復雜環境下地鐵車站深大基坑變形預測方法研究

張轉林

（中鐵十八局集團市政工程有限公司，天津 300222）

1 引言

隨著城市地下空間開發的不斷推進，地鐵車站的埋深、長度均不斷增加，不斷涌現出新的超長、超深、超大地鐵車站基坑。日漸增長的基坑尺寸和日益復雜的環境因素相互耦合，更加考驗施工過程中對基坑支護結構的安全管控水平。為對深大基坑的安全進行有效的監控和預測分析，從而達到針對性地進行加固、控制等安全管控的目的，采用合理可靠的基坑變形發展預測方法對后續安全控制的選用至關重要。

在巖土工程中，通常采用一些解析解或經驗公式，對基坑、路基等設施的變形進行預測和分析。受到材料各向異性、土體力學機理、土-結構相互作用等復雜因素影響，是對長期變形、不同施工步序下的變形發展等難以做到有效預測。隨著計算機技術及土體本構模型發展，數值分析方法已經成為基坑變形預測的一 個主要方法。數值分析法在求解復雜的巖土工程問題時，具有很好的可靠性和普適性，故數值模擬可以有效解決基坑開挖等工程問題。但是數值計算對計算機性能、模型精細程度、材料本構模型等也有較高要求，較少在施工過程中針對不同的施工階段開展動態計算。因此，仍需發展結合基坑監測數據的變形預測手段，通過對監測數據的處理和解讀，對施工階段深大基坑的變形進行更符合現場實況且準確的預測。

伴隨人工智能的發展，利用相關技術，發展出一大批基于監測數據的基坑變形預測方法。任麗芳等將GM （1，1） 模型與神經網絡模型算法相結合，建立深基坑的變形預測灰色神經網絡組合模型，經過實際工程的預測檢驗，證明預測效果較好。麻鳳海等人鑒于軟土地層和特殊巖層的特性，證明深基坑的開挖變形很難從理論上準確計算，并通過比較流行的一些非線性預測方法，結合實際監測數據，建立灰色理論預測模型、時間序列預測模型和改進的神經網絡模型來預測基坑的變形。楊哲峰等通過對原始監測數據的降噪處理，利用最優小波原理，將處理后的數據分為趨勢項和誤差項2個序列，分離原始數據的長期性和游離性，增加數據的可預測性，同時分別對這2個序列運用前饋（BP）神經網絡的算法加以預測，預測結果的精確度有明顯的提升。上述研究證明人工智能方法在基坑變形預測方面的適用性，但對于復雜環境下地鐵車站深大基坑的變形預測，仍需針對其超長、超深、復雜周圍環境等特點，開展相應研究，以滿足建設形勢的需求。

為此，本文將開展復雜環境下地鐵車站深大基坑的變形預測方法研究。首先利用改進的BP神經網絡，構建深大基坑變形預測模型。在此基礎上，結合廣州地鐵22號線祈福站的實際情況和監測數據，對上述模型進行訓練和校驗，結果表明模型可以較為準確地預測深大基坑的變形。為驗證模型對不同施工步序下基坑變形的預測效果，本文還構建精細化的祈福站基坑數值模型，通過對比不同施工步序下的施工變形模擬結果和預測結果，進一步驗證模型的有效性。

2 基坑變形預測模型

2.1 BP 神經網絡

生物神經元信號的傳遞是通過突觸實現的復雜過程，而人工神經網絡就是模擬生物神經元信號的傳遞過程，并將其簡化成1組或者多組數字信號，通過一定的學習規則使其不斷更新的過程。不同神經網絡之間的連接通過神經元之間的連接權重來實現。BP神經網絡是一種誤差反向傳播神經網絡，通常由1個或多個輸入層、隱含層和輸出層構成，而每一層又包含數個神經元，其網絡結構如圖1所示。

圖1 BP神經網絡結構

2.2 BP 神經網絡學習規則

BP神經網路最主要的學習模式，是基于反向誤差傳播算法的有監督學習，神經網絡通過不斷的學習和訓練，對預測值與輸入訓練集之間的誤差進行調節，最終使誤差低于容許誤差。圖1中，xj表示輸入層第j個節點的輸入，wij表示隱含層第i個節點到第j個節點之間的權值；θi表示隱含層第i個節點的閾值；φ表示隱含層的激勵函數；wik表示輸出層第k個節點到第i個節點之間的權值；ak表示輸出層第k個節點的閾值；φ表示輸出層的激勵函數；yk表示輸出層第k個節點的輸出。則每一個樣本的二次型誤差準則函數Ep為：

式（1）中，L為輸出層節點數，Tk為期望值，若有P個訓練樣本，則系統的總誤差準則函數為：

對于不同神經元之間的權重值和閾值的調整，可以根據誤差梯度下降法對各層進行調整，得到修正輸出層權值的修正量Δwki、輸出層閾值的修正量Δak、隱含層權值的修正量Δwij、隱含層閾值的修正量Δθi如下：

BP神經網絡算法簡單、易行、計算量小，其算法的實質就是針對誤差函數求最小值，由于它采用非線性規劃的最速下降法，按照誤差函數的負梯度方向修改權重值或閾值，可能會造成學習效率低，收斂速度慢等問題。為彌補這一缺陷，需在訓練過程中自動調節學習速率的值，使其可以根據公式（4）自動調節：

式（4）中，E（k）為第k步誤差的平方和。

通常調節學習速率的準則是：檢查權值是否真正降低誤差函數，如果降低說明所選學習速率偏小，可以適當的增大；反之則應減少學習速率的值，防止產生過調。由于其可以自動調節學習速率的值，故初始學習速率η （0）的取值范圍也可以有很大的隨意性。下面將結合祈福站的基坑監測數據，訓練上述可以自動調節學習速率的BP神經網絡模型，并對基坑變形進行預測和校驗。

3 基坑變形預測模型校驗

3.1 工程概況和地質情況

廣州地鐵22號線西接廣州南站，東聯番禺廣場站。其中，祈福站位于番禺區市廣路與金山大道交叉路口以東，沿市廣路布置，場地范圍東低西高，相對高差約5 m。車站全長450.8 m，標準段結構寬為35.1 m，擴大端基坑寬為43.3 m，基坑開挖深度為20.7 ～27.3 m，屬于典型的超大、超深基坑。

按《廣州市軌道交通二十二號線祈福站詳細勘察階段巖土工程勘察報告》的分層原則，根據沿線所揭露地層的地質時代、成因類型、巖性特征、風化程度等工程特性，對祈福站基坑范圍內的地層進行分層，各層土體參數如表1所示。

表1 祈福站地層劃分和力學參數

3.2 預測模型校驗

本研究選取祈福站基坑變形測點WY01和WY06的地連墻水平位移數據為樣本。數據囊括的監測周期為2020年6月5日至2020年7月9日，監測頻率為1次/天，每個測點有35組數據，將前30組數據作為訓練集，用于訓練上述基坑變形預測模型，后5組數據則作為測試集，用于校驗基坑變形預測模型的效果。WY01和WY06測點所用到的基坑變形數據如圖2所示。

圖2 WY01和WY06的監測數據

具體訓練過程為：將訓練集輸入基坑變形預測模型中，其中輸入層數m= 5，以時間序列中的數據n、n+ 1、n+ 2、n+ 3、n+ 4作為輸入層，訓練后預測時間序列n+ 5的值；按照這種方法對數據進行訓練時，選定網絡的最大學習迭代次數為20 000次，學習精度為0.005，進行迭代計算后，當達到設定的精度后，停止訓練，并對后5組監測值進行預測。所得預測結果與監測結果對比如圖 3、圖4所示。從對比結果可以看出，WY01的預測值與監測值其平均誤差在23.4%，最小誤差在1.7%；WY06的預測值與監測值的平均誤差在27.8%，最小誤差為2.5%。同時可以看出，預測值與檢測值之間雖存有誤差，但是其變化趨勢保持一致。由此可見，本文所構建的基坑變形預測模型可以有效的預測深大基坑的變形。

圖3 WY01預測值與監測值對比

圖4 WY06預測值與監測值對比

4 考慮施工步效應的基坑變形預測

4.1 數值計算模型

本研究采用有限元分析軟件（Midas-GTS）建立有限元模型，并對不同施工步序下的基坑變形發展展開分析。其中，基坑-地層有限元模型如圖5所示，基坑圍護結構的網格剖分如圖6所示。祈福站全長450.8 m，標準段結構寬為35.1 m，擴大端基坑寬為43.3 m，基坑開挖深度為27.3 m，由于開挖前已做降水處理，在模擬階段不再考慮降水的影響。該基坑模型分3次開挖，第一、二道支撐為混凝土支撐，第三道支撐為鋼支撐。混凝土支撐采用C30混凝土，將彈性模量E取為25 GPa，泊松比ν取0.20，重度為25 kN/m3；鋼支撐采用線彈性桿單元模擬，彈性模量E取200 GPa，泊松比ν取0.26。不同地層的計算參數如表1所示。

圖5 基坑-地層有限元模型

圖6 圍護結構網格剖分

4.2 考慮基坑變形預測效果

祈福站基坑分3次開挖，每開挖一層為1個分析步，不同分析步（Step）對應不同的施工步驟。如表2所示，選取監測位置WY01和WY06 2個測點對比分析其數值模擬結果和監測結果。

從表2中所呈現的數值模擬結果可以發現，監測值與數值模擬的預測值相比，模擬值普遍大于監測值，最大的相對誤差為15.98%，最小的相誤差僅有5.55%；預測結果顯示，數值法可以預測對不同開挖步驟所引起結構變形的趨勢，并且從第一層（對應Step1）開挖至最后一層（對應Step3），其模擬值與監測值相對誤差逐漸減小。

表2 WY01測點的數值模擬與監測對比 mm

5 結論

為構建適用于地鐵車站深大基坑的變形預測方法，本研究采用自適應調整學習效率的BP神經網絡技術，結合廣州地鐵22號線祈福站基坑工程及其監測數據，開展深大基坑變形預測模型構建及校驗。此外，本文還結合祈福站施工步效應數值模擬，開展考慮施工步效應的深大基坑變形預測效果研究，所得結論如下。

（1）本文基于BP神經網絡模型，采用訓練過程中自動調節學習速率的技術，優化BP神經網絡的訓練效能，提出適用于深大基坑變形預測的基坑變形預測模型。

（2）基于基坑變形預測模型和祈福站基坑實測數據，對基坑變形預測模型進行校驗，對比預測結果和實際監測值可知，兩者平均誤差分別在23.4%和27.8%，最小誤差分別為1.7%和2.5%，基于BP神經網絡的預測模型能很好的預測圍護變形趨勢。

（3）本文通過有限元軟件Midas-GTS，建立基坑開挖模型，經過數值模擬獲得不同施工步序下的基坑變形，對比模擬結果和預測結果，表明基坑變形預測模型可以有效地對施工步效應進行預測。