- 相關(guān)推薦
關(guān)于深基坑支護(hù)的變形預(yù)測(cè)
導(dǎo)語：基坑支護(hù)體系是臨時(shí)結(jié)構(gòu)，安全儲(chǔ)備較小，具有較大的風(fēng)險(xiǎn)性。基坑工程施工過程中應(yīng)進(jìn)行監(jiān)測(cè)，并應(yīng)有應(yīng)急措施。在施工過程中一旦出現(xiàn)險(xiǎn)情，需要及時(shí)搶救。 在開挖深基坑時(shí)候注意加強(qiáng)排水防灌措施，風(fēng)險(xiǎn)較大應(yīng)該提前做好應(yīng)急預(yù)案。
1引言
近年來,隨著建設(shè)的發(fā)展,基坑工程的數(shù)量越來越多,而且深基坑工程無論在數(shù)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)生的事故也越來越多,造成了重大的經(jīng)濟(jì)損失。深基坑工程中的最大問題是由于開挖引起周圍土體變形,從而導(dǎo)致周圍的建筑物和地下管線等設(shè)施的破壞�；幼冃蔚谋O(jiān)測(cè)及其預(yù)報(bào)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(jié)構(gòu)特征和所在環(huán)境的制約,有其自身的內(nèi)在規(guī)律性,反映在監(jiān)測(cè)數(shù)據(jù)上是其觀測(cè)序列隨時(shí)間變化;另一方面基坑施工過程中往往出現(xiàn)受某種因素的干擾,表現(xiàn)為定期觀測(cè)的變形位移的數(shù)據(jù)具有一定的隨機(jī)性。目前,基坑設(shè)計(jì)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(jì)算參數(shù)難以正確確定等因素的影響,使得計(jì)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(duì)基坑變形更為有效的預(yù)測(cè)方法。人工神經(jīng)網(wǎng)絡(luò)則具有解決復(fù)雜的、不確定性的、非線性問題的能力,特別適合解決巖土工程問題。在基坑變形預(yù)測(cè)方面比常規(guī)方法有明顯的優(yōu)勢(shì)。
本文以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),利用其強(qiáng)大的非線性映射能力,以已有的實(shí)測(cè)數(shù)據(jù)為樣本,建立深基坑單支點(diǎn)排樁支護(hù)結(jié)構(gòu)最大側(cè)向位移的預(yù)測(cè)模型,實(shí)現(xiàn)對(duì)深基坑變形的非線性預(yù)測(cè)。
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(duì)神經(jīng)元的模擬，是一個(gè)多輸入，單輸出的非線性模型，它的輸入輸出關(guān)系用傳遞函數(shù)(也叫激勵(lì)函數(shù))來表示。常用的傳遞函數(shù)有：閥值函數(shù)，線性函數(shù)，S形函數(shù)(Sigmoid),徑向基函數(shù)等。根據(jù)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：分層結(jié)構(gòu)的網(wǎng)絡(luò)、相互結(jié)合網(wǎng)絡(luò)。圖1、圖2分別為三層前向網(wǎng)絡(luò)結(jié)構(gòu)圖和神經(jīng)元結(jié)構(gòu)模型。
目前已有數(shù)十種神經(jīng)網(wǎng)絡(luò)模型，這些模型大致可分為三大類：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(duì)生物神經(jīng)系統(tǒng)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(jié)構(gòu)圖圖2：神經(jīng)元結(jié)構(gòu)模型
3用于深基坑排樁支護(hù)變形預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型的建立和實(shí)現(xiàn)
神經(jīng)網(wǎng)絡(luò)對(duì)非線性問題有強(qiáng)大而準(zhǔn)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(duì)任何的連續(xù)的非線性函數(shù)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(yīng)用到各個(gè)領(lǐng)域。
另外，神經(jīng)網(wǎng)絡(luò)不需要復(fù)雜的建模分析過程，它能自己對(duì)樣本進(jìn)行學(xué)習(xí)，學(xué)習(xí)樣本數(shù)據(jù)之中隱含的規(guī)律，精確地確定輸入數(shù)據(jù)和目標(biāo)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(cuò)性)，還具有過濾噪聲和在線應(yīng)用等特性。
3.1選用的樣本數(shù)據(jù)
神經(jīng)網(wǎng)絡(luò)方法是一種“數(shù)據(jù)驅(qū)動(dòng)”型方法，樣本數(shù)據(jù)是它的基礎(chǔ)。本文采用文獻(xiàn)提供的樣本數(shù)據(jù)，如表1所列。這些數(shù)據(jù)為某地區(qū)已建深基坑支護(hù)結(jié)構(gòu)典型工程樣本數(shù)據(jù)。利用1～12號(hào)工程數(shù)據(jù)作為訓(xùn)練集,13～16號(hào)工程數(shù)據(jù)作為測(cè)試集,最后都對(duì)輸入、目標(biāo)數(shù)據(jù)進(jìn)行歸一化處理。
表1 某地區(qū)深基坑支護(hù)結(jié)構(gòu)工程資料
|
序號(hào)
|
支撐彈性常數(shù)(MN/m)
|
圍護(hù)樁的剛度(MN.m2)
|
支撐點(diǎn)與開挖深度的比值
|
土體的 值(。)
|
土體的C值(KPa)
|
基坑開挖深度(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,如開挖深度、支護(hù)樁的樁長(zhǎng),支護(hù)樁的剛度、土層強(qiáng)度、開挖時(shí)間、地下水，支撐條件等。在建立ANN模型時(shí),應(yīng)采用主要的影響因素作為BP網(wǎng)絡(luò)輸入層參數(shù)。本文最后確定輸入輸出層如下：
輸入層。支撐彈性常數(shù)，圍護(hù)樁的剛度，支撐點(diǎn)與開挖深度的比值，土體的值，土體的C值，基坑開挖深度，樁的入土深度。
輸出層。只有一個(gè)輸出值:開挖最終狀態(tài)時(shí)支護(hù)樁頂端的最大位移量。
3.3輸入輸出數(shù)據(jù)的轉(zhuǎn)換
由于神經(jīng)網(wǎng)絡(luò)對(duì)其輸人數(shù)據(jù)取值有一定的限制，因此對(duì)于訓(xùn)練和檢驗(yàn)樣本,首先要進(jìn)行正則化轉(zhuǎn)換。本文使用如下的正則化轉(zhuǎn)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(duì)于變量V可用式(1)進(jìn)行變換,對(duì)于神經(jīng)網(wǎng)絡(luò)的輸出值A(chǔ)可用式(2)轉(zhuǎn)換為變量V。
3.4網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練算法
目前還不存在通用的理論來確定前向網(wǎng)絡(luò)的隱層和隱節(jié)點(diǎn)數(shù)。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(xù)函數(shù)，只有當(dāng)學(xué)習(xí)不連續(xù)函數(shù)(如鋸齒波等)時(shí)，才需要兩隱層。對(duì)深基坑變形進(jìn)行預(yù)測(cè)，建立地質(zhì)條件、樁的幾何尺寸及樁體材料強(qiáng)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(shù)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(jié)點(diǎn)數(shù)采用試湊法來確定，最后采用8個(gè)節(jié)點(diǎn)單元。用Levenberg-Marquardt算法進(jìn)行訓(xùn)練。LM算法比常規(guī)的BP算法的收斂速度快很多。
下式為L(zhǎng)M算法的權(quán)重和偏置的更新規(guī)則：
這里，是權(quán)重的改變，是偏置的改變，J是每個(gè)權(quán)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(shù)量，它的大小決定了是用梯度下降法還是高斯-牛頓法來計(jì)算和。
3.5傳遞函數(shù)的選擇
選用非線性傳遞函數(shù)的目的是構(gòu)造非線性系統(tǒng)。在隱層使用雙曲正切S形函數(shù)(Hyperbolictangent),在輸出層使用對(duì)數(shù)S形函數(shù)(Log-sigmoid)，保證輸出的數(shù)值范圍為[0，1]。雙曲正切S形函數(shù)，對(duì)數(shù)S形函數(shù)分別如下：
3.6目標(biāo)誤差的評(píng)價(jià)
訓(xùn)練的目標(biāo)誤差用MSE(Meanofsquarederrors)來表示。式(6)中ei為各誤差率。
3.7網(wǎng)絡(luò)的預(yù)測(cè)性能
本文所構(gòu)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(xiàn)的。網(wǎng)絡(luò)使用1～12號(hào)工程數(shù)據(jù)作為訓(xùn)練集,13～16號(hào)工程數(shù)據(jù)作為測(cè)試集，MSE目標(biāo)為0.01，初始學(xué)習(xí)率取0.1，經(jīng)過212個(gè)周期的訓(xùn)練，達(dá)目標(biāo)誤差。結(jié)果如表2。從結(jié)果可知，神經(jīng)網(wǎng)絡(luò)的評(píng)估預(yù)測(cè)準(zhǔn)確率是很高的。
表2網(wǎng)絡(luò)計(jì)算結(jié)果|
序號(hào)
|
預(yù)測(cè)值
|
實(shí)際值
|
相對(duì)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(yīng)用人工智能領(lǐng)域中的神經(jīng)網(wǎng)絡(luò)知識(shí)，提出一種深基坑變形預(yù)測(cè)的方法。使用12個(gè)實(shí)際工程數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并對(duì)4個(gè)實(shí)際工程數(shù)據(jù)進(jìn)行計(jì)算，結(jié)果是神經(jīng)網(wǎng)絡(luò)模型計(jì)算得出的深基坑變形預(yù)測(cè)值與實(shí)測(cè)值最大誤差約為12%。這說明應(yīng)用神經(jīng)網(wǎng)絡(luò)模型計(jì)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(fù)雜性和多變性,采用人工神經(jīng)網(wǎng)絡(luò)建立模型要根據(jù)實(shí)際情況，采用影響變形的主要因素作為輸入層參數(shù),以提高預(yù)測(cè)的準(zhǔn)確度。對(duì)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(qū)性，選擇樣本應(yīng)該考慮地區(qū)差別的問題。
【深基坑支護(hù)的變形預(yù)測(cè)】相關(guān)文章：
基坑支護(hù)施工要點(diǎn)03-05
深基坑施工對(duì)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(yù)測(cè)作文02-26
2017年基坑支護(hù)施工要點(diǎn)-施工知識(shí)03-04