1引言
近年来,随着建设的发展,基坑工程的数量越来越多,而且深基坑工程无论在数量上还是在难度上都有大幅度提高,使得在深基坑工程中发生的事故也越来越多,造成了重大的经济损失。深基坑工程中的最大问题是由于开挖引起周围土体变形,从而导致周围的建筑物和地下管线等设施的破坏。基坑变形的监测及其预报的研究引起工程技术人员的广泛重视。
深基坑变形一方面基坑的变形受其结构特征和所在环境的制约,有其自身的内在规律性,反映在监测数据上是其观测序列随时间变化;另一方面基坑施工过程中往往出现受某种因素的干扰,表现为定期观测的变形位移的数据具有一定的随机性。目前,基坑设计时主要采用m法和有限元等方法进行变形估算,但由于理想模型与实际工况的差别、计算参数难以正确确定等因素的影响,使得计算得到的变形值与实际变形量相差较大。因此,至关重要的是寻求一种对基坑变形更为有效的预测方法。人工神经网络则具有解决复杂的、不确定性的、非线性问题的能力,特别适合解决岩土工程问题。在基坑变形预测方面比常规方法有明显的优势。
本文以人工神经网络为基础,利用其强大的非线性映射能力,以已有的实测数据为样本,建立深基坑单支点排桩支护结构最大侧向位移的预测模型,实现对深基坑变形的非线性预测。
2神经网络简单介绍
神经网络是由大量的神经元广泛连接而成。人工神经元是对神经元的模拟,是一个多输入,单输出的非线性模型,它的输入输出关系用传递函数(也叫激励函数)来表示。常用的传递函数有:阀值函数,线性函数,S形函数(Sigmoid),径向基函数等。根据人工神经元的连接方式不同,神经网络可分成两大类:分层结构的网络、相互结合网络。图1、图2分别为三层前向网络结构图和神经元结构模型。
目前已有数十种神经网络模型,这些模型大致可分为三大类:前向网络(FeedforwardNNs)、反馈网络(FeedbackNNs)和自组织网络(Self-organizingNNs)。常用的网络模型有:BP网络、径向基网络,概率神经网络、自组织特征映射网络、Hopfield回归网络、Elman递归网络等。这些各式各样的模型从不同的角度对生物神经系统进行不同层次的描述和模拟,各自有自己的适用范围和优缺点。
图1:三层前向网络结构图图2:神经元结构模型
3用于深基坑排桩支护变形预测的神经网络模型的建立和实现
神经网络对非线性问题有强大而准确的映射能力。1987年,RobertHecht-Nielsen提出了Kolmogorov多层神经网络映射存在定理,从理论上证明了,包含一个隐层的三层神经网络可对任何的连续的非线性函数进行任意精度的逼近。正是由于神经网络具有这个特性,使得神经网络被广泛应用到各个领域。
另外,神经网络不需要复杂的建模分析过程,它能自己对样本进行学习,学习样本数据之中隐含的规律,精确地确定输入数据和目标之间存在的映射关系;神经网络还具有较好的鲁棒性(容错性),还具有过滤噪声和在线应用等特性。
3.1选用的样本数据
神经网络方法是一种“数据驱动”型方法,样本数据是它的基础。本文采用文献提供的样本数据,如表1所列。这些数据为某地区已建深基坑支护结构典型工程样本数据。利用1~12号工程数据作为训练集,13~16号工程数据作为测试集,最后都对输入、目标数据进行归一化处理。
表1 某地区深基坑支护结构工程资料
序号 | 支撑弹性常数(MN/m) | 围护桩的刚度(MN.m2) | 支撑点与开挖深度的比值 | 土体的 值(。) | 土体的C值(KPa) | 基坑开挖深度(m) | 桩的入土深度(m) | 桩的最大位移(mm) |
1 | 41.56 | 836.1 | 0.123 | 17.5 | 8.4 | 6.5 | 7.5 | 14.1 |
2 | 23.71 | 305.6 | 0.149 | 12.9 | 11.9 | 6.7 | 12.3 | 37.3 |
3 | 38.45 | 187.9 | 0.282 | 13.1 | 18.6 | 7.1 | 8.5 | 30.7 |
4 | 17.25 | 423.1 | 0.146 | 13.2 | 12.5 | 7 | 11 | 33.5 |
5 | 32.46 | 836.1 | 0.166 | 15.4 | 11.3 | 6 | 12 | 16.5 |
6 | 25.13 | 219.5 | 0.378 | 8.6 | 15.3 | 6.1 | 8.4 | 26.9 |
7 | 47.52 | 403.5 | 0.476 | 14.9 | 14.1 | 4.2 | 5.4 | 7.6 |
8 | 73.27 | 523.6 | 0.342 | 15.5 | 14.0 | 7.3 | 9.6 | 23.6 |
9 | 11.52 | 523.6 | 0.143 | 13.7 | 13.9 | 7 | 10 | 34.1 |
10 | 20.25 | 125.9 | 0.208 | 10.0 | 10.1 | 4.8 | 6.2 | 18.7 |
11 | 14.51 | 523.6 | 0.331 | 14.6 | 10.1 | 6.05 | 10.95 | 22.2 |
12 | 17.85 | 326.7 | 0.281 | 12.6 | 10.6 | 5.8 | 8.2 | 20.1 |
13 | 27.9 | 502.1 | 0.223 | 11.3 | 13.5 | 6.5 | 11.5 | 25.1 |
14 | 51.55 | 983.0 | 0.315 | 13.3 | 9.7 | 8 | 12 | 24.7 |
15 | 56.11 | 164.3 | 0.4 | 13.4 | 13.9 | 5 | 7 | 10.8 |
16 | 83.45 | 925.6 | 0.213 | 13.4 | 10.3 | 9.5 | 13 | 22.4 |