的非线性函数进行任意精度的逼近。正是由于神经网络具有这个特性，使得神经网络被广泛应用到各个领域。
另外，神经网络不需要复杂的建模分析过程，它能自己对样本进行学习，学习样本数据之中隐含的规律，精确地确定输入数据和目标之间存在的映射关系;神经网络还具有较好的鲁棒性(容错性)，还具有过滤噪声和在线应用等特性。
3.1选用的样本数据
神经网络方法是一种“数据驱动”型方法，样本数据是它的基础。本文采用文献提供的样本数据，如表1所列。这些数据为某地区已建深基坑支护结构典型工程样本数据。利用1～12号工程数据作为训练集,13～16号工程数据作为测试集,最后都对输入、目标数据进行归一化处理。
表1 某地区深基坑支护结构工程资料
|
序号
|
支撑弹性常数(MN/m)
|
围护桩的刚度(MN.m2)
|
支撑点与开挖深度的比值
|
土体的 值(。)
|
土体的C值(KPa)
|
基坑开挖深度(m)
|
桩的入土深度(m)
|
桩的最大位移(mm)
|
|
1
|
41.56
|
836.1
|
0.123
|
17.5
|
8.4
|
6.5
|
7.5
|
14.1
|
|
2
|
23.71
|
305.6
|
0.149
|
12.9
|
11.9
|
6.7
|
12.3
|
37.3
|
|
3
|
38.45
|
187.9
|
0.282
|
13.1
|
18.6
|
7.1
|
8.5
|
30.7
|
|
4
|
17.25
|
423.1
|
0.146
|
13.2
|
12.5
|
7
|
11
|
33.5
|
|
5
|
32.46
|
836.1
|
0.166
|
15.4
|
11.3
|
6
|
12
|
16.5
|
|
6
|
25.13
|
219.5
|
0.378
|
8.6
|
15.3
|
6.1
|
8.4
|
26.9
|
|
7
|
47.52
|
403.5
|
0.476
|
14.9
|
14.1
|
4.2
|
5.4
|
7.6
|
|
8
|
73.27
|
523.6
|
0.342
|
15.5
|
14.0
|
7.3
|
9.6
|
23.6
|
|
9
|
11.52
|
523.6
|
0.143
|
13.7
|
13.9
|
7
|
10
|
34.1
|
|
10
|
20.25
|
125.9
|
0.208
|
10.0
|
10.1
|
4.8
|
6.2
|
18.7
|
|
11
|
14.51
|
523.6
|
0.331
|
14.6
|
10.1
|
6.05
|
10.95
|
22.2
|
|
12
|
17.85
|
326.7
|
0.281
|
12.6
|
10.6
|
5.8
|
8.2
|
20.1
|
|
13
|
27.9
|
502.1
|
0.223
|
11.3
|
13.5
|
6.5
|
11.5
|
25.1
|
|
14
|
51.55
|
983.0
|
0.315
|
13.3
|
9.7
|
8
|
12
|
24.7
|
|
15
|
56.11
|
164.3
|
0.4
|
13.4
|
13.9
|
5
|
7
|
10.8
|
|
16
|
83.45
|
925.6
|
0.213
|
13.4
|
10.3
|
9.5
|
13
|
22.4
|
3.2输入输出变量的选择
影响深基坑变形的因素很多,如开挖深度、支护桩的桩长,支护桩的刚度、土层强度、开挖时间、地下水，支撑条件等。在建立ANN模型时,应采用主要的影响因素作为BP网络输入层参数。本文最后确定输入输出层如下：
输入层。支撑弹性常数，围护桩的刚度，支撑点与开挖深度的比值，土体的值，土体的C值，基坑开挖深度，桩的入土深度。
输出层。只有一个输出值:开挖最终状态时支护桩顶端的最大位移量。
3.3输入输出数据的转换
由于神经网络对其输人数据取值有一定的限制，因此对于训练和检验样本,首先要进行正则化转换。本文使用如下的正则化转换方法。如果变量的最大值和最小值分别为Vmax和Vmin,神经网络的限制范围是Amax和Amin,对于变量V可用式(1)进行变换,对于神经网络的输出值A可用式(2)转换为变量V。
3.4网络结构和训练算法
目前还不存在通用的理论来确定前向网络的隐层和隐节点数。理论分析表明，具有单隐层的前向网络可以以任意精度映射任何的连续函数，只有当学习不连续函数(如锯齿波等)时，才需要两隐层。对深基坑变形进行预测，建立地质条件、桩的几何尺寸及桩体材料强度等与深基坑变形之间的关系，用到的就是神经网络的“函数逼近”功能。本研究选用只有一个隐层的前向网络，而隐节点数采用试凑法来确定，最后采用8个节点单元。用Levenberg-Marquardt算法进行训练。LM算法比常规的BP算法的收敛速度快很多。
下式为LM算法的权重和偏置的更新规则：
这里，是权重的改变，是偏置的改变，J是每个权重(或偏置)的误差得到的雅可比矩阵，I是同一性矩阵，e是一个误差向量，是一个数量，它的大小决定了是用梯度下降法还是高斯-牛顿法来计算和。
3.5传递函数的选择
选用非线性传递函数的目的是构造非线性系统。在隐层使用双曲正切S形函数(Hyperbolictangent),在输出层使用对数S形函数(Log-sigmoid)，保证输出的数值范围为[0，1]。双曲正切S形函数，对数S形函数分别如下：
3.6目标误差的评价
训练的目标误差用MSE(Meanofsquarederrors)来表示。式(6)中ei为各误差率。
3.7网络的预测性能
本文所构建的神经网络全部利用MATLAB神经网络工具箱实现的。网络使用1～12号工程数据作为训练集,13～16号工程数据作为测试集，MSE目标为0.01，初始学习率取0.1，经过212个周期的训练，达目标误差。结果如表2。从结果可知，神经网络的评估预测准确率是很高的。
表2网络计算结果|
序号
|
预测值
|
实际值
|
相对误差率
|
|
13
|
22.1
|
25.1
|
12.0%
|
|
14
|
22.5
|
24.7
|
8.9%
|
|
15
|
11.2
|
10.8
|
3.7%
|
|
16
|
20.8
|
22.4
|
7.1%
|
本文应用人工智能领域中的神经网络知识，提出一种深基坑变形预测的方法。使用12个实际工程数据对神经网络进行训练，并对4个实际工程数据进行计算，结果是神经网络模型计算得出的深基坑变形预测值与实测值最大误差约为12%。这说明应用神经网络模型计算深基坑变形是可行的。
另外，影响深基坑变形的因素具有复杂性和多变性,采用人工神经网络建立模型要根据实际情况，采用影响变形的主要因素作为输入层参数,以提高预测的准确度。对于样本的选择，由于各地的地质条件有所差别，深基坑工程带有明显的地区性，选择样本应该考虑地区差别的问题。
