基于GA-BP神经网络的深基坑变形预测与BIM技术的施工控制研究*

杨大田，范良宜，刘 畅

(1.广州高新工程顾问有限公司，广东 广州 510665； 2.深圳大学建筑设计研究院有限公司，广东 深圳 518060)

0 引言

随着我国城镇化建设事业的发展，城市高层建筑及地下工程层出不穷，深基坑工程也越来越普遍。由于深基坑工程是一个多学科、施工具有动态变化、影响因素众多、施工技术复杂的系统工程，因此，对深基坑工程施工过程进行科学有效的变形监测及信息化施工控制，是确保实现深基坑工程施工安全目标的关键。近年来，国内外许多学者对深基坑工程施工变形及其预测与施工控制方法等进行了广泛探索研究，如宗露丹等[1]以超深大基坑工程实例为背景，对软土层中顺逆作分区交叉实施的坑外土体及立柱变形和支撑轴力变化等进行了分析研究；木林隆等[2]应用神经网络模型与人工智能技术相结合的方法对基坑开挖过程中诱发邻近既有隧道变形进行了研究；焦武阳等[3]通过对基坑工程开挖现场监测数据的分析研究，得出分区开挖是控制基坑变形的有效方法；曹浪等[4]研究采用有限元模拟分析和自动化监测手段进行深基坑变形控制技术；许金根[5]结合高层装配式建筑实例对深基坑变形控制进行研究；宋楚平[6]提出了一种基坑变形的主要自变量与模型在时间上的延展性相结合的BP网络基坑变形预测方法；谭兴等[7]对顺逆作同步交叉实施的条件下深基坑支护结构变形情况进行了实测分析研究；方林胜等[8]分别应用灰色GM(1,1)、BP神经网络和灰色-BP神经网络模型，对深基坑地表土体沉降进行了预测分析研究；Ran等[9]针对深基坑应用计算机系统对监测数据进行实时分析处理，实现了信息化施工；还有一些学者对遗传算法优化BP神经网络模型的应用方法[10-12]进行了多领域分析研究；另外，一些学者对基于BIM技术的基坑工程监测及信息化管理的实现方法等也开展了深入探索，如戎呈航[13]提出了基于BIM技术的深基坑工程监测可视化信息管理策略与方法及实现路径；贺勃涛等[14]应用BIM技术结合全站仪对超高层建筑基坑的施工变形实时监测与动态管理进行了分析研究；陆珺[15]开发了一种基于BIM的基坑监测Web系统，实现了互联网与基坑BIM模型的交互应用；Khaja等[16]应用Dynamo工具建立外部信息文件与BIM模型的交互通道，实现了非几何信息与BIM 模型的交互。但由于深基坑工程涉及的具体基坑围护结构形式、水文地质条件、地下水及信息化施工方法和基坑监测方案等诸多影响因素的差异性，使深基坑施工变形的预测及控制方法呈现出了多样性，且实现方法的差异性也较大，目前在BIM技术与深基坑变形监测与施工控制技术融合集成的研究还比较缺乏。因此，本文结合基坑工程实例，对深基坑施工变形预测与控制方法进行综合探究分析，以构建集基坑施工变形的智能化精准预测与基于BIM的可视化信息管控于一体的方法体系。

1 工程概况

广州市沙凤村拆迁复建E地块项目位于广州市白云区金沙洲，用地红线面积为15 321m2，项目总建筑面积为109 206.61m2；3层地下室，地下室基坑总体呈长方形，周长452m，坑底标高为-4.600m，现状地面高程为7.500～8.000m，深度为12.10～12.60m；围护结构釆用φ1 200@1 400mm或φ1 400@1 600mm旋挖灌注桩+2道钢筋混凝土内支撑体系；基坑四周设置三轴水泥搅拌桩，形成封闭的截水帷幕。基坑剖面如图1所示。

图1 基坑剖面

项目场地第四系土层主要以黏性土为主，含水较贫乏；中砂层中含孔隙水；中风化灰岩及微风化灰岩含少量裂隙水，含水量不大，具有承压性。地下水补给主要以大气降水及地表水的侧向补给为主；地下水排泄主要表现为水平径流、蒸发及蒸腾。项目基坑监测点布置如图2所示，监测时间及频率按基坑监测方案组织实施。基坑按分区分层开挖方案于2020年11月30日开始施工。

图2 基坑监测点布置

2 GA-BP神经网络的变形预测方法

2.1 预测模型构建

2.1.1BP神经网络

BP神经网络被称为一种人工神经网络的误差反向传播训练算法(简称“BP算法”)，其多层前馈BP神经网络在目前工程中得到了最广泛而成熟的应用。BP神经网络通常由输入层、输出层和若干个隐含层组成(见图3)。采用3层BP神经网络结构进行分析研究，在误差反向传播学习过程中，通过一个最小化能量函数的过程来实现从输入到输出的映射，网络结点作用函数采用较常用的Sigmoid型函数。

图3 3层BP神经网络结构

BP神经网络虽然应用广泛，但由于学习的收敛速度太慢，不能确保网络训练收敛到全局的最小点，而且还存在网络结构不易确定等缺陷，BP网络结构及初始连接权值和阈值的选择对网络训练有很大影响，因此，应用遗传算法对BP神经网络进行优化可为解决上述问题提供一条重要路径。

2.1.2GA-BP神经网络模型

在BP神经网络输入层、输出层和隐含层个数确定后，应用遗传算法(genetic algorithm，GA)对BP神经网络进行优化，可在短时间内完成对网络的训练，以获得最佳权值，从而稳定网络训练结果，使计算过程简单化。优化路径为：在BP算法开始前，将初始化的BP神经网络权值和阈值首先通过GA算法在随机点集中进行遗传优化，然后，再将优化后的权值和阈值导入BP算法进行训练(称为GA-BP算法)，以形成完整的GA-BP神经网络模型。GA-BP神经网络算法流程如图4所示。

图4 GA-BP神经网络算法流程

2.2 变形预测分析

由于深基坑施工变形随着施工进度、空间位置的不同而变化，表现出强烈的时空效应，而深基坑围护结构水平位移反映了围护结构体系工作状况，过大的水平位移将造成基坑围护结构、周围建筑及地下管线等的破坏，为此，在基坑开挖过程中，做好基坑围护结构水平位移的监测和预测是基坑工程施工的重点。本文选取围护结构桩顶水平位移为研究对象，根据基坑施工的工程对象空间拓扑关系的分析，按网络输入参数的不同，分别应用基于GA-BP神经网络的时间序列和多因素预测模型对深基坑围护结构桩顶水平位移进行分析研究。

2.2.1基于时间序列的变形预测方法

由于深基坑工程的施工变形反映在监测数据按时间序列，前后存在一定的关联性，当前的监测数据为以前状态的延续。因此，本文选取具有代表性的深基坑围护结构桩顶水平位移的一级监测点S2为研究对象，以2021-03-22—2021-04-30(连续40d)的监测数据为样本，利用前34d数据作为训练样本，即通过每4d监测数据作为输入向量，第5天监测数据作为目标向量进行建模，应用后6d数据进行变形预测。

BP神经网络采用4个输入单元和1个输出单元，应用MATLAB软件编程试算，确定隐含层神经元个数为9，则BP神经网络结构为4-9-1，再将遗传算法接入BP神经网络，设置遗传终止代数为700，群体为80，交叉概率为0.6，变异概率为0.005，最后形成一个完整的GA-BP时间序列预测模型对基坑施工变形进行预测。

在网络训练前将训练参数设为：学习速率为0.01，训练精度为0.001，最多训练次数为3 000。当网络训练完成后，对深基坑围护结构桩顶水平位移进行变形预测。2021-04-25—2021-04-30围护结构桩顶水平位移监测点S2的日监测实测值与预测值对比如表1所示。

表1 桩顶水平位移实测值与预测值对比(时间序列)

由表1可知，GA-BP神经网络预测值与实测值间的误差比BP神经网络小，更接近实际情况，GA-BP神经网络与BP神经网络的最大相对误差分别为5.39%，6.33%，平均相对误差分别为1.91%，2.53%，均满足工程应用所要求的精度。随着基坑监测数据的不断增多，训练样本也相继增多，后续监测数据不断加入前期训练样本中，重复训练，连续滚动预测，提高了水平位移预测精度。因此，基于时间序列的GA-BP神经网络预测模型不仅能较好地模拟深基坑施工的非线性过程，同时，也可满足工程应用所要求的精度，且在基坑施工变形智能预测中还具有良好的效果。

2.2.2基于多因素模型的变形预测方法

在深基坑工程系统中，工程对象(如基坑土体、基坑支撑、立柱等)通过相互之间的拓扑关系共同组成了一个有机整体，当一个工程对象所处的物理环境和空间位置等因素发生变化时，相关联的工程对象也将产生相应变化，而深基坑工程状态可通过工程对象监测数据综合反映出来，这些监测数据间也必然存在密切的相互关系。以2021-03-22—2021-04-30(连续40d)监测数据为数据样本(见表2)，选取与基坑围护结构桩顶水平位移监测点S2相关联的相邻围护结构桩顶水平位移监测点S1，S21，S3，S4及第1道水平支撑内力监测点Z1，Z3，Z4，Z6和支撑立柱沉降监测点L1，L3，L4，L6的日监测数据来预测监测点S2的桩顶水平位移变化情况。

表2 桩顶水平位移、支撑内力及立柱沉降监测实测数据

BP神经网络采用12个输入单元和1个输出单元，其中输入单元为表2样本数据中4个桩顶水平位移、4个支撑内力及4个立柱沉降日实测数据，而网络输出单元为对应时间的桩顶水平位移S2的日监测值，学习样本将表2前34d监测数据作为输入值，对应时间的S2水平位移数据作为输出值，应用MATLAB软件进行编程建模训练，并将2021-04-25—2021-04-30数据预测检验S2水平位移。通过试算，隐含层神经元个数确定为15，将遗传算法接入BP神经网络，且遗传算法参数设置为：终止代数为700，群体大小为80，交叉概率为0.6，变异概率为0.005，最后形成一个完整的GA-BP多因素预测模型对基坑施工进行变形预测。

在网络训练前，将训练误差设为0.001，学习速率为0.01，最多训练次数设为3 000，当网络训练完成后，即可进行水平位移预测。基于多因素的围护结构桩顶水平位移监测点S2的实测值与预测值对比如表3所示。

表3 水平位移实测值与预测值对比(多因素)

由表3可知，GA-BP神经网络与BP神经网络的预测结果中最大绝对误差分别为0.134，-0.295mm， 最大相对误差分别为12.33%，12.83%，平均相对误差分别为5.96%，7.46%；GA-BP神经网络预测结果均优于BP神经网络预测结果。因此，基于多因素模型的遗传算法对BP神经网络的优化有效可行，在提高BP神经网络预测能力上具有明显优势。

由表1，3对比可知，时间序列和多因素预测模型在训练中，均应用样本数据前34d监测数据作为训练样本，后6d数据进行预测检验，因此，随着训练样本数据的不断增加，网络学习的机会增多，使预测值与实测值不断逼近、更具有精确性和可靠性，而且，两种预测模型分别从时域和空域2个维度的预测结果均能满足深基坑施工变形预测的实际应用要求。

同时，通过比较以上两种预测模型发现，多因素预测模型的输入数据反映了深基坑工程对象相关联的各因素实际变化情况，考虑了深基坑施工变形复杂性、时空变化的多样性及监测数据的不完整性等影响，对解决应用单一时间序列遇到困难的施工变形预测问题提供了新途径，通过深基坑工程对象相关联的各因素非线性关系构建的多因素预测模型，对基坑施工变形进行预测，具有更为广泛的应用价值。在基坑施工中，当施工不慎或其他原因造成监测点的损坏不能正常监测，而在损坏的监测点中又需量化数据以便及时发现基坑变形趋势时，通过多因素变形预测方法即可有效解决这一问题。

总之，应用GA-BP神经网络对深基坑施工变形进行智能预测科学有效，且预测模型可应用于深基坑工程中智能监测的各方面，并具有较好的通用性。

3 基于BIM技术的施工变形控制要点

3.1 构建基坑BIM模型及数据库

BIM技术在基坑施工变形控制中应用的关键是基坑施工及监测信息与BIM模型的交互及可视化表达，而创建基坑BIM模型及工程数据库，并建立数据库与BIM模型的关联关系是应用BIM技术实施基坑施工变形控制的首要工作。因此，首先通过对基坑施工工程对象空间拓扑关系的分析研究，应用Autodesk Revit建模软件将基坑施工中工程对象的各构件设计为一个类别的族，并分别建立基坑围护结构、水平支撑、土方、施工机械等参数化族，并添加相关参数信息，形成基坑3D BIM模型；然后，再通过建立内力、位移、沉降等各类监测点族库，并为创建的监测点族添加包括监测数据、报警值等相关参数信息，将基坑监测数据信息与基坑BIM模型进行关联；最后，应用SQL建立包括监测点、人员及施工机械位置、实测变形数据、变形预测数据、报警信息等工程数据库，并与BIM模型链接关联，实现基坑施工及监测信息与BIM模型的数据交互与集成。

3.2 基坑BIM预控管理

在深基坑工程施工前，将构建好的BIM模型导入Navisworks软件中，并添加时间轴信息，应用基坑监测历史数据对基坑BIM模型进行施工模拟，通过软件的实时漫游功能及可视化施工模拟，直观、动态地展现基坑开挖施工的变化过程，提早发现施工中各工程对象之间是否存在空间冲突、验证基坑施工方案的可行性和适用性及进行施工前可视化施工交底。当出现碰撞时，施工前及时制定解决方案，避免施工安全问题的发生；另外，通过基坑实时监测数据和预测数据对基坑施工变形进行仿真模拟，实时动态地反映基坑变形情况，准确把握对基坑变形、受力等变化趋势的预测，并在基坑施工前及时动态调整和优化基坑施工方案，以避免基坑变形超过预控目标。

3.3 可视化动态控制

通过应用Revit族函数控制监测点族的色彩展示，在BIM模型中将抽象的监测数值信息表达为可视化的具有直观形象的色彩效果，对基坑施工实行可视化控制。首先，将基坑监测数据与报警值进行关联，通过监测点族的色彩变化来反馈基坑施工变形信息，对于超过报警值的监测数据，其对应的监测点族用红色来显示，对未超过监测报警值的数据的监测点族用绿色来显示，进而通过监测点的色彩变化模拟来实现基坑施工的预警管理。然后，通过Navisworks对基坑监测信息进行动态过程模拟，直观地展现基坑施工真实情况，有效集成基坑监测信息与工程对象及其空间拓扑关系等方面的信息，以BIM模型可视化的形式进行并行表达，通过对监测点展示的颜色来判断基坑在任意时间点各监测区域的变形危险程度，实现系统化分析判断基坑安全状态的实时动态。

3.4 施工过程协同管理

由于基坑BIM模型中集成和整合了土方开挖、降排水、围护结构、机械设备等工程对象不同专业的施工信息，因此，在基坑施工过程中，各专业施工单位及勘察、设计、项目管理等项目参与方根据自己所需的工程对象进行信息提取，并实时采集上传自己所涉及的工程对象施工信息，通过以基坑BIM模型为核心的信息交流和共享平台对基坑施工进行协调管理。同时，通过应用Revit软件中Dynamo工具构建的基坑工程对象的空间拓扑关系，建立企业知识库管理系统[17](包含施工规范、施工优秀案例、施工经验等基坑工程信息的企业知识库)与BIM模型的数据关联通道，使各参与方人员可通过直接提取的工程对象施工信息来判断分析基坑施工现场现状，并实时与现行施工规范及成熟的施工知识经验进行比对分析，识别基坑施工过程中的危险因素，及时采取协同控制措施，避免安全事故的发生。

3.5 信息化远程管控

通过在BIM模型中建立的快速链接，使BIM模型与基于Web的企业项目管理系统建立联系，应用企业项目管理系统与SQL数据库的数据交互功能，调取项目工程数据库信息，从而实现基坑施工对各监测项目的监测类型、监测点位置、实测数据、基坑监测报警值等相关信息的检索与查询和基坑施工信息的传递与共享等信息化管理。同时，应用BIM技术在Revit，Navisworks的接口和扩展功能，通过开发基于Web的企业项目管理系统，实现基坑施工信息与BIM模型的集成整合，并通过基坑施工信息的及时更新，使基坑施工管理人员通过互联网可及时全面地按确定的信息传递方式和技术流程进行交换和共享基坑施工信息，进而实现对基坑工程施工的在线远程管理。而且，在基坑施工现场安全巡视检查与旁站的过程中，现场人员将存在安全隐患的部位拍照上传，能准确及时地反映基坑施工现场情况，企业管理人员可根据掌握的施工现场实时安全状况，及时采取措施进行处理，实现对基坑施工的动态远程管控。

4 结语

1)本文提出的基于GA-BP神经网络的基坑变形智能预测方法对深基坑施工变形预测可行有效，是深基坑信息化施工管理的有效工具，对类似深基坑工程具有一定的指导作用；同时，通过实例计算可知，GA-BP神经网络比BP神经网络具有收敛快、预测精度高、预测结果更准确等优势；多因素预测模型比单一时间序列预测模型更能充分反映深基坑工程施工的时空效应，应用价值更为广泛。

2)针对深基坑工程监测信息规模大且关系复杂等特点，本文阐述的基于BIM技术的深基坑施工控制方法，通过BIM技术对基坑施工监测信息进行有效组织、分析与表达，结合企业项目管理系统与BIM技术的融合集成，充分展现基坑BIM施工管理的应用价值，同时，通过深基坑BIM模型与基坑监测工程数据库及企业知识库的关联互动，应用数据库技术的强大支持，对构建实时智能监测→快速信息互动→仿真预控管理→可视化动态控制→施工协同管理→在线远程管控的深基坑施工变形智能预测与BIM施工控制一体化方法体系、基于BIM技术的深基坑施工数字化、可视化、信息化协同管理，以及实现深基坑工程安全施工具有现实参考意义。