- 相關(guān)推薦
關(guān)于深基坑支護的變形預測
導語(yǔ)：基坑支護體系是臨時(shí)結構，安全儲備較小，具有較大的風(fēng)險性�；庸こ淌┕み^(guò)程中應進(jìn)行監測，并應有應急措施。在施工過(guò)程中一旦出現險情，需要及時(shí)搶救。 在開(kāi)挖深基坑時(shí)候注意加強排水防灌措施，風(fēng)險較大應該提前做好應急預案。
1引言
近年來(lái),隨著(zhù)建設的發(fā)展,基坑工程的數量越來(lái)越多,而且深基坑工程無(wú)論在數量上還是在難度上都有大幅度提高,使得在深基坑工程中發(fā)生的事故也越來(lái)越多,造成了重大的經(jīng)濟損失。深基坑工程中的最大問(wèn)題是由于開(kāi)挖引起周?chē)馏w變形,從而導致周?chē)慕ㄖ锖偷叵鹿芫�(xiàn)等設施的破壞�；幼冃蔚谋O測及其預報的研究引起工程技術(shù)人員的廣泛重視。
深基坑變形一方面基坑的變形受其結構特征和所在環(huán)境的制約,有其自身的內在規律性,反映在監測數據上是其觀(guān)測序列隨時(shí)間變化;另一方面基坑施工過(guò)程中往往出現受某種因素的干擾,表現為定期觀(guān)測的變形位移的數據具有一定的隨機性。目前,基坑設計時(shí)主要采用m法和有限元等方法進(jìn)行變形估算,但由于理想模型與實(shí)際工況的差別、計算參數難以正確確定等因素的影響,使得計算得到的變形值與實(shí)際變形量相差較大。因此,至關(guān)重要的是尋求一種對基坑變形更為有效的預測方法。人工神經(jīng)網(wǎng)絡(luò )則具有解決復雜的、不確定性的、非線(xiàn)性問(wèn)題的能力,特別適合解決巖土工程問(wèn)題。在基坑變形預測方面比常規方法有明顯的優(yōu)勢。
本文以人工神經(jīng)網(wǎng)絡(luò )為基礎,利用其強大的非線(xiàn)性映射能力,以已有的實(shí)測數據為樣本,建立深基坑單支點(diǎn)排樁支護結構最大側向位移的預測模型,實(shí)現對深基坑變形的非線(xiàn)性預測。
2神經(jīng)網(wǎng)絡(luò )簡(jiǎn)單介紹
神經(jīng)網(wǎng)絡(luò )是由大量的神經(jīng)元廣泛連接而成。人工神經(jīng)元是對神經(jīng)元的模擬，是一個(gè)多輸入，單輸出的非線(xiàn)性模型，它的輸入輸出關(guān)系用傳遞函數(也叫激勵函數)來(lái)表示。常用的傳遞函數有：閥值函數，線(xiàn)性函數，S形函數(Sigmoid),徑向基函數等。根據人工神經(jīng)元的連接方式不同，神經(jīng)網(wǎng)絡(luò )可分成兩大類(lèi)：分層結構的網(wǎng)絡(luò )、相互結合網(wǎng)絡(luò )。圖1、圖2分別為三層前向網(wǎng)絡(luò )結構圖和神經(jīng)元結構模型。
目前已有數十種神經(jīng)網(wǎng)絡(luò )模型，這些模型大致可分為三大類(lèi)：前向網(wǎng)絡(luò )(FeedforwardNNs)、反饋網(wǎng)絡(luò )(FeedbackNNs)和自組織網(wǎng)絡(luò )(Self-organizingNNs)。常用的網(wǎng)絡(luò )模型有：BP網(wǎng)絡(luò )、徑向基網(wǎng)絡(luò )，概率神經(jīng)網(wǎng)絡(luò )、自組織特征映射網(wǎng)絡(luò )、Hopfield回歸網(wǎng)絡(luò )、Elman遞歸網(wǎng)絡(luò )等。這些各式各樣的模型從不同的角度對生物神經(jīng)系統進(jìn)行不同層次的描述和模擬，各自有自己的適用范圍和優(yōu)缺點(diǎn)。
圖1：三層前向網(wǎng)絡(luò )結構圖圖2：神經(jīng)元結構模型
3用于深基坑排樁支護變形預測的神經(jīng)網(wǎng)絡(luò )模型的建立和實(shí)現
神經(jīng)網(wǎng)絡(luò )對非線(xiàn)性問(wèn)題有強大而準確的映射能力。1987年，RobertHecht-Nielsen提出了Kolmogorov多層神經(jīng)網(wǎng)絡(luò )映射存在定理，從理論上證明了，包含一個(gè)隱層的三層神經(jīng)網(wǎng)絡(luò )可對任何的連續的非線(xiàn)性函數進(jìn)行任意精度的逼近。正是由于神經(jīng)網(wǎng)絡(luò )具有這個(gè)特性，使得神經(jīng)網(wǎng)絡(luò )被廣泛應用到各個(gè)領(lǐng)域。
另外，神經(jīng)網(wǎng)絡(luò )不需要復雜的建模分析過(guò)程，它能自己對樣本進(jìn)行學(xué)習，學(xué)習樣本數據之中隱含的規律，精確地確定輸入數據和目標之間存在的映射關(guān)系;神經(jīng)網(wǎng)絡(luò )還具有較好的魯棒性(容錯性)，還具有過(guò)濾噪聲和在線(xiàn)應用等特性。
3.1選用的樣本數據
神經(jīng)網(wǎng)絡(luò )方法是一種“數據驅動(dòng)”型方法，樣本數據是它的基礎。本文采用文獻提供的樣本數據，如表1所列。這些數據為某地區已建深基坑支護結構典型工程樣本數據。利用1～12號工程數據作為訓練集,13～16號工程數據作為測試集,最后都對輸入、目標數據進(jìn)行歸一化處理。
表1 某地區深基坑支護結構工程資料
|
序號
|
支撐彈性常數(MN/m)
|
圍護樁的剛度(MN.m2)
|
支撐點(diǎn)與開(kāi)挖深度的比值
|
土體的 值(。)
|
土體的C值(KPa)
|
基坑開(kāi)挖深度(m)
|
樁的入土深度(m)
|
樁的最大位移(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輸入輸出變量的選擇
影響深基坑變形的因素很多,如開(kāi)挖深度、支護樁的樁長(cháng),支護樁的剛度、土層強度、開(kāi)挖時(shí)間、地下水，支撐條件等。在建立ANN模型時(shí),應采用主要的影響因素作為BP網(wǎng)絡(luò )輸入層參數。本文最后確定輸入輸出層如下：
輸入層。支撐彈性常數，圍護樁的剛度，支撐點(diǎn)與開(kāi)挖深度的比值，土體的值，土體的C值，基坑開(kāi)挖深度，樁的入土深度。
輸出層。只有一個(gè)輸出值:開(kāi)挖最終狀態(tài)時(shí)支護樁頂端的最大位移量。
3.3輸入輸出數據的轉換
由于神經(jīng)網(wǎng)絡(luò )對其輸人數據取值有一定的限制，因此對于訓練和檢驗樣本,首先要進(jìn)行正則化轉換。本文使用如下的正則化轉換方法。如果變量的最大值和最小值分別為Vmax和Vmin,神經(jīng)網(wǎng)絡(luò )的限制范圍是Amax和Amin,對于變量V可用式(1)進(jìn)行變換,對于神經(jīng)網(wǎng)絡(luò )的輸出值A可用式(2)轉換為變量V。
3.4網(wǎng)絡(luò )結構和訓練算法
目前還不存在通用的理論來(lái)確定前向網(wǎng)絡(luò )的隱層和隱節點(diǎn)數。理論分析表明，具有單隱層的前向網(wǎng)絡(luò )可以以任意精度映射任何的連續函數，只有當學(xué)習不連續函數(如鋸齒波等)時(shí)，才需要兩隱層。對深基坑變形進(jìn)行預測，建立地質(zhì)條件、樁的幾何尺寸及樁體材料強度等與深基坑變形之間的關(guān)系，用到的就是神經(jīng)網(wǎng)絡(luò )的“函數逼近”功能。本研究選用只有一個(gè)隱層的前向網(wǎng)絡(luò )，而隱節點(diǎn)數采用試湊法來(lái)確定，最后采用8個(gè)節點(diǎn)單元。用Levenberg-Marquardt算法進(jìn)行訓練。LM算法比常規的BP算法的收斂速度快很多。
下式為L(cháng)M算法的權重和偏置的更新規則：
這里，是權重的改變，是偏置的改變，J是每個(gè)權重(或偏置)的誤差得到的雅可比矩陣，I是同一性矩陣，e是一個(gè)誤差向量，是一個(gè)數量，它的大小決定了是用梯度下降法還是高斯-牛頓法來(lái)計算和。
3.5傳遞函數的選擇
選用非線(xiàn)性傳遞函數的目的是構造非線(xiàn)性系統。在隱層使用雙曲正切S形函數(Hyperbolictangent),在輸出層使用對數S形函數(Log-sigmoid)，保證輸出的數值范圍為[0，1]。雙曲正切S形函數，對數S形函數分別如下：
3.6目標誤差的評價(jià)
訓練的目標誤差用MSE(Meanofsquarederrors)來(lái)表示。式(6)中ei為各誤差率。
3.7網(wǎng)絡(luò )的預測性能
本文所構建的神經(jīng)網(wǎng)絡(luò )全部利用MATLAB神經(jīng)網(wǎng)絡(luò )工具箱實(shí)現的。網(wǎng)絡(luò )使用1～12號工程數據作為訓練集,13～16號工程數據作為測試集，MSE目標為0.01，初始學(xué)習率取0.1，經(jīng)過(guò)212個(gè)周期的訓練，達目標誤差。結果如表2。從結果可知，神經(jīng)網(wǎng)絡(luò )的評估預測準確率是很高的。
表2網(wǎng)絡(luò )計算結果|
序號
|
預測值
|
實(shí)際值
|
相對誤差率
|
|
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%
|
本文應用人工智能領(lǐng)域中的神經(jīng)網(wǎng)絡(luò )知識，提出一種深基坑變形預測的方法。使用12個(gè)實(shí)際工程數據對神經(jīng)網(wǎng)絡(luò )進(jìn)行訓練，并對4個(gè)實(shí)際工程數據進(jìn)行計算，結果是神經(jīng)網(wǎng)絡(luò )模型計算得出的深基坑變形預測值與實(shí)測值最大誤差約為12%。這說(shuō)明應用神經(jīng)網(wǎng)絡(luò )模型計算深基坑變形是可行的。
另外，影響深基坑變形的因素具有復雜性和多變性,采用人工神經(jīng)網(wǎng)絡(luò )建立模型要根據實(shí)際情況，采用影響變形的主要因素作為輸入層參數,以提高預測的準確度。對于樣本的選擇，由于各地的地質(zhì)條件有所差別，深基坑工程帶有明顯的地區性，選擇樣本應該考慮地區差別的問(wèn)題。
【深基坑支護的變形預測】相關(guān)文章：
大型深基坑支護施工技術(shù)整理02-27
基坑支護施工要點(diǎn)03-05
支護組合形式優(yōu)秀案例匯總02-26
深基坑施工對近距離房屋的影響06-26
深基坑施工消防安全措施12-26
小升初預測作文02-26
出版市場(chǎng)的調查與預測03-31