余凱

摘 要： 介紹了BP神經(jīng)網(wǎng)絡(luò)和遺傳算法，確定了優(yōu)化后的GA-BP神經(jīng)網(wǎng)絡(luò)組合變形預(yù)測流程；利用GA-BP神經(jīng)網(wǎng)絡(luò)來反演土體力學(xué)參數(shù)中的粘聚力，預(yù)測下一階段基坑的變形特點(diǎn)，并采用PLAXIS軟件對基坑進(jìn)行模擬，分析了土體粘聚力、內(nèi)摩擦角和灌注樁樁徑等因素對建筑物基坑穩(wěn)定性的影響，以期提升實(shí)際工程中基坑支護(hù)效果。

關(guān)鍵詞： 基坑支護(hù)；GA-BP神經(jīng)網(wǎng)絡(luò)；預(yù)警檢測；粘聚力；數(shù)值模擬

中圖分類號： TP311.5;TQ015.9

文獻(xiàn)標(biāo)志碼： A ?文章編號： 1001-5922（2023）08-0158-04

Study on GA-BP neural network early warning and detection of

foundation pit supporting deformation of buildings

YU Kai

（Fujian Geotechnical Engineering Investigation and Research Institute Co.，Ltd.，F(xiàn)uzhou 350013，China）

Abstract： Firstly，BP neural network and genetic algorithm are briefly introduced in this paper，and the optimized GA-BP neural network combined deformation prediction process is determined.Then，GA-BP neural network is used to invert the cohesion of soil mechanical parameters and predict the deformation characteristics of foundation pit in the next stage.The results show that the deformation detection of foundation pit supporting structure is more accurate.PLAXIS software is used to simulate the foundation pit and analyze the influence of soil cohesion，internal friction Angle and pile diameter on the stability of foundation pit，so as to improve the effect of foundation pit support in practical engineering.

Key words： ?foundation pit support; GA-BP neural network; early warning detection; cohesion; numerical simulation

城市建設(shè)規(guī)模的急速擴(kuò)大，提升了人們生活質(zhì)量的同時，也帶來了更多的深基坑工程事故，如地表沉降、周邊建筑損害甚至倒塌等，給人們的生命安全和財產(chǎn)安全造成了難以預(yù)估的不良影響。因此，非常有必要對基坑的各項(xiàng)數(shù)據(jù)進(jìn)行動態(tài)監(jiān)測，以預(yù)測基坑下一刻的變形情況[1-2]。BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用非常廣泛，可用于基坑水平位移和垂直沉降的短期預(yù)測，但其在建筑物基坑支護(hù)中的發(fā)展依舊緩慢，這不僅與基坑支護(hù)不可控因素多、專業(yè)分工明確等因素有關(guān)，該算法本身也存在一定的不足。利用遺傳算法（GA）與BP神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合，發(fā)揮兩種算法各自優(yōu)勢，構(gòu)建基于GA-BP神經(jīng)網(wǎng)絡(luò)的基坑支護(hù)變形檢測模型，對基坑外地表和基坑頂部結(jié)構(gòu)的變形進(jìn)行預(yù)測。并采用數(shù)值模擬軟件對影響基坑土體穩(wěn)定性的因素進(jìn)行分析[3]。

1 基于遺傳算法的GA-BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差反向傳播訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)。經(jīng)典的BP神經(jīng)網(wǎng)絡(luò)包括輸入層、 隱含層和輸出層，輸入信號通過非線性變換產(chǎn)生輸出信號，若該值與期望值不相符，則計算出誤差并進(jìn)行誤差的反向傳播。將誤差通過隱含層反傳到輸入層，分?jǐn)偨o神經(jīng)網(wǎng)絡(luò)各個單元，各層依據(jù)誤差信號進(jìn)行權(quán)值調(diào)整，經(jīng)過反復(fù)的學(xué)習(xí)訓(xùn)練，直到誤差滿足精度要求[4]。但BP神經(jīng)網(wǎng)絡(luò)存在網(wǎng)絡(luò)參數(shù)過多、樣本要求高、容易陷入局部最小值以及初始權(quán)值隨機(jī)給定等問題。對此采用遺傳算法（GA）對其進(jìn)行優(yōu)化，遺傳算法是一種模擬自然界遺傳與進(jìn)化機(jī)制的全局優(yōu)化算法，其基本運(yùn)算過程如下：將算法的輸入數(shù)據(jù)看作初始種群，計算種群中個體的適應(yīng)度， 將選擇算子、交叉算子以及變異算子作用于種群，經(jīng)這些運(yùn)算得到下一代種群，當(dāng)達(dá)到最大進(jìn)化代數(shù)后終止運(yùn)算，將具有最大適應(yīng)度的個體輸出[5]。GA-BP神經(jīng)網(wǎng)絡(luò)的基本原理就是采用該最優(yōu)個體優(yōu)化BP網(wǎng)絡(luò)的初始權(quán)值和閾值，使得最終預(yù)測結(jié)果更加接近其實(shí)測值。GA-BP神經(jīng)網(wǎng)絡(luò)組合變形預(yù)測流程如圖1所示[6]。

其中，遺傳算法中的交叉操作公式和變異操作公式分別按照式（1）和式（2）進(jìn)行：

a′ kj=a kj（1-b）+a ljb

a′ lj=a lj（1-b）+a kjb ?[JZ）] （1）

a′ ij= a ij+（a ?max- a ij）·f（g），r≥0.5

a ij+（a ij-a ?min ）·f（g），r<0.5 ???（2）

式中： b和r是取自0～1的隨機(jī)數(shù)字；a ?max、 a ?min分別是種群范圍的上屆和下屆； f（g）為變異系數(shù)；g為迭代次數(shù)。

2 基坑支護(hù)變形預(yù)警檢測及其粘聚力反演

2.1 建筑物基坑預(yù)警檢測目的

不同的基坑支護(hù)方法對建筑物周邊環(huán)境存在不同程度的影響，尤其是基坑開挖深度較深時，應(yīng)高度重視基坑支護(hù)施工過程和建筑物周邊環(huán)境。應(yīng)用基坑支護(hù)變形預(yù)警檢測機(jī)制，可及時、精確地反映基坑支護(hù)布局和周邊環(huán)境的安全狀況，同時也能夠?qū)崿F(xiàn)對支護(hù)方案的優(yōu)化、施工參數(shù)的調(diào)節(jié)，降低基坑支護(hù)結(jié)構(gòu)變形幾率；該機(jī)制的應(yīng)用能夠?qū)κ┕ひ鸬牡乇碜冃芜M(jìn)行預(yù)測，通過對基坑監(jiān)測數(shù)據(jù)的采集和分析，了解時間上和空間上土體力學(xué)響應(yīng)規(guī)律，給出地表變形趨勢，以提前做好合理有效的保護(hù)措施；按照目前的建筑物施工規(guī)范和要求，對基坑支護(hù)方案進(jìn)行嚴(yán)格控制，總結(jié)建筑物基坑支護(hù)經(jīng)驗(yàn)，提升施工質(zhì)量和水平。

2.2 基坑土體粘聚力智能反分析

利用MATLAB軟件隨機(jī)取值20組粘聚力數(shù)值，并將20組樣本分別輸入到FLAC 3D模型中，得到支護(hù)樁在0、-4、-8、-12、-16、-20、-24、-28、-32、-36 處樁體深層的水平位移值。利用GA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。輸入到BP神經(jīng)網(wǎng)絡(luò)中，經(jīng)過1 088步訓(xùn)練后，網(wǎng)絡(luò)達(dá)到設(shè)定好的精度要求，說明網(wǎng)格已經(jīng)訓(xùn)練結(jié)束。經(jīng)過驗(yàn)算和測試，發(fā)現(xiàn)目標(biāo)樣本與訓(xùn)練結(jié)果吻合較好，證明網(wǎng)絡(luò)可以用來反演土體粘聚力。將現(xiàn)場第一層開挖后樁測點(diǎn)的監(jiān)測數(shù)據(jù)輸入到上節(jié)訓(xùn)練好的網(wǎng)格中，即可得到反演出的等效粘聚力值，如表1所示。

將上述土體的粘聚力數(shù)值代入模型之中，即可得到第一層樁體的水平位移值，并將其結(jié)果與現(xiàn)場實(shí)測數(shù)據(jù)進(jìn)行對比，對比結(jié)果如圖2所示。

由圖2可見，反分析值的變化趨勢與實(shí)測值變化趨勢非常相近，土體粘聚力智能反分析能夠有效預(yù)測不同開挖深度下基坑的變形情況。

2.3 ?GA-BP神經(jīng)網(wǎng)絡(luò)的建立

BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建中通常只設(shè)置一個隱含層，隱含層節(jié)點(diǎn)數(shù)一般通過經(jīng)驗(yàn)公式和多次試驗(yàn)來確定，經(jīng)驗(yàn)公式的表達(dá)方式：

m= （l+n） +a ?（3）

式中： l、m、n 分別表示神經(jīng)網(wǎng)絡(luò)輸入層、隱含層和輸出層的神經(jīng)元個數(shù)；a一般是1～10的整數(shù)?；跁r序的GA-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建建筑物基坑支護(hù)變形預(yù)警檢測模型，確定神經(jīng)網(wǎng)絡(luò)輸入層有6個神經(jīng)元，輸出層有1個神經(jīng)元，并將隱含層節(jié)點(diǎn)個數(shù)設(shè)置為8。該神經(jīng)網(wǎng)絡(luò)的訓(xùn)練規(guī)則為：第1組，取基坑監(jiān)測的前6個數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入值，第7個監(jiān)測數(shù)據(jù)作為輸出值，進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練；第2組，取第2個數(shù)據(jù)到第7個數(shù)據(jù)作為輸入值，第8個數(shù)據(jù)作為輸出值進(jìn)行訓(xùn)練。依次類推，確定神經(jīng)網(wǎng)絡(luò)每組基坑監(jiān)測數(shù)據(jù)的訓(xùn)練規(guī)則。神經(jīng)網(wǎng)絡(luò)中的諸多參數(shù)，通常根據(jù)經(jīng)驗(yàn)進(jìn)行設(shè)置，遺傳算法中的種群規(guī)模取值區(qū)間為[10，100]，進(jìn)化代數(shù)取值區(qū)間為[100，500]。BP神經(jīng)網(wǎng)絡(luò)中的誤差容限取值區(qū)間為[0.0001，0.0001][7-8]。本文根據(jù)取值經(jīng)驗(yàn)和試算，確定了GA-BP神經(jīng)網(wǎng)絡(luò)的主要參數(shù)，如表2所示。

2.4 基坑支護(hù)變形檢測結(jié)果

在前期基坑支護(hù)結(jié)構(gòu)設(shè)計環(huán)節(jié)，可將不同的錨樁參數(shù)導(dǎo)入ABAQUS進(jìn)行有限元分析，以減少后期工作量，優(yōu)化錨樁支護(hù)結(jié)構(gòu)的設(shè)計，為基坑支護(hù)結(jié)構(gòu)變形的預(yù)測試驗(yàn)提供便利。選擇一組基坑變形數(shù)據(jù)作為GA-BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)源，其中錨桿錨固長度為24 m，錨桿安置傾角為30°，豎向支護(hù)結(jié)構(gòu)嵌固深度為5 m。

2.4.1 基坑外地表變形檢測

取距離基坑約7.5 m遠(yuǎn)的地表處某一點(diǎn)的水平位移數(shù)據(jù)和沉降數(shù)據(jù)各97個，依據(jù)神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)訓(xùn)練規(guī)則，將其組成91組的數(shù)據(jù)，其中75組作為訓(xùn)練數(shù)據(jù)，16組作為試驗(yàn)數(shù)據(jù)驗(yàn)證GA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精確度。神經(jīng)網(wǎng)絡(luò)的基坑變形預(yù)測結(jié)果和實(shí)際監(jiān)測結(jié)果之間的誤差計算公式為：

E=|（y t-y 0）/y 0| ×100%?（4）

式中： y t為神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果；y t 是實(shí)際的監(jiān)測數(shù)據(jù)。以基坑外地表沉降變形預(yù)測為例，GA-BP神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)的運(yùn)算結(jié)果與實(shí)際監(jiān)測結(jié)果的對比如圖3所示。

由圖3可見，相比于單一的BP神經(jīng)網(wǎng)絡(luò)，GA-BP神經(jīng)網(wǎng)絡(luò)對基坑外地表沉降變形的預(yù)測結(jié)果更加貼近數(shù)值模擬結(jié)果，與實(shí)際監(jiān)測數(shù)據(jù)之間的誤差較小，能夠較好實(shí)現(xiàn)對建筑物基坑外地表沉降變形的預(yù)測。GA-BP神經(jīng)網(wǎng)絡(luò)的相對誤差在0.26%左右，而單一BP神經(jīng)網(wǎng)絡(luò)的誤差在1.17%左右，雖然BP神經(jīng)網(wǎng)絡(luò)也能夠反映出基坑沉降趨勢，但其存在明顯誤差。同樣，在基坑外地表側(cè)移的預(yù)測中，GA-BP神經(jīng)網(wǎng)絡(luò)更加穩(wěn)定，預(yù)測誤差更小[9-10]。

2.4.2 支護(hù)結(jié)構(gòu)頂部變形檢測

以相同方式取對稱面處冠梁頂水平位移數(shù)據(jù)和豎向沉降數(shù)據(jù)進(jìn)行分組訓(xùn)練與預(yù)測，結(jié)果顯示：2種神經(jīng)網(wǎng)絡(luò)均能夠較好預(yù)測支護(hù)結(jié)構(gòu)頂部的水平位移，從2個網(wǎng)絡(luò)的相對誤差的對比中可見，GA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精準(zhǔn)度更高；在基坑支護(hù)結(jié)構(gòu)垂直沉降變形的預(yù)測中，GA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果與實(shí)際監(jiān)測值更加貼近，平均相對誤差在0.63%左右，而單一BP神經(jīng)網(wǎng)絡(luò)預(yù)測值偏大，平均相對誤差在2.52%左右，2種神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差對比如圖4所示[11-12]。

3 基坑穩(wěn)定性影響因素分析與數(shù)值模擬

建筑物的基坑支護(hù)工程中，基坑周圍土體抗剪強(qiáng)度、灌注樁樁徑以及錨桿角度等參數(shù)均會對基坑的穩(wěn)定性造成一定影響，對此采用PLAXIS軟件對某建筑工程基坑進(jìn)行模擬[13-15]。

3.1 基坑土體模型構(gòu)建

該基坑土體的模型長50 m、寬30 m、深40 m，其中基坑內(nèi)側(cè)長20 m，地下連續(xù)墻體厚度為0.57 m、高17.85 m，在深度為3.5 m和7.5 m處設(shè)置兩道水平間距為1.4 m的錨桿，錨桿安置傾角為25°。采用莫爾-庫倫模型，輸入基坑土體粘聚力、彈性模量、泊松比等參數(shù)，對基坑穩(wěn)定性影響因素進(jìn)行分析[16]。

3.2 基坑穩(wěn)定性影響因素分析

3.2.1 土體抗剪強(qiáng)度的影響

粘聚力和內(nèi)摩擦角是決定基坑土體抗剪強(qiáng)度的主要參數(shù)。對此在有限元分析軟件中將粘聚力分別增加0、20%、40%、60%，設(shè)定內(nèi)摩擦角分別為10°、20°、30°、40°，進(jìn)行基坑開挖過程的模擬，得到土體抗剪強(qiáng)度對基坑圍護(hù)結(jié)構(gòu)變形的影響。以粘聚力為例，其對圍護(hù)結(jié)構(gòu)最大水平位移的影響如圖5所示。

由圖5可見，隨著粘聚力的增加，圍護(hù)結(jié)構(gòu)的最大水平位移不斷降低，基坑支護(hù)結(jié)構(gòu)更加穩(wěn)定。粘聚力增量為20%時，基坑土體的穩(wěn)定效果最明顯。因此，在實(shí)際的建筑物基坑支護(hù)工程中，可綜合考慮成本和施工條件，將土體的粘聚力增加20%，以降低基坑土體形變，改善土體粘聚力以優(yōu)化基坑支護(hù)效果。另外，在內(nèi)摩擦角對圍護(hù)結(jié)構(gòu)最大水平位移的影響中，內(nèi)摩擦角增大，圍護(hù)結(jié)構(gòu)的位移也呈單調(diào)減小趨勢，充分體現(xiàn)出土體抗剪強(qiáng)度對基坑穩(wěn)定性影響作用[17-19]。

3.2.2 灌注樁樁徑的影響

在數(shù)值模擬軟件中改變灌注樁樁徑，在不同的樁徑下獲取圍護(hù)結(jié)構(gòu)最大水平位移值。樁徑從600 mm增到1 200 mm的過程中，圍護(hù)結(jié)構(gòu)的最大水平位移不斷減小，在增到800 mm時，變化最大。樁徑增大的同時其自身剛度也提升了，但樁徑對基坑土體形變的降低作用不很明顯，不能單一的通過增加樁徑來保障基坑結(jié)構(gòu)的穩(wěn)定性，不僅成本較高，且得不到理想的支護(hù)效果[20]。另外，錨桿角度設(shè)定在10°～25°，圍護(hù)結(jié)構(gòu)的最大水平位移值增加較為緩慢，此時的基坑土體穩(wěn)定性較好。

4 結(jié)語

構(gòu)建GA-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行建筑物基坑土體變形、支護(hù)結(jié)構(gòu)變形的預(yù)測，相比于單一BP神經(jīng)網(wǎng)絡(luò)，GA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度更高、誤差更小，在實(shí)際的建筑物基坑支護(hù)結(jié)構(gòu)變形預(yù)測中有著較高的可用性。并通過PLAXIS軟件模擬，分析各因素對基坑穩(wěn)定性的影響，土體粘聚力增加20%時，基坑支護(hù)結(jié)構(gòu)穩(wěn)定性改善更加明顯。

【參考文獻(xiàn)】

［1］ ?張國朋.深基坑變形預(yù)測方法與安全評價研究[D].張家口：河北建筑工程學(xué)院，2022.

[2] 周海峰，李海文.高層建筑基坑工程變形監(jiān)測探討[J].綠色環(huán)保建材，2021（7）：151-152.

[3] 趙平.深基坑開挖影響的有限元模擬與監(jiān)測[J].安慶師范大學(xué)學(xué)報（自然科學(xué)版），2022，28（4）：24-28.

[4] 孫雪，張琳.BP神經(jīng)網(wǎng)絡(luò)在基坑變形預(yù)測中的應(yīng)用及改進(jìn)[J].勘察科學(xué)技術(shù)，2017（1）：47-51.

[5] 曾佳亮.基于遺傳優(yōu)化設(shè)計的復(fù)雜工況下基坑支護(hù)應(yīng)用研究[J].中國高新科技，2018（4）：40-43.

[6] 易黃智，高飛.基于GA-BP神經(jīng)網(wǎng)絡(luò)的地鐵變形預(yù)測模型[J].合肥工業(yè)大學(xué)學(xué)報（自然科學(xué)版），2021，44（11）：1513-1517.

[7] 劉錦，李峰輝，劉秀秀.優(yōu)化GA-BP神經(jīng)網(wǎng)絡(luò)模型及基坑變形預(yù)測[J].隧道建設(shè)（中英文），2021，41（10）：1733-1739.

[8] 黃亞寧，陳浩沖，宋肖冰.GA-BP神經(jīng)網(wǎng)絡(luò)在深基坑變形預(yù)測中的應(yīng)用[J].工程建設(shè)，2017，49（10）：31-34.

[9] 李篷，王紅梅，王若鋒，等.基于優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法的深基坑沉降預(yù)測[J].經(jīng)緯天地，2020（3）：101-104.

[10] ?徐磊.基坑開挖過程中坑外地表沉降規(guī)律數(shù)值模擬[J].居舍，2019（19）：191.

[11] 李鑫蕾.砂卵石地質(zhì)深基坑的支護(hù)結(jié)構(gòu)優(yōu)化和變形規(guī)律研究[D].蘭州：蘭州理工大學(xué)，2019.

[12] 楊軼涵.基于BIM技術(shù)和神經(jīng)網(wǎng)絡(luò)的深基坑樁錨支護(hù)結(jié)構(gòu)變形預(yù)測研究[D].廣州：華南理工大學(xué)，2020.

[13] 周毅.PLAXIS與理正軟件在基坑工程實(shí)例中應(yīng)用的對比[J].土工基礎(chǔ)，2021，35（3）：254-256.

[14] 張寬，莊順建.基于PLAXIS2D的棗陽某深基坑支護(hù)工程數(shù)值分析[J].工程建設(shè)與設(shè)計，2021（6）：30-31.

[15] 常秋影.淺談Plaxis有限元軟件在基坑支護(hù)設(shè)計中的應(yīng)用[J].建材與裝飾，2017（48）：76-77.

[16] 楊勁，許鵬，李超.基于有限元分析的建筑基坑施工過程數(shù)值模擬分析[J].安裝，2022（6）：78-80.

[17] 陳星.深基坑支護(hù)設(shè)計、數(shù)值模擬與監(jiān)測分析[D].邯鄲：河北工程大學(xué)，2021.

[18] 熊大寧.基于分層開挖的深基坑土體粘聚力智能反分析[J].住宅與房地產(chǎn)，2017（17）：139.

[19] 方紹燕.粘聚力和內(nèi)摩擦角與邊坡穩(wěn)定系數(shù)的指數(shù)關(guān)系[D].北京：中國地質(zhì)大學(xué)（北京），2018.

[20] 王易得.基坑支護(hù)的沖孔灌注樁施工技術(shù)[J].建筑技術(shù)開發(fā)，2022，49（18）：163-165.