大跨度懸索橋錨碇基礎基底土壓力智能預測研究

任麗芳，袁寶遠

大跨度懸索橋錨碇基礎基底土壓力智能預測研究

任麗芳1，2，袁寶遠2

（1．石家莊鐵路職業技術學院經濟管理系，石家莊 050041；2．河海大學地球科學與工程學院，南京 201198）

將灰色系統（GM（1，1））、BP神經網絡、灰色神經網絡（GNNM（1，1））3種智能預測模型分別應用于深大基坑錨碇基礎的基底變形預測過程中，以潤揚大橋北錨碇基礎基底土壓力的監測資料為例進行動態預測分析，并與實測值進行了比較。結果表明：3種模型土壓力預測值的相對誤差分別為1．11%，0．77%和0．43%。GNNM（1，1）模型的預測結果更接近于實測值，與GM（1，1）和BP神經網絡相比，GNNM（1，1）更適宜對波動較大的線性數據和非線性數據進行擬合，可以在工程中推廣應用。

錨碇基礎；智能算法；變形預測；灰色神經網絡

1 概 述

大型復雜的地下工程，通常采用有限元等數值分析方法對基礎基底土壓力進行研究。目前基坑設計中廣泛使用的公式及其他理論公式仍是借助于試驗基礎上的半經驗半理論公式，經驗系數的取值對基底壓力及承載力的計算結果產生的影響較大。巖土體具有多相、非均質、各向異性等特點，使計算過程中輸入的有限元計算模型的參數無法準確測量，從而導致計算誤差較大。在認識到基坑開挖的時空效應及理論與數值模擬方法的缺陷后，各種系統分析方法開始應用于基坑開挖的變形預測［1－3］。目前，多數研究集中于利用智能算法及模型對基坑的變形進行研究［2－7］。但是，利用不同算法及其組合模型模擬預測大型錨碇基礎基底土壓力的研究并未見報道。

針對深基坑基底土壓力預測技術，本文引入灰色GM（1，l）模型、BP神經網絡模型及灰色神經網絡組合GNNM（1，1）模型，結合潤揚長江公路大橋南汊懸索橋北錨碇基礎的工程實際，對錨碇基礎基底土壓力的監測數據分別運用3種智能算法建立數學模型，對錨碇基礎的的土壓力進行了智能預測，并確定了不同智能預測模型的適用條件。探討各自的適用條件和預測精度，使各預測模型更具有工程適用性。

2 智能模型基本原理

2．1 灰色GM（1，1）模型預測原理

1982年鄧聚龍［4］教授提出的灰色理論以其具備完備的理論性、良好的可操作性、準確度高、對數據量要求少且無嚴格要求等優點，廣泛應用于各種預測領域。目前使用的主要是GM（1，1）模型。其基本理論為：

將原始數據序列x（0）＝｛x（0）（1），x（0）（2），…，做一次累加，生成數列x（1）（t）＝｛x（1）（1），x（1）（2），…，x（1）（n）｝。構造一階線性微分方程＝u，構造數據矩陣B，YN，利用最小二乘法得到a＾，將a＾代入微分方程求得時間響應函數：

得到x（0）的灰色預測值為

2．2 BP神經網絡模型預測原理

BP網絡目前已在許多領域中得到了成功的應用［5，6］。BP網絡模型是一種層次模型（圖1），該網絡模型通過選擇非線性的神經元處理函數，可以實現從輸入到輸出的非常復雜的非線性映射。它由3類神經元層次組成：輸入層單元、若干隱含層單元、輸出層單元。各層次之間形成全互相連接，各層次內的神經元之間沒有連接。BP網絡采用誤差反饋學習算法，主要包括：輸入數據從輸入層逐層向輸出層傳播，得到輸出響應；輸出誤差由輸出層開始反向傳播到輸入層，網絡各層的權重值改變量則根據傳播到該層的誤差大小來決定，因此稱為“誤差逆傳播算法”。隨正向的數據傳播和逆向的誤差傳播，網絡的相應正確率不斷上升，最后達到平衡狀態。

2．3 灰色神經網絡GNNM（1，1）模型預測原理［7，8］

灰色模型具有建模所需樣本數據少、無須考慮其分布規律及變化趨勢、建模簡單、運算方便等特點；神經網絡具有自身學習功能且容錯能力強、計算精度高等諸多優點。神經網絡的模型特點恰好能對灰色方法進行補充。采用神經網絡對灰色GM（1，l）模型加以修改，建立灰色神經網絡智能算法，可發揮兩者所長，使得預測結果更加精確，提高了計算精度和運算能力，并能對復雜的不確定性問題進行求解。

圖1 BP神經網絡結構圖Fig．1 The structure of BP neural network

灰色神經網絡組合模型的建模原理是將GM（1，1）模型所得的預測值作為BP神經網絡的輸入樣本，把真實值作為目標樣本，對神經網絡進行訓練，可得到一系列對應于相應結點的權值與閾值。然后再將第一步GM（1，1）模型的預測值作為神經網絡的輸入，進行仿真得到相應的輸出，即為組合模型的預測結果。如圖2所示。

圖2 灰色神經網絡組合模型圖Fig．2 The structure of GNNM（1，1）network

3 實例應用與分析

3．1 工程概況

國家重點工程潤揚長江公路大橋北聯同江至三亞國道主線，南接上海至成都國道主干線，是江蘇高速公路網的重要組成部分。該橋橫跨長江連通鎮江與揚州，整座大橋由南汊懸索橋和北汊斜拉橋以及相連的高架橋和南北引橋組成，全長23．56 km。其中南汊懸索橋主跨達1 490 m，目前中國第一、世界第三，是一項舉世矚目的工程。北汊斜拉橋跨度406 m，兩橋于世業洲之上高架相連。

潤揚長江大橋南汊懸索橋的北錨碇屹立于長江中小島世業洲上，需承受主纜約6．8萬t的拉力，其基礎平面尺寸為69 m×50 m的矩形，基坑深度近50 m，采用1．2 m厚的矩形嵌巖地下連續墻、排水明挖、內支撐與錨碇結構相結合的施工工藝。錨碇所在地基埋藏約48 m深厚的第四系沖洪積松散覆蓋層，而落基于下臥的中等風化花崗巖盤之上。其所處場地工程地質、水文條件復雜，構造發育，縱橫交錯的斷裂不利于錨錠基礎的穩定。根據監測數據資料，實施錨碇基礎基底土壓力預測研究，對錨碇基礎的安全穩定顯得尤為重要。

3．2 實測數據變形預測分析

北錨碇基礎工程的監測工作從2001年5月開始，監測內容包含：基底土壓力、基底孔隙水壓力、地下連續墻鋼筋應力、墻體水平位移、水平橋軸向位移以及散索鞍架梁期間變形監測等諸多方面。本文以錨碇基礎基底土壓力監測資料為研究對象考察不同智能模型的適用性。潤揚大橋北錨碇監測點布置如圖3所示。

北錨碇基礎基底第4排土壓力隨時間的變化曲線如圖4所示。以潤揚大橋北錨碇基底第4排編號為32341的實測土壓力為研究對象，采用從開始監測的第260天到第440天這10次的實測土壓力值作為已知監測數據，利用該10次已知數據對第460天到620天共9次土壓力進行預測，并將預測值同圖4中所示的實測值進行對比分析，從而確定不同模型的適用性及可靠性。

3．2．1 建立預測模型

首先，根據上述原理分別建立灰色GM（1，1）、BP神經網絡模型對北錨基底第4排32341測點的第460天到第620天這9次的土壓力進行動態預測，結果如圖5所示。

圖3 北錨碇監測點布置圖Fig．3 Layout ofmonitoring points for north anchor foundation

圖4 北錨基底土壓力分布Fig．4 Soil pressure distribution of the north anchor foundation

圖5 32341號測點土壓力實測值與預測值對比Fig．5 Comparison of predicted and monitored soil pressure values at point 32341

在分析以上2種方法優缺點的基礎上建立灰色神經網絡GNNM（1，1）組合模型。首先將北錨基底第4排32341測點第260天到第440天這10次的土壓力的實測值作為已知監測數據，建立灰色GM（1，1）模型，擬合這10次的土壓力實測值；在得到這10次的擬合值后，將該組擬合值的后9次輸入神經網絡，其相對應的實測值作為網絡的期望輸出，經過網絡訓練后，得到網絡中對應于每個結點的一系列權值與閾值；然后對第460天到第620天這9次的土壓力先用第1步建立的GM（1，1）模型預測，將這些預測值作為神經網絡的輸入，進行仿真得到相應的輸出，即為北錨基底第4排32341測點的第460天到第620天灰色神經網絡GNNM（1，1）組合模型的預測結果。3．2．2 預測結果及相對誤差分析

灰色GM（1，1）模型、BP神經網絡模型和灰色神經網絡GNNM（1，1）組合模型的預測結果及相對誤差分析比較分別見圖5、圖6和表1。

圖6 32341號點土壓力預測數據誤差Fig．6 The relative errors of threemodels at point 32341

表1 各種模型預測值的相對誤差Table 1 The relative errors of predicted values of threemodels%

預測結果分析：由圖5、圖6和表1可以看出，采用GM（1，1）模型預測時，預測值和實測值的最大相對誤差為2．46%，平均誤差為1．11%；采用BP神經網絡模型預測的最大相對誤差為1．65%，平均誤差為0．77%；采用灰色神經網絡組合模型預測的最大相對誤差為0．77%，平均誤差為0．43%。

由表中可以看出，GM（1，1）模型能夠較好描述序列中蘊含的確定的指數函數規律，可適用于模擬預報單調增加或者單調減少的指數序列。利用GM（1，1）模型進行短期預測較為成功。對于較為復雜的深大基坑基底土壓力的變化與預測，隨著預測期的延長，未來的擾動或者隨機因素對系統模擬影響較大。由圖中可以看出，隨著預測時間的增加，其相對誤差由0．21%增加到2．46%。GM（1，l）模型預測結果有時會出現較大的誤差，對其改進只是利用單個序列之間的關系進行一定的修正，若采用多個序列進行殘差修正，則需分別建立相互獨立多個模型，分別對多個序列數據進行預測，則會忽略其中的聯系，因此，GM（1，1）模型在深大基坑基底土壓力的預測過程中有一定局限性。

與灰色系統相比，BP神經網絡采用逼近非線性插值方法，具有較強的自適應性，神經網絡能通過自適應學習建立起最佳映射模式，具有很強的穩定性和容錯能力。與傳統的線性插值方法相比其結果與實際曲線擬合度高。但是，與GM（1，1）模型相比較，其數據序列波動性較大（圖5，圖6）。

灰色-神經網絡預測模型GNNM（1，1）具有較強的自適應能力。在基底壓力模擬預測的過程中，模型充分考慮了錨碇基礎上錨體澆筑過程中由于基底巖性不均勻引起基底壓力分布不均勻變化的動態性，同時總體基底壓力小于基礎荷載，反映部分荷載通過連續墻傳遞到墻下及坑外。通過基底土壓力的新陳代謝，能夠較為客觀反映錨碇基礎基底土壓力變形的趨勢，得到基底土壓力變化的趨勢項值，得出隨機量。對隨機量進行一定的預處理，得到GNNM（1，1）模型預測值。由表1可以看出，經過10天的預測，GNNM（1，1）模型預測值相對誤差＜0．8%，該模型能夠較好地揭示錨碇基礎基底土壓力的變化規律，可以用于深大基坑基底土壓力的智能預測過程中。

計算實例表明，GNNM（1，1）組合模型比GM（1，1）模型和BP神經網絡模型預測和擬合的精度有了較大提高，其預測結果更符合工程實際，具有一定的工程參考價值。

4 結 論

根據潤揚大橋北錨碇基礎工程現場實測資料分析，灰色系統、BP神經網絡、灰色神經網絡3種智能算法預測值和實測值的平均誤差分別為1．11%，0．77%和0．43%。與灰色系統、BP神經網絡相比，灰色神經網絡更適合于波動較大的數據和復雜非線性變化的數據擬合。采用灰色神經網絡模型對潤揚大橋北錨碇基礎基底土壓力進行預測，比單純灰色系統和BP神經網絡模型具有更高的精度。通過預測值可預先知道下一步基底土壓力所能達到的量，同時為接下來的沉降控制采取相應的施工措施提供參考，結果具有一定的工程參考價值。

［1］ 倪立峰，李愛群．基坑變形的動態神經網絡實時建模預報方法［J］．振動、測試與診斷，2002，22（3）：217－220．（NI Li-feng，LI Ai-qun．New Method of Real-Time Modeling Prediction about Deep Excavation Deformation［J］．Journal of Vibration，Measurement＆Diagnosis，2002，22（3）：217－220．（in Chinese））

［2］ 胡 冬，張小平．基于灰色系統理論的基坑變形預測研究［J］．地下空間與工程學報，2009，5（1）：74－78．（HU Dong，ZHANG Xiao-ping．Research on Predicting Deformation of Foundation Pit Based on Grey System Theo-ry［J］．Chinese Journal of Underground Space and Engi-neering，2009，5（1）：74－78．（in Chinese））

［3］ 曹紅林，王靖濤．用小波神經網絡預測深基坑周圍地表的沉降量［J］．土工基礎，2003，17（4）：58－60．（CAO Hong-lin，WANG Jing-tao．Prediction of Ground Settle-ment Around Deep Foundation Pit by UsingWavelet Neural Networks［J］．Soil Engineering and Foundation，2003，17（4）：58－60．（in Chinese））

［4］ 鄧聚龍．灰色系統理論［M］．武漢：華中理工大學出版社，1990．（DENG Ju-long．Grey System Theory［M］．Wu-han：Huazhong University of Science and Technology Press，1990．（in Chinese））

［5］ 林躍忠，徐 偉，呂風梧．灰色模型GM（1，1）在基坑位移預測中的應用［J］．建筑技術，1997，29（2）：97－98．（LIN Yue-zhong，XUWei，LV Feng-wu．The Grey Model GM（1，1）Used in the Displacement Forecast of the Base Hollow［J］．Architecture Technology，1997，29（2）：97－98．（in Chinese））

［6］ 趙其華，孫 鈞，徐 偉．地連墻變形的神經網絡多步預測研究［J］．成都理工大學學報，2002，29（5）：581－585．（ZHAO Qi-hua，SUN Jun，XU Wei．Displacement Prediction of Underground Continuous Wall by the Multi Step Neural Network Method［J］．Journal of Chengdu Uni-versity of Technology，2002，29（5）：581－585．（in Chi-nese））

［7］ 周建偉，周愛國，劉 曉．軟基沉降的BP神經網絡和灰色系統聯合預測［J］．地質科技情報，2005，24（7）：109－114．（ZHOU Jian-wei，ZHOU Ai-guo，LIU Xiao．BPArtificial Neural Network and Grey System United Mod-el for Settlement Prediction of Soft Soil Foundation［J］．Geological Science and Technology Information，2005，24（7）：109－114．（in Chinese））

［8］ 彭 濤，楊岸英，梁 杏，等．BP神經網絡-灰色系統聯合模型預測軟基沉降量［J］．巖土力學，2005，26（11）：1810－1814．（PENG Tao，YANG An-ying，LIANG Xing，et al．Prediction of Soft Ground Settlement Based on BP Neural Network-Grey System United Model［J］．Rock and Soil Mechanics，2005，26（11）：1810－1814．（in Chi-nese））

（編輯：王 慰）cohesive strength（c）．In this sense，it is critical to ensure the quality of pouring on the contact surface between concrete and bedrock．Secondly，the shear strength is reduced slightly by the impact ofwater，which is quite limit-ed；and the decrease of shear strength under high water head and long time immersing needs to be studied in-depth．Moreover，the shear destruction on the contact surface between high strength concrete and bedrock has the characteristics of typical brittle-fracture．

Yuzui Changjiang bridge；contact surface between concrete and bedrock；shear strength；influencing factor

TU432

A

1001－5485（2011）05－0046－04

2010-06-10

國家自然科學基金委員會、二灘水電開發有限責任公司雅礱江水電開發聯合研究項目（50539110）

任麗芳（1977-），女，河南洛陽人，碩士，講師，主要從事巖土工程研究，（電話）13933021206（電子信箱）gykren＠126．com。