張轉(zhuǎn)林

（中鐵十八局集團(tuán)市政工程有限公司，天津 300222）

1 引言

隨著城市地下空間開發(fā)的不斷推進(jìn)，地鐵車站的埋深、長度均不斷增加，不斷涌現(xiàn)出新的超長、超深、超大地鐵車站基坑。日漸增長的基坑尺寸和日益復(fù)雜的環(huán)境因素相互耦合，更加考驗施工過程中對基坑支護(hù)結(jié)構(gòu)的安全管控水平。為對深大基坑的安全進(jìn)行有效的監(jiān)控和預(yù)測分析，從而達(dá)到針對性地進(jìn)行加固、控制等安全管控的目的，采用合理可靠的基坑變形發(fā)展預(yù)測方法對后續(xù)安全控制的選用至關(guān)重要。

在巖土工程中，通常采用一些解析解或經(jīng)驗公式，對基坑、路基等設(shè)施的變形進(jìn)行預(yù)測和分析。受到材料各向異性、土體力學(xué)機(jī)理、土-結(jié)構(gòu)相互作用等復(fù)雜因素影響，是對長期變形、不同施工步序下的變形發(fā)展等難以做到有效預(yù)測。隨著計算機(jī)技術(shù)及土體本構(gòu)模型發(fā)展，數(shù)值分析方法已經(jīng)成為基坑變形預(yù)測的一 個主要方法。數(shù)值分析法在求解復(fù)雜的巖土工程問題時，具有很好的可靠性和普適性，故數(shù)值模擬可以有效解決基坑開挖等工程問題。但是數(shù)值計算對計算機(jī)性能、模型精細(xì)程度、材料本構(gòu)模型等也有較高要求，較少在施工過程中針對不同的施工階段開展動態(tài)計算。因此，仍需發(fā)展結(jié)合基坑監(jiān)測數(shù)據(jù)的變形預(yù)測手段，通過對監(jiān)測數(shù)據(jù)的處理和解讀，對施工階段深大基坑的變形進(jìn)行更符合現(xiàn)場實況且準(zhǔn)確的預(yù)測。

伴隨人工智能的發(fā)展，利用相關(guān)技術(shù)，發(fā)展出一大批基于監(jiān)測數(shù)據(jù)的基坑變形預(yù)測方法。任麗芳等將GM （1，1） 模型與神經(jīng)網(wǎng)絡(luò)模型算法相結(jié)合，建立深基坑的變形預(yù)測灰色神經(jīng)網(wǎng)絡(luò)組合模型，經(jīng)過實際工程的預(yù)測檢驗，證明預(yù)測效果較好。麻鳳海等人鑒于軟土地層和特殊巖層的特性，證明深基坑的開挖變形很難從理論上準(zhǔn)確計算，并通過比較流行的一些非線性預(yù)測方法，結(jié)合實際監(jiān)測數(shù)據(jù)，建立灰色理論預(yù)測模型、時間序列預(yù)測模型和改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型來預(yù)測基坑的變形。楊哲峰等通過對原始監(jiān)測數(shù)據(jù)的降噪處理，利用最優(yōu)小波原理，將處理后的數(shù)據(jù)分為趨勢項和誤差項2個序列，分離原始數(shù)據(jù)的長期性和游離性，增加數(shù)據(jù)的可預(yù)測性，同時分別對這2個序列運(yùn)用前饋（BP）神經(jīng)網(wǎng)絡(luò)的算法加以預(yù)測，預(yù)測結(jié)果的精確度有明顯的提升。上述研究證明人工智能方法在基坑變形預(yù)測方面的適用性，但對于復(fù)雜環(huán)境下地鐵車站深大基坑的變形預(yù)測，仍需針對其超長、超深、復(fù)雜周圍環(huán)境等特點(diǎn)，開展相應(yīng)研究，以滿足建設(shè)形勢的需求。

為此，本文將開展復(fù)雜環(huán)境下地鐵車站深大基坑的變形預(yù)測方法研究。首先利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建深大基坑變形預(yù)測模型。在此基礎(chǔ)上，結(jié)合廣州地鐵22號線祈福站的實際情況和監(jiān)測數(shù)據(jù)，對上述模型進(jìn)行訓(xùn)練和校驗，結(jié)果表明模型可以較為準(zhǔn)確地預(yù)測深大基坑的變形。為驗證模型對不同施工步序下基坑變形的預(yù)測效果，本文還構(gòu)建精細(xì)化的祈福站基坑數(shù)值模型，通過對比不同施工步序下的施工變形模擬結(jié)果和預(yù)測結(jié)果，進(jìn)一步驗證模型的有效性。

2 基坑變形預(yù)測模型

2.1 BP 神經(jīng)網(wǎng)絡(luò)

生物神經(jīng)元信號的傳遞是通過突觸實現(xiàn)的復(fù)雜過程，而人工神經(jīng)網(wǎng)絡(luò)就是模擬生物神經(jīng)元信號的傳遞過程，并將其簡化成1組或者多組數(shù)字信號，通過一定的學(xué)習(xí)規(guī)則使其不斷更新的過程。不同神經(jīng)網(wǎng)絡(luò)之間的連接通過神經(jīng)元之間的連接權(quán)重來實現(xiàn)。BP神經(jīng)網(wǎng)絡(luò)是一種誤差反向傳播神經(jīng)網(wǎng)絡(luò)，通常由1個或多個輸入層、隱含層和輸出層構(gòu)成，而每一層又包含數(shù)個神經(jīng)元，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2 BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則

BP神經(jīng)網(wǎng)路最主要的學(xué)習(xí)模式，是基于反向誤差傳播算法的有監(jiān)督學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)通過不斷的學(xué)習(xí)和訓(xùn)練，對預(yù)測值與輸入訓(xùn)練集之間的誤差進(jìn)行調(diào)節(jié)，最終使誤差低于容許誤差。圖1中，xj表示輸入層第j個節(jié)點(diǎn)的輸入，wij表示隱含層第i個節(jié)點(diǎn)到第j個節(jié)點(diǎn)之間的權(quán)值；θi表示隱含層第i個節(jié)點(diǎn)的閾值；φ表示隱含層的激勵函數(shù)；wik表示輸出層第k個節(jié)點(diǎn)到第i個節(jié)點(diǎn)之間的權(quán)值；ak表示輸出層第k個節(jié)點(diǎn)的閾值；φ表示輸出層的激勵函數(shù)；yk表示輸出層第k個節(jié)點(diǎn)的輸出。則每一個樣本的二次型誤差準(zhǔn)則函數(shù)Ep為：

式（1）中，L為輸出層節(jié)點(diǎn)數(shù)，Tk為期望值，若有P個訓(xùn)練樣本，則系統(tǒng)的總誤差準(zhǔn)則函數(shù)為：

對于不同神經(jīng)元之間的權(quán)重值和閾值的調(diào)整，可以根據(jù)誤差梯度下降法對各層進(jìn)行調(diào)整，得到修正輸出層權(quán)值的修正量Δwki、輸出層閾值的修正量Δak、隱含層權(quán)值的修正量Δwij、隱含層閾值的修正量Δθi如下：

BP神經(jīng)網(wǎng)絡(luò)算法簡單、易行、計算量小，其算法的實質(zhì)就是針對誤差函數(shù)求最小值，由于它采用非線性規(guī)劃的最速下降法，按照誤差函數(shù)的負(fù)梯度方向修改權(quán)重值或閾值，可能會造成學(xué)習(xí)效率低，收斂速度慢等問題。為彌補(bǔ)這一缺陷，需在訓(xùn)練過程中自動調(diào)節(jié)學(xué)習(xí)速率的值，使其可以根據(jù)公式（4）自動調(diào)節(jié)：

式（4）中，E（k）為第k步誤差的平方和。

通常調(diào)節(jié)學(xué)習(xí)速率的準(zhǔn)則是：檢查權(quán)值是否真正降低誤差函數(shù)，如果降低說明所選學(xué)習(xí)速率偏小，可以適當(dāng)?shù)脑龃?；反之則應(yīng)減少學(xué)習(xí)速率的值，防止產(chǎn)生過調(diào)。由于其可以自動調(diào)節(jié)學(xué)習(xí)速率的值，故初始學(xué)習(xí)速率η （0）的取值范圍也可以有很大的隨意性。下面將結(jié)合祈福站的基坑監(jiān)測數(shù)據(jù)，訓(xùn)練上述可以自動調(diào)節(jié)學(xué)習(xí)速率的BP神經(jīng)網(wǎng)絡(luò)模型，并對基坑變形進(jìn)行預(yù)測和校驗。

3 基坑變形預(yù)測模型校驗

3.1 工程概況和地質(zhì)情況

廣州地鐵22號線西接廣州南站，東聯(lián)番禺廣場站。其中，祈福站位于番禺區(qū)市廣路與金山大道交叉路口以東，沿市廣路布置，場地范圍東低西高，相對高差約5 m。車站全長450.8 m，標(biāo)準(zhǔn)段結(jié)構(gòu)寬為35.1 m，擴(kuò)大端基坑寬為43.3 m，基坑開挖深度為20.7 ～27.3 m，屬于典型的超大、超深基坑。

按《廣州市軌道交通二十二號線祈福站詳細(xì)勘察階段巖土工程勘察報告》的分層原則，根據(jù)沿線所揭露地層的地質(zhì)時代、成因類型、巖性特征、風(fēng)化程度等工程特性，對祈福站基坑范圍內(nèi)的地層進(jìn)行分層，各層土體參數(shù)如表1所示。

表1 祈福站地層劃分和力學(xué)參數(shù)

3.2 預(yù)測模型校驗

本研究選取祈福站基坑變形測點(diǎn)WY01和WY06的地連墻水平位移數(shù)據(jù)為樣本。數(shù)據(jù)囊括的監(jiān)測周期為2020年6月5日至2020年7月9日，監(jiān)測頻率為1次/天，每個測點(diǎn)有35組數(shù)據(jù)，將前30組數(shù)據(jù)作為訓(xùn)練集，用于訓(xùn)練上述基坑變形預(yù)測模型，后5組數(shù)據(jù)則作為測試集，用于校驗基坑變形預(yù)測模型的效果。WY01和WY06測點(diǎn)所用到的基坑變形數(shù)據(jù)如圖2所示。

圖2 WY01和WY06的監(jiān)測數(shù)據(jù)

具體訓(xùn)練過程為：將訓(xùn)練集輸入基坑變形預(yù)測模型中，其中輸入層數(shù)m= 5，以時間序列中的數(shù)據(jù)n、n+ 1、n+ 2、n+ 3、n+ 4作為輸入層，訓(xùn)練后預(yù)測時間序列n+ 5的值；按照這種方法對數(shù)據(jù)進(jìn)行訓(xùn)練時，選定網(wǎng)絡(luò)的最大學(xué)習(xí)迭代次數(shù)為20 000次，學(xué)習(xí)精度為0.005，進(jìn)行迭代計算后，當(dāng)達(dá)到設(shè)定的精度后，停止訓(xùn)練，并對后5組監(jiān)測值進(jìn)行預(yù)測。所得預(yù)測結(jié)果與監(jiān)測結(jié)果對比如圖 3、圖4所示。從對比結(jié)果可以看出，WY01的預(yù)測值與監(jiān)測值其平均誤差在23.4%，最小誤差在1.7%；WY06的預(yù)測值與監(jiān)測值的平均誤差在27.8%，最小誤差為2.5%。同時可以看出，預(yù)測值與檢測值之間雖存有誤差，但是其變化趨勢保持一致。由此可見，本文所構(gòu)建的基坑變形預(yù)測模型可以有效的預(yù)測深大基坑的變形。

圖3 WY01預(yù)測值與監(jiān)測值對比

圖4 WY06預(yù)測值與監(jiān)測值對比

4 考慮施工步效應(yīng)的基坑變形預(yù)測

4.1 數(shù)值計算模型

本研究采用有限元分析軟件（Midas-GTS）建立有限元模型，并對不同施工步序下的基坑變形發(fā)展展開分析。其中，基坑-地層有限元模型如圖5所示，基坑圍護(hù)結(jié)構(gòu)的網(wǎng)格剖分如圖6所示。祈福站全長450.8 m，標(biāo)準(zhǔn)段結(jié)構(gòu)寬為35.1 m，擴(kuò)大端基坑寬為43.3 m，基坑開挖深度為27.3 m，由于開挖前已做降水處理，在模擬階段不再考慮降水的影響。該基坑模型分3次開挖，第一、二道支撐為混凝土支撐，第三道支撐為鋼支撐?；炷林尾捎肅30混凝土，將彈性模量E取為25 GPa，泊松比ν取0.20，重度為25 kN/m3；鋼支撐采用線彈性桿單元模擬，彈性模量E取200 GPa，泊松比ν取0.26。不同地層的計算參數(shù)如表1所示。

圖5 基坑-地層有限元模型

圖6 圍護(hù)結(jié)構(gòu)網(wǎng)格剖分

4.2 考慮基坑變形預(yù)測效果

祈福站基坑分3次開挖，每開挖一層為1個分析步，不同分析步（Step）對應(yīng)不同的施工步驟。如表2所示，選取監(jiān)測位置WY01和WY06 2個測點(diǎn)對比分析其數(shù)值模擬結(jié)果和監(jiān)測結(jié)果。

從表2中所呈現(xiàn)的數(shù)值模擬結(jié)果可以發(fā)現(xiàn)，監(jiān)測值與數(shù)值模擬的預(yù)測值相比，模擬值普遍大于監(jiān)測值，最大的相對誤差為15.98%，最小的相誤差僅有5.55%；預(yù)測結(jié)果顯示，數(shù)值法可以預(yù)測對不同開挖步驟所引起結(jié)構(gòu)變形的趨勢，并且從第一層（對應(yīng)Step1）開挖至最后一層（對應(yīng)Step3），其模擬值與監(jiān)測值相對誤差逐漸減小。

表2 WY01測點(diǎn)的數(shù)值模擬與監(jiān)測對比 mm

5 結(jié)論

為構(gòu)建適用于地鐵車站深大基坑的變形預(yù)測方法，本研究采用自適應(yīng)調(diào)整學(xué)習(xí)效率的BP神經(jīng)網(wǎng)絡(luò)技術(shù)，結(jié)合廣州地鐵22號線祈福站基坑工程及其監(jiān)測數(shù)據(jù)，開展深大基坑變形預(yù)測模型構(gòu)建及校驗。此外，本文還結(jié)合祈福站施工步效應(yīng)數(shù)值模擬，開展考慮施工步效應(yīng)的深大基坑變形預(yù)測效果研究，所得結(jié)論如下。

（1）本文基于BP神經(jīng)網(wǎng)絡(luò)模型，采用訓(xùn)練過程中自動調(diào)節(jié)學(xué)習(xí)速率的技術(shù)，優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效能，提出適用于深大基坑變形預(yù)測的基坑變形預(yù)測模型。

（2）基于基坑變形預(yù)測模型和祈福站基坑實測數(shù)據(jù)，對基坑變形預(yù)測模型進(jìn)行校驗，對比預(yù)測結(jié)果和實際監(jiān)測值可知，兩者平均誤差分別在23.4%和27.8%，最小誤差分別為1.7%和2.5%，基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型能很好的預(yù)測圍護(hù)變形趨勢。

（3）本文通過有限元軟件Midas-GTS，建立基坑開挖模型，經(jīng)過數(shù)值模擬獲得不同施工步序下的基坑變形，對比模擬結(jié)果和預(yù)測結(jié)果，表明基坑變形預(yù)測模型可以有效地對施工步效應(yīng)進(jìn)行預(yù)測。