張生杰， 譚 勇

(同濟(jì)大學(xué)地下建筑與工程系， 上海 200092)

0 引言

隨著我國(guó)城市建設(shè)的不斷進(jìn)行，越來(lái)越多的城市開(kāi)始進(jìn)行大規(guī)模的地鐵建設(shè)。城市地鐵車站深基坑工程周邊往往建(構(gòu))筑物、道路、管線等分布密集，一旦基坑出現(xiàn)工程事故，必將危及周邊安全，甚至可能造成嚴(yán)重的財(cái)產(chǎn)損失和不良社會(huì)影響，因此，深基坑工程施工時(shí)的安全控制至關(guān)重要。對(duì)深基坑開(kāi)挖過(guò)程中的變形做出可靠預(yù)測(cè)，是施工安全的重要保證。

圍護(hù)結(jié)構(gòu)的水平位移是深基坑變形的重要形式，能直接反映出基坑整體變形狀態(tài)，水平位移過(guò)大還會(huì)導(dǎo)致基坑的坍塌。但圍護(hù)結(jié)構(gòu)的水平位移受到地質(zhì)條件、開(kāi)挖方式等多種因素的綜合影響，實(shí)際變形機(jī)制遠(yuǎn)比理論中的復(fù)雜，地質(zhì)條件的復(fù)雜性也使得地層的物理力學(xué)參數(shù)和力學(xué)現(xiàn)象呈現(xiàn)出很強(qiáng)的隨機(jī)性和不確定性[1]。因此，要想準(zhǔn)確地對(duì)基坑變形做出預(yù)測(cè)仍具有一定的難度。

傳統(tǒng)基坑研究領(lǐng)域多采用有限元的方法對(duì)基坑變形進(jìn)行分析，但是，此類方法存在2個(gè)較為顯著的缺點(diǎn)：一是有限元模型中地層的力學(xué)參數(shù)大多進(jìn)行歸一簡(jiǎn)化，而實(shí)際土方開(kāi)挖比模型中所模擬的分段分層開(kāi)挖要更復(fù)雜，因此有限元模型并不能很準(zhǔn)確地反映出真實(shí)的基坑開(kāi)挖狀態(tài)；二是有限元模型所模擬得到的基坑變形結(jié)果大多是對(duì)應(yīng)較長(zhǎng)區(qū)間時(shí)間范圍內(nèi)的數(shù)據(jù)，難以精確到每天的基坑變形，無(wú)法得到未來(lái)幾天的基坑變形數(shù)據(jù)，對(duì)工程中變形控制的實(shí)際意義較小。

近年來(lái)，隨著計(jì)算機(jī)計(jì)算能力的快速發(fā)展，神經(jīng)網(wǎng)絡(luò)模型得到快速發(fā)展，在地下工程領(lǐng)域也開(kāi)始得到廣泛應(yīng)用。李彥杰等[2]基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)建立基坑變形預(yù)測(cè)模型，對(duì)寧波市某基坑圍護(hù)結(jié)構(gòu)的水平變形進(jìn)行預(yù)測(cè)，證明此模型有較強(qiáng)的泛化能力；胡冬等[3]根據(jù)灰色系統(tǒng)理論，建立了基坑變形的GM(1,1)模型，模型預(yù)測(cè)結(jié)果與實(shí)測(cè)值吻合較好；渠孟飛等[4]利用支持向量機(jī)對(duì)基坑變形數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)指出，不斷加入最新監(jiān)測(cè)數(shù)據(jù)可以取得更好的預(yù)測(cè)精度；王興科等[5]采用小波去噪分離基坑變形的趨勢(shì)項(xiàng)和誤差項(xiàng)序列，并采用支持向量機(jī)對(duì)趨勢(shì)項(xiàng)序列進(jìn)行預(yù)測(cè)，采用混沌BP神經(jīng)網(wǎng)絡(luò)對(duì)誤差項(xiàng)進(jìn)行預(yù)測(cè)，將預(yù)測(cè)結(jié)果進(jìn)行疊加得到變形預(yù)測(cè)值。然而，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型或多或少都存在一定的局限性，比如BP神經(jīng)網(wǎng)絡(luò)、灰色預(yù)測(cè)模型和支持向量機(jī)等都是靜態(tài)建模方法，對(duì)高度非線性和時(shí)間相關(guān)性的數(shù)據(jù)適用性較差[6]，而基坑監(jiān)測(cè)數(shù)據(jù)有著非線性的特征、良好的適應(yīng)性和呈現(xiàn)時(shí)間序列的規(guī)律，所以需要使用一種考慮時(shí)間效應(yīng)的算法模型。長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)對(duì)非線性數(shù)據(jù)和時(shí)間序列具有獨(dú)特的優(yōu)勢(shì)，因此袁志明等[7]、許寧[8]以為其基礎(chǔ)對(duì)基坑變形進(jìn)行預(yù)測(cè)，但是均沒(méi)有說(shuō)明建立模型的具體方法，模型的訓(xùn)練集和驗(yàn)證數(shù)據(jù)也過(guò)少，無(wú)法充分證明模型的可靠性。

基于上述基坑變形預(yù)測(cè)方法研究中的不足，本文以長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)為回歸算法，使用Python語(yǔ)言和Tensorflow 2.0框架建立基坑變形預(yù)測(cè)模型，用前期的基坑實(shí)測(cè)變形數(shù)據(jù)為訓(xùn)練樣本，從而實(shí)現(xiàn)在正常施工和不考慮意外突發(fā)情況的前提條件下，對(duì)未來(lái)一段時(shí)間基坑圍護(hù)結(jié)構(gòu)水平變形的準(zhǔn)確預(yù)測(cè)；同時(shí)，將LSTM模型得到的預(yù)測(cè)結(jié)果與BP神經(jīng)網(wǎng)絡(luò)和灰色預(yù)測(cè)模型的結(jié)果進(jìn)行對(duì)比，以更好地驗(yàn)證LSTM模型的準(zhǔn)確性，以期為工程中的變形控制提供參考。

1 變形預(yù)測(cè)網(wǎng)絡(luò)模型簡(jiǎn)介

1.1 LSTM介紹

LSTM最早由Hochreiter和Schmidhuber于1997年提出，并由Graves等[9]進(jìn)行改進(jìn)。該網(wǎng)絡(luò)模型最初是為了解決循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)存在的梯度消失問(wèn)題，因此LSTM也被當(dāng)作是RNN的一種特例[10]。

LSTM的核心思想是通過(guò)記憶單元來(lái)存儲(chǔ)輸入的時(shí)序信息，記憶單元?jiǎng)t使用“門”結(jié)構(gòu)來(lái)篩選存儲(chǔ)至記憶單元的信息，“門”結(jié)構(gòu)有以下3種： 輸入門、輸出門和遺忘門。圖1所示為一個(gè)LSTM細(xì)胞結(jié)構(gòu)。

圖1 LSTM細(xì)胞結(jié)構(gòu)

1個(gè)LSTM細(xì)胞t時(shí)刻的輸入為xt，t時(shí)刻的隱藏狀態(tài)為ht，即為短期記憶；t時(shí)刻的細(xì)胞狀態(tài)為Ct，即為長(zhǎng)期記憶。ht和Ct2個(gè)參數(shù)會(huì)隨著時(shí)間向下傳遞信息，σ為sigmoid函數(shù)，tanh為tanh函數(shù)，3種門在這個(gè)信息傳遞過(guò)程中的作用分別為[11]：

1)遺忘門，顧名思義即為要遺忘一些信息。遺忘門負(fù)責(zé)接收t-1時(shí)刻的細(xì)胞狀態(tài)Ct-1傳來(lái)的信息，并選擇丟棄其中的一部分信息，所丟棄的通常是t時(shí)刻不再需要的信息，將保留下來(lái)的信息傳遞至當(dāng)前t時(shí)刻的細(xì)胞狀態(tài)Ct。從數(shù)學(xué)上來(lái)說(shuō)，遺忘門將t-1時(shí)刻的細(xì)胞狀態(tài)Ct-1乘上一個(gè)遺忘因子ft，遺忘因子是由t-1時(shí)刻的短期記憶ht-1和輸入xt通過(guò)sigmoid函數(shù)共同決定的。

3)輸出門，負(fù)責(zé)控制LSTM細(xì)胞的輸出值。首先，通過(guò)一個(gè)sigmoid函數(shù)來(lái)決定t時(shí)刻的輸入xt和t-1時(shí)刻的短期記憶ht-1中哪部分需要輸出，得到Ot； 然后，再把Ot通過(guò)tanh函數(shù)處理，得到當(dāng)前時(shí)刻的隱藏狀態(tài)ht。

3種門結(jié)構(gòu)都采用sigmoid函數(shù)作為激活函數(shù)，因此它們所接收到的信息都將映射到[0,1]。遺忘門處理上一時(shí)刻的長(zhǎng)期記憶Ct-1，輸入門處理當(dāng)前輸入xt和上一時(shí)刻的短期記憶ht-1，輸出門控制最終的輸出值，3種門結(jié)構(gòu)的共同作用實(shí)現(xiàn)了LSTM細(xì)胞的長(zhǎng)短期記憶時(shí)間效應(yīng)。

1.2 網(wǎng)絡(luò)模型的建立

在構(gòu)建基于LSTM的基坑變形預(yù)測(cè)模型時(shí)，本文主要考慮了模型結(jié)構(gòu)、網(wǎng)絡(luò)層數(shù)、單元個(gè)數(shù)、優(yōu)化算法、誤差函數(shù)等因素。模型結(jié)構(gòu)包括輸入層、隱藏層和輸出層，輸入層主要負(fù)責(zé)對(duì)輸入數(shù)據(jù)進(jìn)行初步的處理，隱藏層則是模型結(jié)構(gòu)中最主要的部分，具體來(lái)說(shuō)隱藏層即是由LSTM細(xì)胞單元組成的網(wǎng)絡(luò)結(jié)構(gòu)，輸出層負(fù)責(zé)輸出模型預(yù)測(cè)的變形結(jié)果[12]。

Tensorflow 2.0為谷歌公司開(kāi)發(fā)的最新版本的開(kāi)源庫(kù)，這是一種高度集成模塊化的深度學(xué)習(xí)框架[13]。本文以Python 3.6語(yǔ)言為基礎(chǔ)，配合Tensorflow 2.0框架，建立包含3層網(wǎng)絡(luò)的LSTM基坑變形預(yù)測(cè)模型： 第1層為輸入層，包含3個(gè)輸入單元和64個(gè)輸出單元；第2層包含64個(gè)輸入單元和128個(gè)輸出單元；第3層包含128個(gè)輸入單元和1個(gè)輸出單元。其中，第1層的3個(gè)輸入單元代表的含義是使用過(guò)去3天的監(jiān)測(cè)數(shù)據(jù)，即時(shí)間步長(zhǎng)為3，去預(yù)測(cè)未來(lái)1天的變形數(shù)據(jù)，即第3層中的1個(gè)輸出單元，中間的64個(gè)單元和128個(gè)單元代表的即為隱藏層中的LSTM細(xì)胞單元。

模型中其他重要的參數(shù)說(shuō)明如下： 選擇方根誤差MSE為誤差函數(shù)，Adam算法為模型的優(yōu)化算法，tanh函數(shù)為模型的激活函數(shù)。模型采用單步迭代的方法對(duì)變形進(jìn)行預(yù)測(cè)，具體訓(xùn)練步驟如下：

1)對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)處理，將明顯監(jiān)測(cè)錯(cuò)誤等異常數(shù)據(jù)剔除，并進(jìn)行差分?jǐn)M合使數(shù)據(jù)集平滑；

2)將數(shù)據(jù)轉(zhuǎn)換成有監(jiān)督的數(shù)據(jù)，并歸一化到[0,1]；

3)將數(shù)據(jù)集劃分成訓(xùn)練集和測(cè)試集，分別對(duì)2類數(shù)據(jù)進(jìn)行維度轉(zhuǎn)換；

4)設(shè)置模型的迭代次數(shù)、驗(yàn)證集比例、批尺寸等其他參數(shù)；

5)將數(shù)據(jù)導(dǎo)入封裝好的模型進(jìn)行訓(xùn)練，期間模型會(huì)根據(jù)誤差項(xiàng)對(duì)各項(xiàng)權(quán)重的梯度進(jìn)行計(jì)算，并使用Adam優(yōu)化算法更新權(quán)重，直到參數(shù)的選擇滿足精度要求；

6)對(duì)模型輸出的數(shù)據(jù)進(jìn)行反歸一化，即為對(duì)應(yīng)的變形預(yù)測(cè)值；

7)將模型保存為h5格式的文件，即為包含各項(xiàng)權(quán)重的模型文件，可用于同一基坑內(nèi)其他測(cè)點(diǎn)的變形預(yù)測(cè)。

2 工程實(shí)例

2.1 實(shí)例樣本數(shù)據(jù)及模型訓(xùn)練

本文以江蘇省南通市某地鐵基坑監(jiān)測(cè)數(shù)據(jù)為實(shí)例，該地鐵車站為12 m島式站臺(tái)地下2層框架結(jié)構(gòu)，位于市區(qū)主干道下且臨近兩側(cè)分布密集建筑群，車站底板埋深16.75 m，凈長(zhǎng)180 m，凈寬19.3 m?；訕?biāo)準(zhǔn)段采用明挖順作法施工，圍護(hù)結(jié)構(gòu)采用800 mm地下連續(xù)墻，豎向設(shè)1道混凝土支撐(0.8 m×1 m)和3道鋼支撐(φ609 mm，厚16 mm)，標(biāo)準(zhǔn)段基坑開(kāi)挖深度為16.95 m，端頭井基坑開(kāi)挖深度為18.46 m，地下連續(xù)墻深均為39.2 m，基坑安全等級(jí)為一級(jí)，基坑環(huán)境保護(hù)等級(jí)為二級(jí)。

選取該地鐵基坑測(cè)斜監(jiān)測(cè)點(diǎn)CX14從2018年12月7日到2019年6月20日共196期的監(jiān)測(cè)數(shù)據(jù)，該段數(shù)據(jù)完整地包含了CX14測(cè)點(diǎn)附近基坑開(kāi)挖前、開(kāi)挖過(guò)程中、澆筑底板后的地下連續(xù)墻水平變形量，數(shù)據(jù)的監(jiān)測(cè)頻率為1次/d，所用測(cè)斜儀型號(hào)為CA-CX-901F，測(cè)量精度為0.01 mm。因?yàn)樵诨拥牡叵逻B續(xù)墻累計(jì)變形控制中，考慮的均為最大變形值，因此，本文中所涉及的地下連續(xù)墻水平變形值均為各測(cè)斜點(diǎn)縱向最大的水平變形值，該值出現(xiàn)的深度一般在基坑開(kāi)挖面附近。

按照本文1.2節(jié)所描述的模型訓(xùn)練步驟，使用這196期數(shù)據(jù)進(jìn)行模型訓(xùn)練，依據(jù)開(kāi)挖工況，分為基坑開(kāi)挖期、基坑澆筑底板后2種工況分別進(jìn)行模型訓(xùn)練，得到用于2種工況下的地下連續(xù)墻水平變形預(yù)測(cè)模型。

2.2 預(yù)測(cè)結(jié)果對(duì)比分析

2.2.1 建立3種變形預(yù)測(cè)模型

為了對(duì)比研究LSTM基坑預(yù)測(cè)模型的準(zhǔn)確性，本文還同時(shí)建立了分別以BP神經(jīng)網(wǎng)絡(luò)和灰色理論為算法基礎(chǔ)的另外2種基坑變形預(yù)測(cè)模型。BP預(yù)測(cè)模型和灰色預(yù)測(cè)模型2種模型同樣采用CX14測(cè)斜點(diǎn)的196期數(shù)據(jù)作為原始數(shù)據(jù)集，文中涉及的基坑測(cè)斜點(diǎn)分布如圖2所示。

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱藏層和輸出層，具有泛化能力強(qiáng)的特點(diǎn)[14]。本文同樣基于Tensorflow 2.0框架，通過(guò)python 3.6語(yǔ)言建立基于經(jīng)典BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，模型共包含3層： 輸入層、隱含層和輸出層。其中，輸入層輸入的數(shù)據(jù)樣本是3維列向量，隱含層的單元個(gè)數(shù)是64個(gè)，輸出層為1維列向量。模型一些重要的參數(shù)說(shuō)明如下： 輸入層到隱含層的傳遞函數(shù)為sigmoid函數(shù)，隱含層到輸出層的傳遞函數(shù)為purelin函數(shù)，優(yōu)化算法采用的是動(dòng)量梯度下降法。經(jīng)過(guò)多次訓(xùn)練，得到效果相對(duì)更佳的BP預(yù)測(cè)模型。

灰色理論是通過(guò)建立灰色微分預(yù)測(cè)模型，對(duì)發(fā)展規(guī)律做出長(zhǎng)期預(yù)測(cè)，該方法對(duì)樣本的數(shù)量要求較低，模型的計(jì)算速度快[15]。一般來(lái)說(shuō)，灰色理論適用于等序時(shí)間間隔的序列， 而本實(shí)例中的監(jiān)測(cè)數(shù)據(jù)頻率均為1次/d，所以是滿足等序要求的。本文根據(jù)陳健[16]所研究的改進(jìn)灰色模型理論，使用優(yōu)化后的背景值構(gòu)造等方法，通過(guò)python3.6語(yǔ)言，結(jié)合numpy和pandas數(shù)據(jù)處理庫(kù)，建立灰色預(yù)測(cè)模型。

綜上，現(xiàn)得到LSTM預(yù)測(cè)模型、BP預(yù)測(cè)模型、灰色預(yù)測(cè)模型3種基坑變形預(yù)測(cè)模型，選擇同一地鐵基坑的CX04測(cè)斜點(diǎn)，用這3種模型分別進(jìn)行該測(cè)點(diǎn)基坑開(kāi)挖期的地下連續(xù)墻水平變形預(yù)測(cè)，以對(duì)比它們的預(yù)測(cè)準(zhǔn)確性。

圖2 基坑測(cè)斜點(diǎn)分布

2.2.2 3種變形預(yù)測(cè)模型結(jié)果對(duì)比

CX04測(cè)斜點(diǎn)在基坑開(kāi)挖之前共有40期監(jiān)測(cè)數(shù)據(jù)，將這40期監(jiān)測(cè)數(shù)據(jù)分別導(dǎo)入開(kāi)挖期的LSTM預(yù)測(cè)模型、BP預(yù)測(cè)模型和灰色預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，得到了3種模型下CX04測(cè)點(diǎn)基坑開(kāi)挖期44 d內(nèi)的地下連續(xù)墻水平變形預(yù)測(cè)結(jié)果，如圖3和圖4所示。

圖3 CX04開(kāi)挖期地下連續(xù)墻水平變形預(yù)測(cè)值對(duì)比

圖4 3種預(yù)測(cè)模型的絕對(duì)誤差

結(jié)合圖3和圖4可以看出，灰色預(yù)測(cè)模型有一定的預(yù)測(cè)效果，但是在開(kāi)挖期內(nèi)誤差波動(dòng)較大，未呈現(xiàn)出誤差變小的趨勢(shì)，且部分點(diǎn)的誤差較大，整體表現(xiàn)出較強(qiáng)的隨機(jī)性；在開(kāi)挖初期，BP預(yù)測(cè)模型較灰色預(yù)測(cè)模型預(yù)測(cè)效果更佳，誤差呈現(xiàn)出逐漸減小的趨勢(shì)，體現(xiàn)了BP神經(jīng)網(wǎng)絡(luò)泛化能力強(qiáng)的特點(diǎn)，但是在開(kāi)挖后期，誤差開(kāi)始呈現(xiàn)出變大及不穩(wěn)定的趨勢(shì)，預(yù)測(cè)效果變差；LSTM預(yù)測(cè)模型的誤差在整個(gè)開(kāi)挖期內(nèi)始終在-2.5～1.5 mm波動(dòng)，整體誤差平穩(wěn)，趨勢(shì)穩(wěn)定，預(yù)測(cè)效果較好。

3種預(yù)測(cè)模型的絕對(duì)誤差見(jiàn)表1。結(jié)合表1可以看到，3種預(yù)測(cè)模型精度最高的是LSTM預(yù)測(cè)模型，相較于BP預(yù)測(cè)模型，平均誤差精度提高了19%，方差精度提高了43%；相較于灰色預(yù)測(cè)模型，平均誤差精度提高了34%，方差精度提高了46%。進(jìn)一步分析，基坑監(jiān)測(cè)數(shù)據(jù)有著非線性的特征、良好的適應(yīng)性和呈現(xiàn)時(shí)間序列的規(guī)律，BP神經(jīng)網(wǎng)絡(luò)、灰色理論都是靜態(tài)建模方法，對(duì)高度非線性和時(shí)間相關(guān)性的數(shù)據(jù)適用性較差，而LSTM特有的記憶單元，對(duì)處理非線性數(shù)據(jù)和時(shí)間相關(guān)序列具有獨(dú)特的優(yōu)勢(shì)，考慮了基坑變形的時(shí)間效應(yīng)。因此，相比于BP預(yù)測(cè)模型和灰色預(yù)測(cè)模型，LSTM預(yù)測(cè)模型的預(yù)測(cè)效果最好。

表1 3種預(yù)測(cè)模型的絕對(duì)誤差

2.3 模型的進(jìn)一步驗(yàn)證

2.3.1 CX04測(cè)點(diǎn)澆筑底板后變形預(yù)測(cè)驗(yàn)證

通過(guò)2.2節(jié)，初步驗(yàn)證了LSTM預(yù)測(cè)模型具有較好的準(zhǔn)確性，為了進(jìn)一步驗(yàn)證LSTM預(yù)測(cè)模型的穩(wěn)定性和可靠性，本節(jié)將繼續(xù)研究在CX04測(cè)點(diǎn)基坑澆筑底板后的地下連續(xù)墻水平變形預(yù)測(cè)效果?？紤]到LSTM的預(yù)測(cè)精度相較于BP預(yù)測(cè)模型和灰色預(yù)測(cè)模型已經(jīng)得到驗(yàn)證，本節(jié)不再進(jìn)行多種模型預(yù)測(cè)結(jié)果的對(duì)比。

在CX04測(cè)點(diǎn)附近基坑澆筑底板前，共有84期監(jiān)測(cè)數(shù)據(jù)，在此數(shù)據(jù)基礎(chǔ)上，使用本文2.1節(jié)得到的基坑澆筑底板后的LSTM預(yù)測(cè)模型對(duì)地下連續(xù)墻水平變形進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)結(jié)果如圖5所示，預(yù)測(cè)值與監(jiān)測(cè)值的絕對(duì)誤差如圖6所示。

(a) 示意圖

(b) 局部放大示意圖

結(jié)合圖5和圖6可以看出，LSTM預(yù)測(cè)模型在CX04測(cè)點(diǎn)附近基坑澆筑底板后的地下連續(xù)墻水平變形預(yù)測(cè)中，誤差完全控制在-0.75 mm以內(nèi)，雖然因?yàn)槟Ｐ偷睦塾?jì)誤差效應(yīng)，預(yù)測(cè)誤差呈現(xiàn)出逐漸增大的趨勢(shì)，但是基坑不可能長(zhǎng)期保持該施工狀態(tài)，短時(shí)間內(nèi)基坑就會(huì)封頂； 并且誤差增長(zhǎng)的幅度極其緩慢，僅為-0.01 mm/d，這樣的誤差累計(jì)對(duì)實(shí)際基坑工程來(lái)說(shuō)可以說(shuō)是微不足道的。因此，對(duì)實(shí)際基坑工程來(lái)說(shuō)，LSTM預(yù)測(cè)模型是絕對(duì)可靠的。

2.3.2 CX11測(cè)點(diǎn)變形預(yù)測(cè)驗(yàn)證

為了充分說(shuō)明LSTM預(yù)測(cè)模型的穩(wěn)定性和可靠性，本文選擇同一基坑的CX11測(cè)點(diǎn)再次進(jìn)行LSTM模型預(yù)測(cè)效果的驗(yàn)證，同樣分為基坑開(kāi)挖期和基坑澆筑底板后，研究CX11測(cè)點(diǎn)附近基坑的地下連續(xù)墻水平變形的預(yù)測(cè)情況。開(kāi)挖期的預(yù)測(cè)結(jié)果如圖7和圖8所示。

圖6 CX04測(cè)點(diǎn)基坑澆筑底板后預(yù)測(cè)值與監(jiān)測(cè)值的絕對(duì)誤差

圖7 CX11測(cè)點(diǎn)基坑開(kāi)挖期地下連續(xù)墻水平變形值

圖8 CX11測(cè)點(diǎn)基坑開(kāi)挖期預(yù)測(cè)值與監(jiān)測(cè)值的絕對(duì)誤差

結(jié)合圖7和圖8可以看出，在CX11測(cè)點(diǎn)基坑開(kāi)挖期內(nèi)，LSTM預(yù)測(cè)模型的絕對(duì)誤差值始終控制在-1.5～2 mm，并且圍繞0線波動(dòng)，與CX04測(cè)點(diǎn)的預(yù)測(cè)效果極為相似，證明了LSTM模型的預(yù)測(cè)效果具有穩(wěn)定性與可靠性。

最后，驗(yàn)證一下CX11測(cè)點(diǎn)附近基坑澆筑底板后的地下連續(xù)墻水平變形預(yù)測(cè)效果。CX11測(cè)點(diǎn)在基坑澆筑底板前，共有116期現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)，基于這116期數(shù)據(jù)，使用基坑澆筑底板后的LSTM模型，對(duì)該測(cè)點(diǎn)的地下連續(xù)墻水平變形進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖9和圖10所示。

結(jié)合圖9和圖10可以看到，CX11測(cè)點(diǎn)基坑地下連續(xù)墻水平變形的預(yù)測(cè)值與監(jiān)測(cè)值的絕對(duì)誤差控制在-0.75 mm以內(nèi)，這與CX04測(cè)點(diǎn)該工況下的預(yù)測(cè)效果極為一致，同樣出現(xiàn)了誤差逐漸增大的趨勢(shì)，但是誤差增長(zhǎng)的趨勢(shì)同樣是完全可以控制的。結(jié)合上述CX11測(cè)點(diǎn)基坑開(kāi)挖期的預(yù)測(cè)結(jié)果分析，足以充分證明LSTM預(yù)測(cè)模型具有極佳的穩(wěn)定性，能夠?qū)ν换觾?nèi)任意位置測(cè)點(diǎn)進(jìn)行穩(wěn)定可靠的地下連續(xù)墻水平變形預(yù)測(cè)。

圖9 CX11測(cè)點(diǎn)基坑澆筑底板后地下連續(xù)墻水平變形值

圖10 CX11測(cè)點(diǎn)基坑澆筑底板后預(yù)測(cè)值與監(jiān)測(cè)值的絕對(duì)誤差

3 結(jié)論與討論

1)本文以某地鐵基坑工程為實(shí)例，基于現(xiàn)場(chǎng)實(shí)測(cè)監(jiān)測(cè)數(shù)據(jù)，訓(xùn)練得到基于LSTM算法的基坑變形預(yù)測(cè)模型，并使用該預(yù)測(cè)模型在正常施工以及不考慮意外事故的前提下，分別對(duì)基坑開(kāi)挖期和澆筑底板后2種工況下的基坑地下連續(xù)墻水平變形進(jìn)行預(yù)測(cè)，取得了較為準(zhǔn)確的預(yù)測(cè)結(jié)果。

2)利用CX14測(cè)點(diǎn)完整施工周期內(nèi)的監(jiān)測(cè)數(shù)據(jù)，通過(guò)1.2節(jié)所描述的訓(xùn)練方法得到LSTM預(yù)測(cè)模型，同時(shí)使用同樣的數(shù)據(jù)訓(xùn)練得到BP預(yù)測(cè)模型和灰色預(yù)測(cè)模型，對(duì)CX04測(cè)點(diǎn)附近基坑開(kāi)挖期的地下連續(xù)墻水平變形進(jìn)行預(yù)測(cè)，并對(duì)預(yù)測(cè)誤差進(jìn)行對(duì)比，得出LSTM預(yù)測(cè)模型相對(duì)另外2種預(yù)測(cè)模型預(yù)測(cè)精度更高的結(jié)論。

3)利用LSTM預(yù)測(cè)模型，對(duì)CX04測(cè)點(diǎn)附近基坑澆筑底板后，CX11測(cè)點(diǎn)附近基坑開(kāi)挖期、澆筑底板后3種情況的基坑地下連續(xù)墻水平變形進(jìn)行預(yù)測(cè)，得到了同樣精確的預(yù)測(cè)結(jié)果，證明了本文所構(gòu)建的LSTM預(yù)測(cè)模型具有可靠性與穩(wěn)定性的特點(diǎn)。

4)以上分析思路和結(jié)論適用于在不考慮突發(fā)事故情況并嚴(yán)格規(guī)范施工前提下的基坑變形預(yù)測(cè)。在實(shí)際工程中，部分情況下施工流程并不一定是規(guī)范標(biāo)準(zhǔn)的，也有出現(xiàn)地下連續(xù)墻滲漏等意外事故的概率，這些因素都會(huì)影響基坑變形預(yù)測(cè)。鑒于基坑工程中的不確定性，基于LSTM的基坑變形預(yù)測(cè)模型要提高適用性，還需要更多實(shí)踐的優(yōu)化和改進(jìn)。