侯福昌, 曾家俊, 江杰, 李結(jié)全, 范懿文

(1.廣西瑞宇建筑科技有限公司, 廣西 南寧 530004;2.桂林理工大學(xué) 土木與建筑工程學(xué)院, 廣西 桂林 541004;3.廣西大學(xué) 土木建筑工程學(xué)院, 廣西 南寧 530004;4.工程防災(zāi)與結(jié)構(gòu)安全教育部重點(diǎn)實(shí)驗(yàn)室, 廣西 南寧 530004;5.廣西建設(shè)職業(yè)技術(shù)學(xué)院 土木工程學(xué)院, 廣西 南寧 530004)

0 引言

隨著我國(guó)基礎(chǔ)建設(shè)的發(fā)展,工程建設(shè)在許多地區(qū)如火如荼地進(jìn)行著。近年來,雙排樁支護(hù)結(jié)構(gòu)以抗彎剛度大、場(chǎng)地占用小及施工方便快捷等優(yōu)勢(shì),在城市基坑施工中大量使用?；庸こ淌且粋€(gè)多學(xué)科交叉、施工動(dòng)態(tài)變化、多因素影響、施工技術(shù)復(fù)雜的系統(tǒng)工程,同時(shí)土體存在明顯的地域性、時(shí)空性、彈塑性以及不均勻性等特點(diǎn),如何實(shí)現(xiàn)科學(xué)有效、動(dòng)態(tài)預(yù)測(cè)和預(yù)見性掌握基坑的變形規(guī)律是本文探討的重點(diǎn)。

近年來,巖土體的變形預(yù)測(cè)成為世界研究熱點(diǎn),并有國(guó)內(nèi)外學(xué)者取得了豐富的研究成果。張冬曉[1]采用灰色系統(tǒng)理論通過采集的監(jiān)測(cè)數(shù)據(jù)建立了基坑變形GM(1,1)模型,并將其成果應(yīng)用于基坑動(dòng)態(tài)設(shè)計(jì),指導(dǎo)信息化施工。劉俊城等[2]基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(long short-term memory, LSTM)智能算法理論構(gòu)建了LSTM多步預(yù)測(cè)模型,并對(duì)模型輸入集空間維度和時(shí)間維度2個(gè)超參數(shù)進(jìn)行探究,提高了模型的預(yù)測(cè)準(zhǔn)確度。趙燕容等[3]通過利用潤(rùn)揚(yáng)長(zhǎng)江公路大橋南汊懸索橋南錨碇基坑隨時(shí)間變化的監(jiān)測(cè)數(shù)據(jù),采用小波理論建立了基于時(shí)間序列的基坑動(dòng)態(tài)預(yù)測(cè)模型。孫世國(guó)等[4]分別采用時(shí)間序列模型自回歸滑動(dòng)平均序列模型(auto regressive moving average sequence model, ARMA)法和灰色系統(tǒng)理論GM(1,1)模型依托某礦邊坡變形監(jiān)測(cè)數(shù)據(jù),進(jìn)行了單項(xiàng)預(yù)測(cè)模型和組合預(yù)測(cè)模型的研究,發(fā)現(xiàn)后者預(yù)測(cè)精度更高更可靠。楊帆等[5]依托三峽庫區(qū)寬河谷段的白水河滑坡監(jiān)測(cè)項(xiàng)目,開展了人工蜂群-時(shí)間序列模型結(jié)合支持向量回歸機(jī)(support vector regression, SVR)的預(yù)測(cè)模型研究,并取得了較好的預(yù)測(cè)效果。鮑燕妮等[6]依托新田長(zhǎng)江大橋錨碇基坑地表和危巖裂縫變形監(jiān)測(cè)數(shù)據(jù),采用時(shí)間序列ARMA模型對(duì)基坑地表沉降值和危巖裂縫變形值進(jìn)行預(yù)測(cè),并取得了較好的精度。宋楚平[7]采用遺傳算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)解決基坑變形的非線性和不確定性問題,并應(yīng)用于南通市一號(hào)線某站點(diǎn)的基坑變形預(yù)測(cè),取得了較好的預(yù)測(cè)效果。

由于土體具有復(fù)雜的物理力學(xué)特性,并且基坑變形影響因素(如開挖速率、施工水平以及現(xiàn)場(chǎng)人工活動(dòng)等)繁雜,因此利用傳統(tǒng)的土力學(xué)理論無法實(shí)現(xiàn)土體變形的高精度預(yù)測(cè)[8-10]。目前對(duì)于雙排樁支護(hù)機(jī)制的研究尚未取得突破,現(xiàn)場(chǎng)監(jiān)測(cè)、室內(nèi)試驗(yàn)及數(shù)值模擬等工作仍有較多的待完善之處[11]。目前大多數(shù)的基坑變形和邊坡穩(wěn)定性的研究主要是基于傳統(tǒng)土力學(xué)理論對(duì)支護(hù)結(jié)構(gòu)或周邊鄰近建筑物的變形規(guī)律的研究,而基坑變形是一種隨時(shí)間明顯變化的特征,因此基于時(shí)間序列數(shù)據(jù)的分析預(yù)測(cè)模型為基坑變形演變研究提供了一種方法和途徑。此外,采用雙排樁基坑支護(hù)形式的基坑工程通常緊鄰建筑物,四周遍布重要管線,且基坑支護(hù)結(jié)構(gòu)在產(chǎn)生較大變形后通過基坑監(jiān)測(cè)數(shù)據(jù)才能得出具體變形情況,很可能因預(yù)警不及時(shí)造成基坑失穩(wěn),產(chǎn)生嚴(yán)重后果。針對(duì)于此,本文在已有研究基礎(chǔ)上,依托南寧市亭洪路72號(hào)河南水廠住宅小區(qū)危舊房改造項(xiàng)目雙排樁基坑,基于帶有外部輸入的非線性自回歸(nonlinear-auto-regressive model with exogenous inputs, NARX)神經(jīng)網(wǎng)絡(luò)建立時(shí)間序列預(yù)測(cè)模型,對(duì)基坑雙排樁支護(hù)結(jié)構(gòu)的變形發(fā)展進(jìn)行預(yù)測(cè)預(yù)報(bào),并將預(yù)測(cè)結(jié)果與實(shí)際結(jié)果進(jìn)行對(duì)比分析,研究成果可以為相關(guān)工程建設(shè)提供一定的技術(shù)參考。

1 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)NARX時(shí)間序列模型

1.1 原理概述

時(shí)間序列是指在生產(chǎn)生活中通過觀察記錄某一現(xiàn)象的時(shí)間變化過程,并形成觀察值隨時(shí)間先后順序的變化而變化的數(shù)列,包含了某個(gè)變量或多個(gè)變量在不同時(shí)間點(diǎn)上的隨機(jī)數(shù)據(jù),反映了現(xiàn)象的發(fā)展變化規(guī)律[12]。時(shí)間序列分析法[13]認(rèn)為觀測(cè)所得到的數(shù)據(jù)值之間存在一種相互關(guān)聯(lián)的聯(lián)系,此種聯(lián)系影響著系統(tǒng)的發(fā)展趨勢(shì)和動(dòng)態(tài)變化,可以通過數(shù)據(jù)間的這種自相關(guān)關(guān)系來進(jìn)行時(shí)間序列預(yù)測(cè),從而獲得未來的發(fā)展趨勢(shì)。常見的時(shí)間序列模型主要有自回歸時(shí)間序列模型(auto regressive time series model,AR)、移動(dòng)平均時(shí)間序列模型(moving average time series model,MA)和ARMA。

人工神經(jīng)網(wǎng)絡(luò)是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征,進(jìn)行分布式信息處理的數(shù)學(xué)模型算法,其將輸入數(shù)據(jù)投射到設(shè)置的若干個(gè)非線性映射層即隱含層上,通過數(shù)據(jù)訓(xùn)練以獲得輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的數(shù)學(xué)關(guān)系[14-16]。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)功能、聯(lián)想存儲(chǔ)功能和高速尋找最優(yōu)解的能力,常見的神經(jīng)網(wǎng)絡(luò)模型主要包括輸入層、隱含層和輸出層,層與層之間通過網(wǎng)絡(luò)和節(jié)點(diǎn)連接并配以權(quán)重進(jìn)行運(yùn)算,從而獲得最優(yōu)解[17]。

常規(guī)時(shí)間序列模型數(shù)據(jù)假設(shè)是線性的、平穩(wěn)的且是參數(shù)化的,其優(yōu)點(diǎn)是具有較強(qiáng)的處理隨機(jī)項(xiàng)和線性數(shù)據(jù)處理能力,對(duì)于存在趨勢(shì)項(xiàng)、非平穩(wěn)、非線性的數(shù)據(jù)處理效果較差。相比之下,神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的自學(xué)習(xí)、自適應(yīng)的優(yōu)勢(shì),具有強(qiáng)大的非線性映射處理能力,能夠處理復(fù)雜的非線性問題。因雙排樁基坑變形影響因素眾多,且呈現(xiàn)非線性、非平穩(wěn)的特點(diǎn),為了提高模型的預(yù)測(cè)精度和準(zhǔn)確性,本文提出采用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)NARX模型建立時(shí)間序列預(yù)測(cè)模型,以解決雙排樁基坑變形監(jiān)測(cè)中的多因素、非線性、模糊性等問題。

1.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示,一般分為輸入層、隱含層和輸出層。首先通過輸入層將輸入數(shù)據(jù)和初始權(quán)重相乘并求和,然后經(jīng)偏執(zhí)項(xiàng)修正后,再代入隱含層的函數(shù)進(jìn)行計(jì)算,隨后把計(jì)算結(jié)果作為新的輸入經(jīng)隱含層與輸出層設(shè)置的函數(shù)計(jì)算輸出。輸出后觀察輸出計(jì)算值和真實(shí)值之間的差值,并將誤差返回各個(gè)神經(jīng)元節(jié)點(diǎn),再重復(fù)修正各層之間的權(quán)值,直至達(dá)到容許誤差。

圖1 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.1 Traditional neural network model structure

在神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上增加研究對(duì)象的時(shí)間序列參數(shù),即為神經(jīng)網(wǎng)絡(luò)時(shí)間序列模型。將研究對(duì)象時(shí)間序列現(xiàn)在與之前的誤差項(xiàng)和之前值構(gòu)建非線性函數(shù)[18],并將其輸入到神經(jīng)網(wǎng)絡(luò)中。設(shè)神經(jīng)網(wǎng)絡(luò)時(shí)間序列輸入為x= (x1,x2, …,xn)T,則輸入層節(jié)點(diǎn)到隱含層節(jié)點(diǎn)以及隱含層節(jié)點(diǎn)到輸出層節(jié)點(diǎn)之間的關(guān)系可以表示為

(1)

(2)

輸出結(jié)果為

(3)

(4)

均方差為

(5)

式中:αkn為輸入層與隱含層間的連接系數(shù);βmk為隱含層與輸出層間的連接系數(shù);μk和λm分別為αkn、βmk的閾值,k為隱含層神經(jīng)元個(gè)數(shù);M為樣本數(shù)量;bm為樣本數(shù)據(jù)標(biāo)準(zhǔn)值;n為輸入向量長(zhǎng)度;m為輸出向量長(zhǎng)度。

動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)NARX模型結(jié)構(gòu)如圖2所示。

圖2 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)NARX模型結(jié)構(gòu)Fig.2 NARX neural network time series model structure diagram

由圖2可見,NARX神經(jīng)網(wǎng)絡(luò)通過加入延時(shí)和反饋機(jī)制增強(qiáng)了神經(jīng)網(wǎng)絡(luò)對(duì)歷史數(shù)據(jù)的記憶能力,形成了一種新的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)。NARX動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型可用于解決非線性離散問題,可綜合表示為

y(t)=f{u(t-Du),…,u(t-1),u(t),y(t-Dy),…,y(t-1)},

(6)

式中:u(t)為網(wǎng)絡(luò)在t時(shí)刻的輸入;y(t)為網(wǎng)絡(luò)在t時(shí)刻的輸出;Du為網(wǎng)絡(luò)輸入時(shí)延的最大階數(shù);Dy為網(wǎng)絡(luò)輸出時(shí)延的最大階數(shù);u(t-Du),…,u(t-1)為網(wǎng)絡(luò)相對(duì)于t時(shí)刻的前期輸入;y(t-Dy),…,y(t-1)為網(wǎng)絡(luò)相對(duì)于t時(shí)刻的前期輸出。

1.3 基坑變形預(yù)測(cè)模型的工作流程

基于神經(jīng)網(wǎng)絡(luò)的基坑變形量預(yù)測(cè)時(shí)間序列模型如圖3所示。由圖3可見,基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型可分為數(shù)據(jù)端、訓(xùn)練端和計(jì)算端3個(gè)部分。在數(shù)據(jù)端,對(duì)監(jiān)測(cè)到的基坑變形量數(shù)據(jù)預(yù)處理并進(jìn)行分析,確定引起基坑變形的重要參數(shù),引入時(shí)間序列,然后將數(shù)據(jù)分為兩大模塊,分別對(duì)其進(jìn)行訓(xùn)練和計(jì)算。在神經(jīng)網(wǎng)絡(luò)訓(xùn)練端,運(yùn)用構(gòu)建出的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)NARX結(jié)構(gòu)對(duì)其進(jìn)行測(cè)試。最后,導(dǎo)入通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的數(shù)據(jù),對(duì)模型進(jìn)行驗(yàn)證,并得到最優(yōu)解,實(shí)現(xiàn)多步預(yù)測(cè)。

圖3 基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型Fig.3 Prediction model based on neural network

2 工程概況

本工程自2022年3月17日開始分2個(gè)階段開挖施工,第1階段施工2#樓,第2階段施工1#樓,歷時(shí)5個(gè)多月,共監(jiān)測(cè)62次。監(jiān)測(cè)點(diǎn)類型包括坡頂水平和豎向位移(ZDS)、深層水平位移監(jiān)測(cè)(CX)、周邊地表豎向位移監(jiān)測(cè)(D)、地下水位監(jiān)測(cè)(SW)、道路沉降(DL)、管線沉降(GX)、建筑沉降(JC)、錨索軸力監(jiān)測(cè)(ZL)。

3 預(yù)測(cè)模型的實(shí)現(xiàn)

對(duì)雙排樁而言,影響基坑變形的因素有雙排樁尺寸及土體參數(shù)[19-20]、樁間土的擠出效應(yīng)[21]、樁-土接觸關(guān)系[22]、空間效應(yīng)[23]、圈梁連梁間的協(xié)同作用[24]、開挖方法及深度、土體暴露時(shí)間等。在這些因素中除開挖方法及深度和土體暴露時(shí)間外,其他因素均為基坑支護(hù)體系的固有特性,不隨時(shí)間的變化而變化,因此,本文中建立時(shí)間序列模型時(shí)考慮了開挖深度和土體暴露時(shí)間2種因素隨時(shí)間變化對(duì)基坑變形的影響。

除此之外,結(jié)合基坑的整個(gè)監(jiān)測(cè)過程,根據(jù)工程監(jiān)測(cè)數(shù)據(jù)資料和施工組織設(shè)計(jì),并且考量基坑失穩(wěn)對(duì)周邊環(huán)境的影響程度,選取道路沉降位移DL1、坡頂水平和豎向位移ZDS1前57次監(jiān)測(cè)數(shù)據(jù)建立模型,用最后5次監(jiān)測(cè)所獲數(shù)據(jù)作為多步預(yù)測(cè)的對(duì)比數(shù)據(jù)進(jìn)行分析。

建模時(shí)采用MATLAB軟件分別建立DL1和ZDS1動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)NARX時(shí)間序列網(wǎng)絡(luò)模型,對(duì)于常見的訓(xùn)練算法而言,考慮到Levenberg-Marquardt(LM)算法收斂時(shí)間短且訓(xùn)練精度高,而量化共軛梯度(scaled conjugate gradient, SCG)算法適用于求解線性方程,貝葉斯正則化(bayesian regularization, BR)算法占據(jù)較大內(nèi)存且收斂時(shí)間過長(zhǎng),本文訓(xùn)練算法選取LM算法,模型參數(shù)隱含層數(shù)為10,時(shí)滯數(shù)為2。建立的NARX模型神經(jīng)網(wǎng)絡(luò)時(shí)序結(jié)構(gòu)由輸入層、隱含層和輸出層3個(gè)部分組成,神經(jīng)網(wǎng)絡(luò)NARX時(shí)序網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

(a) DL1

(b) ZDS1圖4 神經(jīng)網(wǎng)絡(luò)NARX時(shí)序網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 NARX neural network time series network structure

神經(jīng)網(wǎng)絡(luò)時(shí)序模型的開發(fā)訓(xùn)練結(jié)果分別如圖5、圖6所示。從圖5、圖6中可以看出,模型訓(xùn)練效果較理想,目標(biāo)值與輸出值整體保持一致,若增大數(shù)據(jù)量,能使模型進(jìn)行深度學(xué)習(xí),進(jìn)一步提高訓(xùn)練精度。在DL1時(shí)序模型中期望值與輸出值匹配較好,幾乎沒有誤差。而ZDS1模型與之相比,整體存在一定誤差,說明DL1的精度較高。對(duì)于不同類型的數(shù)據(jù),選擇合適的算法能使預(yù)測(cè)模型高效訓(xùn)練,同時(shí)測(cè)試數(shù)據(jù)的離散性也會(huì)降低模型預(yù)測(cè)的準(zhǔn)確度。

圖5 DL1時(shí)序模型訓(xùn)練響應(yīng)Fig.5 Training response of DL1 time series model

圖6 ZDS1時(shí)序模型訓(xùn)練響應(yīng)Fig.6 Training response of ZDS1 time series model

對(duì)于NARX時(shí)間序列模型,模型預(yù)測(cè)時(shí)只有考慮除隨機(jī)因素(如噪聲等)外的所有影響因素,才能達(dá)到理想訓(xùn)練,可以通過觀察誤差自相關(guān)圖來檢驗(yàn)訓(xùn)練效果。時(shí)序模型誤差自相關(guān)性如圖7所示。誤差自相關(guān)性是指訓(xùn)練誤差與時(shí)間延遲之間的關(guān)系,圖7中零點(diǎn)處的豎線為零相關(guān)線,表示誤差自身的相關(guān)性,其余延遲點(diǎn)上的輸入數(shù)據(jù)誤差自相關(guān)性應(yīng)為0。事實(shí)上,理想的訓(xùn)練結(jié)果是不可能的,因此,本文設(shè)定了95%的置信限,認(rèn)為輸入誤差自相關(guān)性在該區(qū)間內(nèi)是能接受的,訓(xùn)練結(jié)果理想。從圖7中可以看出,ZDS1、DL1模型的訓(xùn)練結(jié)果均相對(duì)理想,除零相關(guān)線外,其余位置的自相關(guān)性在置信區(qū)間內(nèi)。

(a) DL1模型

(b) ZDS1模型圖7 時(shí)序模型誤差自相關(guān)性Fig.7 Error autocorrelation of time series model

動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)時(shí)序模型誤差直方圖如圖8所示。

(a) DL1模型

(b) ZDS1模型圖8 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)時(shí)序模型誤差直方圖Fig.8 Dynamic neural network time series model error histogram

從圖8中可見,橫坐標(biāo)表示基坑變形位移值相對(duì)誤差,其值為真實(shí)值(目標(biāo)值)與預(yù)測(cè)值(輸出值)差值,縱坐標(biāo)為測(cè)試實(shí)例數(shù)。變形值誤差集中在零誤差線附近。對(duì)于DL1模型,實(shí)例處于-0.1 ～ 0.4的數(shù)量最多,其中誤差處于-0.1～0的實(shí)例數(shù)量最突出,隨著相對(duì)誤差絕對(duì)值的增大,實(shí)例數(shù)量逐漸減少,所有相對(duì)誤差的值處于-10.0～0.5,集中在零誤差線左側(cè)。而對(duì)于ZDS1模型,實(shí)例數(shù)量較多的區(qū)間介于-0.3 ～ 0.4,所有誤差值介于-2.0～ 2.0,實(shí)例數(shù)量在零誤差線兩側(cè)的分布較均勻,越靠近零線的位置點(diǎn)實(shí)例數(shù)量越多,滿足預(yù)測(cè)要求。由此可見,ZDS1模型能夠精確地預(yù)測(cè)基坑坡頂?shù)奈灰?而DL1模型需進(jìn)行改進(jìn)并重新選取算法以訓(xùn)練,完成預(yù)期的預(yù)測(cè)。

4 可行性分析

表1、表2分別是根據(jù)基坑整個(gè)監(jiān)測(cè)階段最后5次(2022年7月27日至8月24日)的實(shí)際監(jiān)測(cè)數(shù)據(jù)得到的DL1、ZDS1預(yù)測(cè)值。所有預(yù)測(cè)值與實(shí)際監(jiān)測(cè)值在相同方向上的變化趨勢(shì)保持一致,當(dāng)實(shí)際監(jiān)測(cè)值增大時(shí),模型預(yù)測(cè)值也隨之增大,然而,基坑監(jiān)測(cè)采樣間隔(間隔為7 d)在一定程度上降低了預(yù)測(cè)模型的準(zhǔn)確性。采樣間隙過程中的不可抗力因素導(dǎo)致模型所依賴的有效歷史數(shù)據(jù)有所減少,但是模型從整體上準(zhǔn)確地預(yù)測(cè)了基坑變形的演變規(guī)律,能夠滿足大部分實(shí)際工程需要。下一步可以考慮縮短采樣間隔,以優(yōu)化模型預(yù)測(cè)精度。

表1 DL1模型豎向位移預(yù)測(cè)值與實(shí)際監(jiān)測(cè)值Tab.1 DL1 model vertical displacement forecast values and the actual monitoring values 單位:mm

表2 ZDS1模型水平位移預(yù)測(cè)值與實(shí)際監(jiān)測(cè)值

DL1模型豎向位移預(yù)測(cè)值與實(shí)際值對(duì)比、ZDS1模型水平位移預(yù)測(cè)值與實(shí)際值對(duì)比分別如圖9、圖10所示。

圖9 DL1模型豎向位移預(yù)測(cè)值與實(shí)際值對(duì)比Fig.9 Comparison of predicted values and actual values of vertical displacement of DL1 model

(a) y方向

(b) x方向圖10 ZDS1模型水平位移預(yù)測(cè)值與實(shí)際值對(duì)比Fig.10 Comparison of predicted values and actual values of horizontal displacement of ZDS1 model

通過對(duì)比可以發(fā)現(xiàn),個(gè)別監(jiān)測(cè)點(diǎn)的預(yù)測(cè)值存在偏差,使模型預(yù)測(cè)效果受到影響,這種偏差并非是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)自身缺陷引起的,而是由基坑情況的復(fù)雜性、不確定性所導(dǎo)致的,因此需進(jìn)一步考慮各種潛在的影響因素,以減少偏差。除此之外,采樣時(shí)間間隔的設(shè)定也是需要引起重視的一環(huán)。豎向位移的預(yù)測(cè)殘差小于1.0 mm,水平位移預(yù)測(cè)殘差小于0.3 mm,初步預(yù)測(cè)了基坑支護(hù)點(diǎn)的變化情況,達(dá)到了預(yù)期精度,因此所提出模型的預(yù)測(cè)效果能夠基本滿足工程項(xiàng)目需求。NARX動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)時(shí)序結(jié)構(gòu)因具備獨(dú)特的時(shí)間延遲單元,符合實(shí)際工程的特性。

5 結(jié)語

本文以南寧市亭洪路72號(hào)河南水廠住宅小區(qū)危舊房改造項(xiàng)目雙排樁基坑工程為例,結(jié)合雙排樁樁頂豎向位移和水平位移監(jiān)測(cè)數(shù)據(jù),建立神經(jīng)網(wǎng)絡(luò)NARX時(shí)間序列預(yù)測(cè)模型,同時(shí)對(duì)后期變形進(jìn)行了多步預(yù)測(cè),具體結(jié)論如下:

① 采用NARX時(shí)間序列預(yù)測(cè)模型獲得的基坑變形預(yù)測(cè)數(shù)據(jù)和實(shí)際監(jiān)測(cè)數(shù)據(jù)的變化趨勢(shì)具有較好的一致性,驗(yàn)證了模型的可靠性,驗(yàn)證了NARX動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)時(shí)間序列模型用于雙排樁基坑變形動(dòng)態(tài)分析是可行的,可以有效解決基坑變形模糊性、非線性問題,為工程應(yīng)用提供了一種解決基坑變形預(yù)測(cè)的新方法和思路。

② 本文建立的預(yù)測(cè)模型建模簡(jiǎn)單,模型穩(wěn)定性好,豎向位移預(yù)測(cè)值與實(shí)際監(jiān)測(cè)值的預(yù)測(cè)殘差小于1.0 mm,水平位移預(yù)測(cè)殘差小于0.3 mm,預(yù)測(cè)精度基本滿足工程建設(shè)需要,可為今后類似工程提供借鑒。

③ 采用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)NARX時(shí)間序列模型可同時(shí)考慮多個(gè)基坑變形的影響因素,但本文建模時(shí)只考慮了開挖深度、土體暴露時(shí)間2個(gè)與時(shí)間相關(guān)聯(lián)的影響因素。在接下來的研究中,可考慮地下水位變化對(duì)基坑整體的影響以及監(jiān)測(cè)采樣時(shí)距對(duì)預(yù)測(cè)模型精度的影響,以建立更全面更準(zhǔn)確的基坑變形預(yù)測(cè)模型,探尋出更有效的預(yù)測(cè)方法。