基于BP人工神经网络的基坑围护结构变形预测方法研究

曾 晖，胡 俊，鲍俊安

(1.五邑大学 土木建筑学院，广东 江门 529020;2.南京林业大学 土木工程学院，南京 210037)

深基坑工程不仅要保证基坑本身的安全和稳定，而且还要控制基坑周围地层移动和保护周围环境。特别是城市软土地区，由于地层软弱复杂，进行基坑开挖会产生比较大的变形，严重影响周围建筑物的正常使用和结构安全。在城市基坑工程的设计中，基坑变形控制的要求越来越严格，以前以强度控制设计为主的方式逐渐被以变形控制设计为主的方式所取代，因此，基坑的变形分析成为基坑工程设计中的一个重要的组成部分。目前，国内外有多种预测深基坑稳定性的计算理论，但对基坑围护结构变形的预测方法还不多。基坑变形预测的主要方法包括有限单元法、地层损失法、估算法，以及人工神经网络预测法［1］。

人工神经网络(Artificial Neural Network，简称ANN)是在研究生物神经系统的启示下发展起来的一种信息处理方法。该法可以通过大量样本的学习来抽取出隐含在样本中的因果关系，具有自适应性、非线性和容错性强等特点，特别适合于处理各种非线性问题，并且，在大多数情况下，应用效果大大优于传统的数据处理方法［2］。因此，在岩土工程领域得到广泛的应用［3］，也为解决基坑围护结构变形预测问题提供了新的途径。

1 工程概况

南京地铁二号线逸仙桥车站建设场地属古秦淮河漫滩地貌单元，地貌形态单一。车站范围内地层主要有:杂填土、淤泥质填土、素填土、粉质黏土、粉土、淤泥质粉质黏土、粉质黏土、卵砾石混砂粉质黏土，下卧有强风化泥质粉砂岩、中风化泥质粉砂岩，以及中风化泥岩。地下水类型为孔隙潜水和孔隙微承压水。孔隙潜水水位稳定埋深1.35～1.80 m，设计地下水埋深1.00 m。孔隙微承压水水位与孔隙潜水水位一致。

车站总长161.6 m，标准段宽21 m，车站地底板埋深约22 m。基坑主体部分由三部分组成:西端头井约为23.32 m×23.40 m的矩形基坑，开挖深度为24 m;标准段(分为七段)约为123.88 m×21.00 m的矩形基坑，开挖深度为22 m;东端头井约为14.4 m×23.7 m的矩形基坑，开挖深度为23 m。围护结构采用800 mm地下连续墙，嵌入深度约19.5 m。采用内支撑支护结构方式，选用直径为 φ609 mm钢管支撑，支撑壁厚t=12 mm(第一道支撑)和t=6 mm(其它几道支撑)。第一道支撑水平间距6 m，其余支撑水平间距为3 m左右。基坑竖向设置六道钢支撑加一道倒换支撑保持稳定。车站施工采用明挖顺筑法施工［4-5］。

对本工程的监测从2007年1月28日开始，工程在开始监测的同时开始施工。深基坑开挖引起地下连续墙两侧的压力差将会导致墙体发生变形［1］。现场在西端头井、标准段和东端头井均进行了围护结构墙体变形测试，安装了CX01～CX16测点共计16个监测点。CX15测点位于西端头井北侧，其在各施工阶段水平位移如图1所示。

图1 CX15测点墙体在各施工阶段的水平位移

2 建立ANN模型

2.1 BP神经网络模型

为了准确建立基坑围护结构变形预测模型，采用目前土木工程中应用最广泛的BP神经网络。它是一种前馈式多层神经网络模型，误差反向传播。模型由输入层、输出层及隐层组成，每一个节点层都包括一定数量的神经元节点，同一节点层各节点之间互不连接，如图2所示。

图2 最基本BP网络结构

2.2 影响基坑围护结构变形的因素

影响围护结构变形的主要因素包括:基坑的工程地质与水文地质条件;支护类型及结构设计参数;基坑平面尺寸及开挖深度;施工过程和场地周边环境;施工工期的影响;地面超载和震动荷载;支撑条件;围护结构的刚度;围护结构在坑底以下的入土深度;土层强度(包括土体的黏聚力c、内摩擦角φ值等);地下水的影响等。

2.3 网络结构的确定

基坑围护结构的变形是各影响因素综合作用的结果。结合实际情况，从各因素中选取施工工期(T)、开挖深度(D)、地下水位高度(W)、当天气温(C)共4个具有代表性的指标作为网络的输入。选用CX15测点某一高度处的变形量S为网络的输出。取一个隐含层，节点数取10个(为输入层神经元数 n的(2n+2)个，见图3)。在影响围护结构变形的各个因素中，基坑的工程地质与水文地质条件、支护类型及结构设计参数、地面超载和震动荷载、土层强度(包括土体的c、φ值等)对各样本变形观测值的影响是均等的，故在影响因素的选取时不考虑其对变形结果的影响［6］。

图3 确定CX15某一高度处的变形量S的神经元模型

为确定CX15测点17.5 m高度处的变形量(S)是否与施工工期(T)、开挖深度(D)、地下水位高度(W)、当天气温(C)存在客观的相关性，分别对它们进行了相关性分析，如图4所示。相关系数 R2越大，说明两组统计数据之间的相关性越大。可以看出，当天气温(C)对CX15测点17.5 m高度处的变形量(S)的影响较大，而施工工期(T)、开挖深度(D)、地下水位高度(W)对其影响很明显。

2.4 网络训练和检验

以收集到的15个不同工况下CX15测点的墙体变形监测值为神经网络的学习训练样本，采用Visual C++来开发的NNBP1.0程序进行学习和检验。当网络迭代运算至10 000次或者目标函数 εAV小于预先给定的ε=1.0×10-6时，跳出循环，训练结束。

从学习训练样本的实际输出与希望输出对比可知，最大误差为0.93%，平均误差为0.17%。从表1可看出，各值十分逼近，表明模型的拟合精度是较高的。BP网络实现了从输入的p维欧氏空间到输出的q维欧氏空间的降维映射，因此，可用于非线性分类、预测等领域，并且作为一个函数计算器，能以任意精度逼近任何非线性函数。

图4 施工工期、开挖深度、地下水位高度和当天气温与CX15测点17.5 m处变形量的关系

表1 学习训练样本的实际输出与希望输出对比

3 围护结构变形预测分析

首先，从最简单的预测开始，分析预测CX15测点17.5 m深处的水平位移。选取15组数据中的前12组数据为学习训练样本，后3组数据作为测试样本。学习训练样本数据见表2。

使用 Visual C++来开发的 NNBP1.0程序，需将训练样本作归一化处理。将需训练的前12组数据输入NNBP1.0程序后，便可进行训练。学习训练完毕后，就形成了一个对应于该学习训练样本的神经网络。接着，让训练好的神经网络来预测后3组数据，预测的围护结构水平位移归一化结果为0.788 279 884，0.863 980 662，0.968 068 530，再反归一化得到最后结果:3月21日为20.4 mm;3月25日为22.0 mm;3月28日为24.2 mm。而实测值是:3月21日为20.4 mm;3月25日为22.3 mm;3月28日为24.9 mm。可见，预测值与实际值非常接近。

表2 学习训练样本数据

在预测分析上面数据的同时，分别以前10组、11组、12组、13组、14组为学习训练样本，对它们之后的数据进行预测，结果见表3。

表3 预测值取前 10、11、12、13、14组数据为训练样本的预测结果对比

由表3可知，利用上述建立的神经网络方法对基坑围护结构变形作短期预报是完全可行的，且十分有效。但相对而言，较长期的预报值误差较大。同时也说明，虽然神经网络方法能有效地进行变形预报，但现场监测工作仍需继续进行。

以上工作完成了对CX15测点17.5 m深度处的变形量的预测，用同样的方法，可以预测CX15测点不同深度处的变形量。以相同的方法训练神经网络，分别对3月21日和3月25日基坑围护结构总的变形进行了预测，并同时与实测值进行对比，如图5所示。结果表明，预测值与实测值都非常接近，曲线吻合很好，训练所得的网络具有较强的预测能力，可用于基坑围护结构变形的短期预测。

图5 变形实测值与预测值对比

4 结语

1)利用大量的基坑工程现场实测资料，采用神经网络BP算法，可以较为准确地预测基坑围护结构的变形量，预测值与实测值吻合较好。如果资料更全面，则预测会更准确。

2)影响基坑围护结构变形的因素具有复杂性和多变性，采用人工神经网络，以根据需要充分考虑各因素的影响，提高预测的准确度。本实例运用的样本数偏少，主要目的是提出一种思路。

3)从学习训练样本的实际输出与希望输出对比可知，最大误差为0.93%，平均误差为0.17%。BP网络实现了从输入的p维欧氏空间到输出的q维欧氏空间的降维映射，因此，可用于非线性分类、预测等领域，并且，作为一个函数计算器，能以任意精度逼近任何非线性函数。

4)现场实时监测仍是必要的，由表3可以看出，短期预报精度较高，但较长期的精度不高。同时，影响基坑围护结构位移变化趋势的某些因素，在施工前期没有发挥作用。但随着施工和监测的进行，新的变化数据不断得到收集，这些数据又进一步反映了基坑围护结构变形的趋势。因此，必须坚持现场监测，并将最新监测信息及时反馈，将其添加到学习训练样本中，让神经网络重新学习，以提高基坑工程围护结构变形的预报精度。

［1］刘建航，侯学渊，刘国彬，等.基坑工程手册(第二版)［M］.北京:中国建筑工业出版社，2009.

［2］胡伍生.神经网络理论及其工程应用［M］.北京:测绘出版社，2006.

［3］高浪，谢康和.人工神经网络在岩土工程中的应用［J］.土木工程学报，2002，35(4):77-81.

［4］胡俊，潘悦，光辉.南京地铁某车站深基坑开挖的监测与分析［J］.西部探矿工程，2008，20(10):222-225.

［5］胡俊，陈争.南京某车站深基坑开挖围护结构的变形分析［J］.山西建筑，2007，33(21):98-99.

［6］胡俊，杨平，董朝文，等.盾构始发端头化学加固范围及加固工艺研究［J］.铁道建筑，2010(2):47-51.