復雜環境下基坑支護方案優化及位移預測研究*

歐長紅，姜早龍，陳大川，高 昕

(1.湖南東方紅建設集團有限公司，湖南 長沙 410000；2.湖南大學土木工程學院，湖南 長沙 410082；3.湖南湖大建設監理有限公司，湖南 長沙 410082)

0 引言

近年來，隨著我國經濟布局的優化調整與區域協調發展戰略的深入實施，城市土地資源日漸緊張，越來越多的基坑工程修建在環境敏感、建筑密集、地質多變的城區繁華地段[1-2]。同時，復雜環境的基坑工程面臨土層軟弱、地下水位高及周邊管線復雜等不利情況[3]。因此，如何在上述復雜條件下科學合理地開展基坑支護方案優化，直接關系到基坑支護結構及其周邊建筑物安全[4]。

基坑的工程性狀會隨著環境復雜程度呈現出較大隨機性與不確定性，對基坑支護結構設計、優化及位移預測等工作提出較大挑戰。目前，已有許多學者對此進行了較為深入的理論分析與實踐探索。丁烈云等以武漢地鐵2號線循禮門車站深基坑項目為例，運用有限元軟件FLAC3D模擬分析了該項目施工對周圍輕軌橋梁安全性的影響，并基于仿真結果，提出了復雜環境下基坑安全控制標準[5]。Jan等通過建立人工神經網絡模型，綜合考慮多種因素影響后，對地下連續墻的撓度變化和地表沉降進行了精確預測[6]。張志強等以某老城區改造過程中遇到的復雜基坑工程為例，綜合分析了復合支護結構使用要求和經濟效益[7]。宮鶴等以某緊鄰高邊坡的深基坑為例，綜合運用微型樁加固、樁錨組合支護及混凝土回填等措施，有效降低了邊坡變形速率，并通過收集監測數據較好地預測了基坑位移的變化趨勢[8]。張萌萌利用深基坑計算軟件對上海某環境復雜的深基坑工程進行計算分析，得到了基坑變形隨支護樁嵌入比、嵌入直徑等因素變化的規律[9]。崔凱等以電子科技大廈深基坑為例，針對周邊環境較復雜的工程現狀，聯合運用多種支護結構形式，不僅解決了施工難題，也有效控制了地下水位[10]。

結合上述研究成果可知，目前關于復雜環境下基坑支護的優化研究更多地聚焦于施工前設計方案的計算、優化及分析，而較少關注施工中出現偏差后所采取的改進方案及其應用效果。因此，本文以中南大學湘雅三醫院科教大樓基坑支護為研究對象，通過建立BP神經網絡模型預測優化后的施工方案能否有效控制水平偏移，為類似工程提供參考。

1 工程概況

1.1 工程簡介

中南大學湘雅三醫院科教大樓地下2層，地上13層，建設總面積為16 755.4m2，其中地上面積12 279.4m2， 地下面積4 476m2。本工程基坑開挖長度為83.5m，寬度為23m，開挖深度在3.5～7.2m。其東西兩側分別鄰近杏林小區和恒萬西溪里，南北兩側分別緊鄰宿舍樓和桐梓坡路，具體位置如圖1所示。

圖1 項目位置

1.2 工程地質情況

地質勘察結果顯示，場地范圍內主要巖土層有：人工填土、中風化板巖、強風化板巖、全風化板巖、殘積粉質黏土及粉質黏土，典型地質剖面如圖2所示。其中，人工填土、粉質黏土屬軟弱土層，工程性狀差；殘積粉質黏土壓縮性較弱，工程性狀較好；全風化板巖、強風化板巖以及中風化板巖屬軟巖，工程性狀較好，可作為樁基持力層。

圖2 典型地質剖面

1.3 施工難點分析

1)施工環境復雜 本工程周圍臨近多棟住宅，施工作業場地嚴重受限。在基坑開挖過程中，若保護措施不當或不及時，基坑邊坡會發生較大偏移，擾動鄰近建筑基礎，進而引發不均勻沉降或基坑坍塌。

2)地質較為軟弱 基坑開發范圍存在較大厚度的人工填土，最大處可達13.8m。因其具有土質軟、孔隙比大、抗剪強度低、壓縮性大等特點，在施工過程中易造成地基沉降、邊坡偏移及基坑坍塌等工程事故。基于上述施工難點，需科學合理地設計基坑支護方案，保障施工安全。

1.4 基坑支護方案初步擬定

目前，常見的基坑支護方法有鋼板樁支護、灌注樁支護、錨桿支護、擋墻+內支撐支護、SMW工法樁支護及放坡開挖等。在選擇與施工環境相適應的施工方法前，對各種施工方法進行詳細對比如表1所示。

本項目施工場地以回填土、粉質黏土為主，最大開挖深度在7.2m左右，屬于軟弱土層，變形控制難度較大。同時，考慮到項目周圍臨近既有建筑，在施工過程需嚴格控制基坑位移，以降低施工擾動對周邊建筑的影響。由表1可知，樁頂設置冠梁的灌注樁具有強度高、剛度大、穩定性好、變形小的特點，適用于軟弱土層，符合本項目的施工特點。另外，為防止出現隨著基坑開挖深度增大樁間土體坍塌流失的現象，設置2道預應力錨桿和掛網噴漿，增加灌注樁的整體性。綜上所述，基坑支護方案初步擬定為灌注樁+預應力錨桿+掛網噴漿。

表1 基坑支護方法對比

2 基坑支護位移監測及方案優化

2.1 監測流程及監測點布置

為全面了解基坑支護方案實施效果，驗證方案設計的科學性和確保基坑支護的安全性，本項目對基坑開挖進行了全過程監測。首先，通過現場監測和數據處理分析后，匯總監測成果并進行內部審核；其次，將審核合格的監測結果形成書面報告，并在24h內提交；最后對監測異常數據進行判斷處理，及時提出對策，執行超預警值方案。詳細流程如圖3所示。

圖3 基坑監測流程

項目監測方案應與基坑工程的設計施工相匹配，并重點監測易發生偏移的關鍵部位，具體監測點布置如圖4所示。

圖4 監測點平面布置

2.2 基坑偏移預警

在基坑土方開挖過程中，監測人員發現基坑西南角臨近宿舍樓的部分水平位移監測數據增長異常，最大值迅速達到39.5mm，遠超GB 50497—2019《建筑基坑工程監測技術規范》中水平位移預警值(25mm)。基坑偏移預警監測點C2，C10，C11，C12的水平位移詳細變化如圖5所示。

圖5 監測數據曲線

2.3 基坑偏移原因分析

根據地質勘查資料、基坑支護施工方案及現場實際情況，組織工程技術人員及行業專家對西南角水平位移異常變化進行詳細分析后，得出的可能原因如下。

1)灌注樁無法滿足本工程基坑支護要求 灌注樁適用于5m以內的淺基礎，在等待樁身強度達標的過程中易發生樁身偏移和樁間土流失的現象，最終引起偏移。

2)錨索錨固段預應力不達標 錨固段主要位于人工回填的黏土層，施工過程中未達到設計方案中錨索總長度31m、錨固預應力200kN的規定值。

3)大型機械運作時改變周邊土體壓力 由于機械運作造成護壁樁嵌固端一側的被動土壓力降低，對灌注樁約束力減小，從而引起基坑位置發生偏移。

4)承臺施工過程把控不嚴 承臺臨近護壁樁時發生超挖現象，土體不能有效約束護壁樁的變形。

2.4 基坑支護方案優化

為控制和降低水平位移超限段FG偏移的進一步增加，經現場工程技術人員反復論證后，提出采用具有更高強度、更大剛度、更好水密性的鋼板樁，快速對該段進行加固處理。同時，為了增加邊坡抗滑力，在對基坑側壁進行填土反壓的基礎上，對基坑底部土體進行注漿加固，使樁前填土層擁有更大的黏聚力，這樣不僅能穩定邊坡，還能提高支護樁抵抗被動土壓力的能力，避免機械運作對護壁樁的擾動影響。最后，考慮到取土過程基坑可能變形過大的情況，在基坑之間增設鋼管對撐，其加固優化方案如圖6所示。

圖6 基坑支護優化措施的剖面

后續承臺施工不當也會對護壁樁產生較大影響。因此，需調整承臺基坑的施工方案來保障基坑支護的穩定性。基坑自西向東開挖，依次逐個完成承臺施工。將承臺的墊層混凝土強度等級由C15變更為C20，厚度由100mm增加至300mm，以增加鋼板管樁和鋼板樁的樁前被動土抗力。為確保側壁安全，墊層跳開間隔施工，并且保證端部與鋼板樁緊密接觸。此外，坑內主體結構樁基施工時注意避免擾動基坑護壁樁被動區土體，且現場時刻準備袋裝砂礫，若位移繼續加大，隨時準備返填。

3 BP神經網絡構建及位移預測

3.1 BP神經網絡原理概述

在未知數據映射關系的情況下，神經網絡可通過自身學習訓練來構建預測模型，進而實現對未來數據的預測，適用于復雜環境的基坑位移預測。BP(back propagation，反向傳播)神經網絡是利用誤差反向傳播，通過逐步減小預測輸出與期望輸出誤差的方式逼近期望目標。

從結構上看，神經網絡分為輸入層、隱含層和輸出層，網絡結構如圖7所示。圖中，xi和yj分別表示輸入值和輸出值，wij和wjk分別表示輸入層和隱含層、隱含層和輸出層之間的網絡權值。

圖7 網絡結構

BP神經網絡是從m個自變量經過l個隱含層到n個因變量的映射，計算訓練步驟如下[11-12]：

1)確定閾值a和b。

2)計算隱含層 輸入變量Xi，輸出隱含層變量Aj，如式(1)所示：

(1)

式中：i=1,2,…，m;j=1,2,…，l分別表示自變量和隱含層的層數；f為隱含層神經元激活函數，一般常用Sigmoid函數表達，如式(2)所示：

f(x)=(ex-e-x)/(ex+e-x)

(2)

3)計算輸出層 輸入Aj，激活函數選擇f(x)=x來計算輸出層的預測變量Yk，如式(3)所示：

(3)

式中：k=1,2,…,n，表示輸出層的層數。

4)計算預測誤差 預測輸出變量Yk與期望輸出變量Bk的誤差為δ，神經網絡代價函數Fk如式(4)，(5)所示：

δk=Yk-Bk

(4)

(5)

5)通過算法更新權值wij和wjk，循環步驟2，直至結束。誤差反向傳播實施思路如圖8所示。

圖8 誤差反向傳播

3.2 BP訓練算法確定

1)GD算法 訓練算法中最簡單易表達的是GD(gradient descent，梯度下降)法。更新權值如式(6)所示：

wij+1=wij-μgk

(6)

式中：μ為學習速率；gk為代價函數關于權值的梯度，是一階泰勒的展開式。此方法雖然簡單易行，但GD法并非計算最快的方法，并且一般情況下，無法保證解為全局最優解。

2)BFG算法 BFG(Broyden Fletcher Goldfarb，牛頓)法是基于泰勒公式的二次展開，具有更快的計算收斂速度。更新權值公式如式(7)所示：

(7)

式中：HK為黑塞矩陣，是代價函數關于權值的二階偏導矩陣。此方法雖然計算迅速，但黑塞矩陣的得出非常復雜，實操很難。

3)LM算法 LM(Levenberg Marquardt)法結合了GD法和BFG法。通過用雅可比矩陣擬合黑塞矩陣可以簡化計算的復雜性，引入單位矩陣I實現計算結果的可逆性。因此，LM算法具有省略計算黑塞矩陣和擁有二階收斂計算速度的優點。更新權值計算公式如下式所示：

(8)

(9)

式中：Jk為雅可比矩陣。通過比選，本文采用LM算法來訓練BP神經網絡。

3.3 模型擬定

本項目在基坑水平位移超出報警值后，對原基坑支護方案進行優化，加強對12個水平位移監測點的實時監測，每隔3d匯總1次監測點水平位移累計變化值，得到的12個數據即為1組。在連續監測174d后，得到了58組696個數據。組號和水平位移累計變化量分別作為神經網絡訓練樣本集的輸入數據和目標數據。其中40組480個數據用于訓練神經網絡，剩余16組192個數據均分用于確認和測試訓練后的神經網絡。訓練次數設置為1 000次，訓練算法選擇LM算法。運算結束后，查看回歸曲線來判斷數據的擬合程度。

由回歸曲線可知，R值越接近1，數據擬合程度越好，在此模型中Training，Validation，Testing的擬合效果均較好。因此，可以用此模型進行基坑水平位移預測。

3.4 預測值與監測值對比

本項目利用該模型預測了未來60d共20組240個數據。模型預測發現，30d后的預測數據基本保持不變，故選擇前30d的10組數據與監測值比較。為保持原有數據的分布狀態，采取等距取樣的方式，挑選第5，10組的預測數據與監測數據對比，對比結果如表2所示。

從表2可以得出，訓練后形成模型的預測值與監測值相近，相差均10%的變化范圍內，故此模型可以實現對基坑水平位移的預測。預測多組數據后得出，通過基坑支護方案優化，基坑的水平偏移數據得到收斂，基坑暫時處于穩定狀態。

表2 第5，10組水平位移數據對比

4 結語

結合工程地質情況及施工難點，對常見基坑支護方法的適用性進行系統比選后，確定了本項目初步的施工方案；然后基于水平位移實時監測對基坑位移進行偏差預警及原因剖析，提出聯合運用鋼板樁支護、填土反壓及鋼管對稱支撐3種加固方式對偏移段進行處理；最后綜合比較神經網絡預測位移與實際監測數據間的差距，借以驗證優化方案的可行性與模型的適用性。結果表明，所采取的優化方案能有效限制基坑偏移，降低對周邊復雜環境的影響。