大跨度悬索桥锚碇基础基底土压力智能预测研究

任丽芳，袁宝远

大跨度悬索桥锚碇基础基底土压力智能预测研究

任丽芳1，2，袁宝远2

（1．石家庄铁路职业技术学院经济管理系，石家庄 050041；2．河海大学地球科学与工程学院，南京 201198）

将灰色系统（GM（1，1））、BP神经网络、灰色神经网络（GNNM（1，1））3种智能预测模型分别应用于深大基坑锚碇基础的基底变形预测过程中，以润扬大桥北锚碇基础基底土压力的监测资料为例进行动态预测分析，并与实测值进行了比较。结果表明：3种模型土压力预测值的相对误差分别为1．11%，0．77%和0．43%。GNNM（1，1）模型的预测结果更接近于实测值，与GM（1，1）和BP神经网络相比，GNNM（1，1）更适宜对波动较大的线性数据和非线性数据进行拟合，可以在工程中推广应用。

锚碇基础；智能算法；变形预测；灰色神经网络

1 概 述

大型复杂的地下工程，通常采用有限元等数值分析方法对基础基底土压力进行研究。目前基坑设计中广泛使用的公式及其他理论公式仍是借助于试验基础上的半经验半理论公式，经验系数的取值对基底压力及承载力的计算结果产生的影响较大。岩土体具有多相、非均质、各向异性等特点，使计算过程中输入的有限元计算模型的参数无法准确测量，从而导致计算误差较大。在认识到基坑开挖的时空效应及理论与数值模拟方法的缺陷后，各种系统分析方法开始应用于基坑开挖的变形预测［1－3］。目前，多数研究集中于利用智能算法及模型对基坑的变形进行研究［2－7］。但是，利用不同算法及其组合模型模拟预测大型锚碇基础基底土压力的研究并未见报道。

针对深基坑基底土压力预测技术，本文引入灰色GM（1，l）模型、BP神经网络模型及灰色神经网络组合GNNM（1，1）模型，结合润扬长江公路大桥南汊悬索桥北锚碇基础的工程实际，对锚碇基础基底土压力的监测数据分别运用3种智能算法建立数学模型，对锚碇基础的的土压力进行了智能预测，并确定了不同智能预测模型的适用条件。探讨各自的适用条件和预测精度，使各预测模型更具有工程适用性。

2 智能模型基本原理

2．1 灰色GM（1，1）模型预测原理

1982年邓聚龙［4］教授提出的灰色理论以其具备完备的理论性、良好的可操作性、准确度高、对数据量要求少且无严格要求等优点，广泛应用于各种预测领域。目前使用的主要是GM（1，1）模型。其基本理论为：

将原始数据序列x（0）＝｛x（0）（1），x（0）（2），…，做一次累加，生成数列x（1）（t）＝｛x（1）（1），x（1）（2），…，x（1）（n）｝。构造一阶线性微分方程＝u，构造数据矩阵B，YN，利用最小二乘法得到a＾，将a＾代入微分方程求得时间响应函数：

得到x（0）的灰色预测值为

2．2 BP神经网络模型预测原理

BP网络目前已在许多领域中得到了成功的应用［5，6］。BP网络模型是一种层次模型（图1），该网络模型通过选择非线性的神经元处理函数，可以实现从输入到输出的非常复杂的非线性映射。它由3类神经元层次组成：输入层单元、若干隐含层单元、输出层单元。各层次之间形成全互相连接，各层次内的神经元之间没有连接。BP网络采用误差反馈学习算法，主要包括：输入数据从输入层逐层向输出层传播，得到输出响应；输出误差由输出层开始反向传播到输入层，网络各层的权重值改变量则根据传播到该层的误差大小来决定，因此称为“误差逆传播算法”。随正向的数据传播和逆向的误差传播，网络的相应正确率不断上升，最后达到平衡状态。

2．3 灰色神经网络GNNM（1，1）模型预测原理［7，8］

灰色模型具有建模所需样本数据少、无须考虑其分布规律及变化趋势、建模简单、运算方便等特点；神经网络具有自身学习功能且容错能力强、计算精度高等诸多优点。神经网络的模型特点恰好能对灰色方法进行补充。采用神经网络对灰色GM（1，l）模型加以修改，建立灰色神经网络智能算法，可发挥两者所长，使得预测结果更加精确，提高了计算精度和运算能力，并能对复杂的不确定性问题进行求解。

图1 BP神经网络结构图Fig．1 The structure of BP neural network

灰色神经网络组合模型的建模原理是将GM（1，1）模型所得的预测值作为BP神经网络的输入样本，把真实值作为目标样本，对神经网络进行训练，可得到一系列对应于相应结点的权值与阈值。然后再将第一步GM（1，1）模型的预测值作为神经网络的输入，进行仿真得到相应的输出，即为组合模型的预测结果。如图2所示。

图2 灰色神经网络组合模型图Fig．2 The structure of GNNM（1，1）network

3 实例应用与分析

3．1 工程概况

国家重点工程润扬长江公路大桥北联同江至三亚国道主线，南接上海至成都国道主干线，是江苏高速公路网的重要组成部分。该桥横跨长江连通镇江与扬州，整座大桥由南汊悬索桥和北汊斜拉桥以及相连的高架桥和南北引桥组成，全长23．56 km。其中南汊悬索桥主跨达1 490 m，目前中国第一、世界第三，是一项举世瞩目的工程。北汊斜拉桥跨度406 m，两桥于世业洲之上高架相连。

润扬长江大桥南汊悬索桥的北锚碇屹立于长江中小岛世业洲上，需承受主缆约6．8万t的拉力，其基础平面尺寸为69 m×50 m的矩形，基坑深度近50 m，采用1．2 m厚的矩形嵌岩地下连续墙、排水明挖、内支撑与锚碇结构相结合的施工工艺。锚碇所在地基埋藏约48 m深厚的第四系冲洪积松散覆盖层，而落基于下卧的中等风化花岗岩盘之上。其所处场地工程地质、水文条件复杂，构造发育，纵横交错的断裂不利于锚锭基础的稳定。根据监测数据资料，实施锚碇基础基底土压力预测研究，对锚碇基础的安全稳定显得尤为重要。

3．2 实测数据变形预测分析

北锚碇基础工程的监测工作从2001年5月开始，监测内容包含：基底土压力、基底孔隙水压力、地下连续墙钢筋应力、墙体水平位移、水平桥轴向位移以及散索鞍架梁期间变形监测等诸多方面。本文以锚碇基础基底土压力监测资料为研究对象考察不同智能模型的适用性。润扬大桥北锚碇监测点布置如图3所示。

北锚碇基础基底第4排土压力随时间的变化曲线如图4所示。以润扬大桥北锚碇基底第4排编号为32341的实测土压力为研究对象，采用从开始监测的第260天到第440天这10次的实测土压力值作为已知监测数据，利用该10次已知数据对第460天到620天共9次土压力进行预测，并将预测值同图4中所示的实测值进行对比分析，从而确定不同模型的适用性及可靠性。

3．2．1 建立预测模型

首先，根据上述原理分别建立灰色GM（1，1）、BP神经网络模型对北锚基底第4排32341测点的第460天到第620天这9次的土压力进行动态预测，结果如图5所示。

图3 北锚碇监测点布置图Fig．3 Layout ofmonitoring points for north anchor foundation

图4 北锚基底土压力分布Fig．4 Soil pressure distribution of the north anchor foundation

图5 32341号测点土压力实测值与预测值对比Fig．5 Comparison of predicted and monitored soil pressure values at point 32341

在分析以上2种方法优缺点的基础上建立灰色神经网络GNNM（1，1）组合模型。首先将北锚基底第4排32341测点第260天到第440天这10次的土压力的实测值作为已知监测数据，建立灰色GM（1，1）模型，拟合这10次的土压力实测值；在得到这10次的拟合值后，将该组拟合值的后9次输入神经网络，其相对应的实测值作为网络的期望输出，经过网络训练后，得到网络中对应于每个结点的一系列权值与阈值；然后对第460天到第620天这9次的土压力先用第1步建立的GM（1，1）模型预测，将这些预测值作为神经网络的输入，进行仿真得到相应的输出，即为北锚基底第4排32341测点的第460天到第620天灰色神经网络GNNM（1，1）组合模型的预测结果。3．2．2 预测结果及相对误差分析

灰色GM（1，1）模型、BP神经网络模型和灰色神经网络GNNM（1，1）组合模型的预测结果及相对误差分析比较分别见图5、图6和表1。

图6 32341号点土压力预测数据误差Fig．6 The relative errors of threemodels at point 32341

表1 各种模型预测值的相对误差Table 1 The relative errors of predicted values of threemodels%

预测结果分析：由图5、图6和表1可以看出，采用GM（1，1）模型预测时，预测值和实测值的最大相对误差为2．46%，平均误差为1．11%；采用BP神经网络模型预测的最大相对误差为1．65%，平均误差为0．77%；采用灰色神经网络组合模型预测的最大相对误差为0．77%，平均误差为0．43%。

由表中可以看出，GM（1，1）模型能够较好描述序列中蕴含的确定的指数函数规律，可适用于模拟预报单调增加或者单调减少的指数序列。利用GM（1，1）模型进行短期预测较为成功。对于较为复杂的深大基坑基底土压力的变化与预测，随着预测期的延长，未来的扰动或者随机因素对系统模拟影响较大。由图中可以看出，随着预测时间的增加，其相对误差由0．21%增加到2．46%。GM（1，l）模型预测结果有时会出现较大的误差，对其改进只是利用单个序列之间的关系进行一定的修正，若采用多个序列进行残差修正，则需分别建立相互独立多个模型，分别对多个序列数据进行预测，则会忽略其中的联系，因此，GM（1，1）模型在深大基坑基底土压力的预测过程中有一定局限性。

与灰色系统相比，BP神经网络采用逼近非线性插值方法，具有较强的自适应性，神经网络能通过自适应学习建立起最佳映射模式，具有很强的稳定性和容错能力。与传统的线性插值方法相比其结果与实际曲线拟合度高。但是，与GM（1，1）模型相比较，其数据序列波动性较大（图5，图6）。

灰色-神经网络预测模型GNNM（1，1）具有较强的自适应能力。在基底压力模拟预测的过程中，模型充分考虑了锚碇基础上锚体浇筑过程中由于基底岩性不均匀引起基底压力分布不均匀变化的动态性，同时总体基底压力小于基础荷载，反映部分荷载通过连续墙传递到墙下及坑外。通过基底土压力的新陈代谢，能够较为客观反映锚碇基础基底土压力变形的趋势，得到基底土压力变化的趋势项值，得出随机量。对随机量进行一定的预处理，得到GNNM（1，1）模型预测值。由表1可以看出，经过10天的预测，GNNM（1，1）模型预测值相对误差＜0．8%，该模型能够较好地揭示锚碇基础基底土压力的变化规律，可以用于深大基坑基底土压力的智能预测过程中。

计算实例表明，GNNM（1，1）组合模型比GM（1，1）模型和BP神经网络模型预测和拟合的精度有了较大提高，其预测结果更符合工程实际，具有一定的工程参考价值。

4 结 论

根据润扬大桥北锚碇基础工程现场实测资料分析，灰色系统、BP神经网络、灰色神经网络3种智能算法预测值和实测值的平均误差分别为1．11%，0．77%和0．43%。与灰色系统、BP神经网络相比，灰色神经网络更适合于波动较大的数据和复杂非线性变化的数据拟合。采用灰色神经网络模型对润扬大桥北锚碇基础基底土压力进行预测，比单纯灰色系统和BP神经网络模型具有更高的精度。通过预测值可预先知道下一步基底土压力所能达到的量，同时为接下来的沉降控制采取相应的施工措施提供参考，结果具有一定的工程参考价值。

［1］ 倪立峰，李爱群．基坑变形的动态神经网络实时建模预报方法［J］．振动、测试与诊断，2002，22（3）：217－220．（NI Li-feng，LI Ai-qun．New Method of Real-Time Modeling Prediction about Deep Excavation Deformation［J］．Journal of Vibration，Measurement＆Diagnosis，2002，22（3）：217－220．（in Chinese））

［2］ 胡 冬，张小平．基于灰色系统理论的基坑变形预测研究［J］．地下空间与工程学报，2009，5（1）：74－78．（HU Dong，ZHANG Xiao-ping．Research on Predicting Deformation of Foundation Pit Based on Grey System Theo-ry［J］．Chinese Journal of Underground Space and Engi-neering，2009，5（1）：74－78．（in Chinese））

［3］ 曹红林，王靖涛．用小波神经网络预测深基坑周围地表的沉降量［J］．土工基础，2003，17（4）：58－60．（CAO Hong-lin，WANG Jing-tao．Prediction of Ground Settle-ment Around Deep Foundation Pit by UsingWavelet Neural Networks［J］．Soil Engineering and Foundation，2003，17（4）：58－60．（in Chinese））

［4］ 邓聚龙．灰色系统理论［M］．武汉：华中理工大学出版社，1990．（DENG Ju-long．Grey System Theory［M］．Wu-han：Huazhong University of Science and Technology Press，1990．（in Chinese））

［5］ 林跃忠，徐 伟，吕风梧．灰色模型GM（1，1）在基坑位移预测中的应用［J］．建筑技术，1997，29（2）：97－98．（LIN Yue-zhong，XUWei，LV Feng-wu．The Grey Model GM（1，1）Used in the Displacement Forecast of the Base Hollow［J］．Architecture Technology，1997，29（2）：97－98．（in Chinese））

［6］ 赵其华，孙 钧，徐 伟．地连墙变形的神经网络多步预测研究［J］．成都理工大学学报，2002，29（5）：581－585．（ZHAO Qi-hua，SUN Jun，XU Wei．Displacement Prediction of Underground Continuous Wall by the Multi Step Neural Network Method［J］．Journal of Chengdu Uni-versity of Technology，2002，29（5）：581－585．（in Chi-nese））

［7］ 周建伟，周爱国，刘 晓．软基沉降的BP神经网络和灰色系统联合预测［J］．地质科技情报，2005，24（7）：109－114．（ZHOU Jian-wei，ZHOU Ai-guo，LIU Xiao．BPArtificial Neural Network and Grey System United Mod-el for Settlement Prediction of Soft Soil Foundation［J］．Geological Science and Technology Information，2005，24（7）：109－114．（in Chinese））

［8］ 彭 涛，杨岸英，梁 杏，等．BP神经网络-灰色系统联合模型预测软基沉降量［J］．岩土力学，2005，26（11）：1810－1814．（PENG Tao，YANG An-ying，LIANG Xing，et al．Prediction of Soft Ground Settlement Based on BP Neural Network-Grey System United Model［J］．Rock and Soil Mechanics，2005，26（11）：1810－1814．（in Chi-nese））

（编辑：王 慰）cohesive strength（c）．In this sense，it is critical to ensure the quality of pouring on the contact surface between concrete and bedrock．Secondly，the shear strength is reduced slightly by the impact ofwater，which is quite limit-ed；and the decrease of shear strength under high water head and long time immersing needs to be studied in-depth．Moreover，the shear destruction on the contact surface between high strength concrete and bedrock has the characteristics of typical brittle-fracture．

Yuzui Changjiang bridge；contact surface between concrete and bedrock；shear strength；influencing factor

TU432

A

1001－5485（2011）05－0046－04

2010-06-10

国家自然科学基金委员会、二滩水电开发有限责任公司雅砻江水电开发联合研究项目（50539110）

任丽芳（1977-），女，河南洛阳人，硕士，讲师，主要从事岩土工程研究，（电话）13933021206（电子信箱）gykren＠126．com。