基于變形監測成果的基坑支護設計穩定性評價

收稿日期：2023-10-20；修回日期：2023-12-19

作者簡介：李銳豪（1990- ），男，本科，工程師，主要從事地質工程工作。E-mail：1377604277@qq.com

引用格式：李銳豪，2024.基于變形監測成果的基坑支護設計穩定性評價［J］.城市地質，19（2）：225-232

摘 要：采用粒子群算法、廣義回歸神經網絡和差分自回歸移動平均模型實現基坑變形預測，評價基坑施工過程中的穩定性，以佐證基坑支護措施的有效性。基坑區地質條件、近接條件均較為復雜，需采用剛度大的支護結構來控制基坑變形，因此，將基坑支護形式確定為樁錨支護結構，且為確保基坑支護體系的經濟性，還進行了分區支護措施設計。在基坑穩定性評價過程中，現階段條件下的沉降變形的變化范圍為12.68～21.42 mm，均值為17.84 mm，水平位移的變化范圍為15.08～22.49 mm，均值為18.68 mm，得出兩類變形均小于變形控制值，說明基坑目前的變形在變形控制值范圍內，其穩定性較好；通過變形預測，得出基坑后續變形具收斂趨勢，后續的變形值范圍為21.35～23.58 mm，也小于變形控制值，說明基坑后續的變形控制也較好，基坑穩定性較優。

關鍵詞：基坑；支護設計；變形監測；廣義回歸神經網絡；變形預測

Design and stability evaluation of foundation pit support based on deformation monitoring results

LI Ruihao

（Henan No.2 Institute of Geological and Mineral Resources Survey Co.， Ltd.， Zhengzhou 450000， Henan， China）

Abstract： Particle swarm optimization algorithm， generalized regression neural network， and differential autoregressive moving average model are used to predict the deformation of foundation pits. The stability of the foundation pit construction process is evaluated based on the prediction results to demonstrate the effectiveness of foundation pit support measures. The geological conditions and proximity conditions in the target excavation area are relatively complex， requiring the use of rigid support structures to control the deformation of the foundation pit. Therefore， pile anchor support structure is chosen as the form of foundation pit support. To ensure the economic efficiency of the foundation pit support system， zoning support measures are also designed. In the process of evaluating the stability of the foundation pits， the range of settlement deformation under current conditions is 12.68-21.42 mm， with an average of 17.84 mm. The range of horizontal displacement change is 15.08-22.49 mm， with an average of 18.68 mm. It is found that both types of deformation are smaller than the deformation control value， indicating that the current deformation of the foundation pit is within the deformation control value range and has good stability. Through deformation prediction， it is found that the subsequent deformation of the foundation pit has a convergence trend， and the range of subsequent deformation values is 21.35-23.58 mm， which is also smaller than the deformation control value. This indicates that the subsequent deformation control of the foundation pit is also good， and so is the stability of the foundation pit.

Keywords： foundation pit; support design; deformation monitoring; generalized regression neural network; deformation prediction

隨著城市建設的快速發展，城市基坑工程數量越來越多，受近接條件限制，變形控制越來越重要（穆海旺等，2022；王長青等，2022；趙蕊等，2023）。目前，有不少學者開展了基坑支護設計的相關研究，如孔躍躍等（2023）開展了基坑結構的非對稱設計，李連祥等（2023）進行了非飽和土區的基坑支護設計研究，黃俊光等（2022）分析了超大深基坑群的支護設計方案，陳林靖等（2023）采用強度折減法分析了坑中坑基坑內外坑相互影響規律及其破壞形式。上述研究成果顯示開展基坑支護設計研究是十分必要的，但限于基坑所處地質條件差異，有必要結合工程實際開展針對性的基坑支護設計研究。

為進一步確保基坑施工過程中的穩定性，在基坑支護設計后，提出以變形監測成果為基礎，開展基坑變形控制效果評價，且將該分析過程劃分為兩步，其一，對比基坑現有變形量與變形控制值，評價基坑現有狀態的變形控制效果；其二，利用變形預測思路開展基坑后續變形研究，通過變形預測結果來評價基坑后續變形控制效果。為實現基坑穩定性合理評價，重點需構建基坑變形預測模型，廣義回歸神經網絡具有較強的非線性特征（苗蘭弟等，2021），可以作為基坑變形預測模型的基礎。

本文采用粒子群算法、廣義回歸神經網絡和差分自回歸移動平均模型實現基坑變形預測，并以預測結果評價基坑施工過程中的穩定性，以佐證基坑支護措施的有效性，以期為類似工程積累經驗。

1? 工程概況

項目屬房屋住宅建筑工程項目，位于河南省焦作市，總計包括5棟建筑，其中，2棟層數為24層，3棟層數為18層，地下層數為2層。

擬建基坑面積約8 483.28 m2，平面形態近似呈矩形（圖1），開挖深度大于5.0 m，屬深基坑。

項目區屬河漫灘地貌，高程范圍34.2～37.2 m，高差相對很小，整體地形很平坦；區內巖土層自上而下為雜填土、粉質黏土、含碎石黏土、卵石，其基本特征如下：

①雜填土。顏色雜亂，多由建渣、黏性土組成，硬質含量多大于50%，稍濕、松散，厚度分布不均，一般1.1～3.0 m。

②粉質黏土。黑、灰色，濕，可塑—軟塑，廣泛分布于場區，局部夾雜少量礫石，含量少于7%，分布厚度2.9～4.4 m。

③含碎石黏土。黃褐色，稍濕，可塑，碎石含量18%～32%，母巖多為石英巖，磨圓度差，呈次棱角狀，分布厚度4.3～5.8 m。

④稍密卵石。灰黃色、灰色，稍密，飽和，卵石含量55%～60%，孔隙由黏性土充填，磨圓度較好，卵石成分由花崗巖、石英巖組成，分布厚度6.1～8.8 m。

⑤中密卵石。灰黃色、灰色，中密，飽和，卵石含量60%～65%，磨圓度也較好，卵石成分由花崗巖、石英巖組成，揭露厚度大于10.2 m。

通過試驗及經驗成果統計，得到各類地層的基本特征參數如表1所示。

項目區地表水不發育，地下水多以上層滯水、潛水形式存在；第4層、5層的巖性主要為卵石，含水層滲透系數大、富水性好，易對土體工程性質產生較大影響。

基坑周邊近接條件較為復雜，其中，北側、東側均是近接既有道路，最小凈距13.2～16.0 m；西側、南側均是近接既有建筑，最小凈距10.5～18.2 m，其基礎均是樁基礎。

在基坑變形監測過程中，沉降變形、水平位移監測是十分重要的，因此，后續重點以此兩類變形進行示例性分析，且在此兩類項目變形監測過程中，監測頻率為一天一次，監測儀器采用全站儀及電子水準儀，監測精度為1.0 mm。

2? 基坑支護設計

在基坑開挖范圍內，開挖地層主要為粉質黏土層、卵石層，需嚴格控制基坑施工流程，確保項目質量，基坑周邊近接建筑物較為復雜，且凈距較小，因此，采用剛度大的支護結構能有效控制變形，盡可能減小基坑施工對周邊既有建筑物的影響。

2.1? 支護設計方案

基坑支護形式為樁錨支護結構，考慮基坑周邊近接條件的差異性，采用分區支護設計。以圖1中s1～s8監測點進行支護分區劃分，其中，支護Ⅰ區的范圍為s1-s2-s3-s4，支護Ⅱ區的范圍為s4-s5-s6，支護Ⅲ區的范圍為s6-s7-s8-s1。各區支護方案設計見表2。

基坑支護措施示意圖見圖2。

2.2? 支護設計參數

1）樁間錨噴的設計參數。在基坑開挖基面、樁間面上，先掛22#鋼板網，且為保證后續噴射混凝土的效果，于基面與鋼板網間設置墊塊，墊起距離不小于2?cm；當完成掛網后，開展混凝土噴射處理，混凝土等級為C20，細石∶中砂∶水泥=2∶2∶1。

2）支護樁的設計參數。將支護樁的樁頂設計于地面，樁徑均設計為800 mm，混凝土強度為C30，其他設計參數見表3。

3）冠梁的設計參數。冠梁設計尺寸為0.8 m ×1.0?m，主筋按8根直徑22 mm和3根直徑16 mm進行配筋，箍筋直徑為8 mm，間距為20 cm，混凝土等級為C30。

4）錨桿的設計參數。錨桿設計長度均為22 m，直徑為13 cm，其他設計參數見表4。

2.3? 施工技術分析

1）支護樁的施工技術

支護樁的施工工藝流程：先開展場地平整、測量定位，其后埋設護筒，將鉆機移至對應位置處開展鉆孔工作，且在此過程中應進行點位復核；在鉆機鉆進過程中，采用泥漿護壁，確保周圍土體穩定，并當達到設計高程后，再進行提鉆、清孔工作；對完成后的鉆孔進行質量檢查，若滿足要求，則放鋼筋籠、澆筑混凝土。

2）錨桿的施工技術

錨桿的施工工藝流程：先對基面進行整理，并進行放點；當鉆機到位后，對錨桿位置進行復核，其后再進行鉆孔，直至設計深度；完成鉆孔后，先安裝錨桿桿體及進行混凝土灌注；當達到設計強度后，根據設計要求，對錨桿進行張拉、鎖定。

3? 基坑穩定性評價

3.1? 評價方法

3.1.1? 評價方法的總體設計

在基坑變形監測過程中，均會設置相應的控制值，若基坑變形均在控制范圍內，說明基坑穩定性較好；反之，基坑穩定性較差。結合上述，將基坑穩定性評價思路設計為兩步。第一步：將基坑現有變形量與變形控制值對比，前者更小，說明基坑目前的變形在變形控制值范圍內，其穩定性較好。第二步：利用變形預測思路開展基坑后續變形研究，若其后續變形趨于穩定且預測變形量仍在變形控制值范圍內，說明基坑后續的變形控制也較好，基坑穩定性也較優。

3.1.2? 變形預測模型構建

根據上述，在評價思路第二步中開展基坑變形預測思路的構建。結合以往研究成果（馬琳，2023；鐘國強等，2019；李曉斌等，2023；寧永香等，2023；段青達等，2020），廣義回歸神經網絡（Generalized Regression Neural Network，GRNN）具有較快的訓練速度及較強的映射能力，因此，提出以其作為基坑變形預測模型的基礎方法。GRNN具4層拓撲結構，相應名稱及映射關系見圖3。

結合GRNN的拓撲結構，將各層作用如下：

①輸入層。先對基坑變形數據進行整理，尤其剔除歧義數據，再利用此層將基坑變形輸入信息傳遞至模型結構中。

②模式層。當收到輸入信息后，此層重點利用激勵函數進行其映射處理，且為確保映射效果，此層與輸入層的節點間不能出現混亂現象，并將其映射公式表示為：

（1）

式中，hi為模式層的映射值，xi為對應期望值，m為基坑變形的輸入信息，S為光滑因子。

③求和層。在模式層信息映射處理基礎上，此層再進一步增加節點維度，對hi值進行持續信息變換，相應求和參數A和變化參數G j的公式為：

（2）

（3）

式中，q為求和層的維度值，kij為求和層的訓練參量。

④輸出層。經過求和層進一步的信息變換處理，此層再對其處理后的信息進行整合，即可輸出變形預測值，公式為：

（4）

式中，zj為GRNN的基坑變形預測結果。

值得指出的是，使用經驗（李偉等，2023；蔡群群，2023；袁志明等，2021）顯示光滑因子S的隨機性強，會對預測結果的穩健性造成影響，因此，提出利用粒子群算法（Particle Swarm Optimization，PSO）開展光滑因子S的尋優處理。在PSO的尋優過程中，具體步驟為：

①初始化粒子種群，即將粒子個數設計為200個，最大尋優更新次數為450次，2個學習因子為1.5和2.0等。

②將預測誤差作為適應度函數，計算所有粒子的適應度值，并通過對比，確定全局初步最優值。

③按照學習因子，調整粒子速度、位置參數，并對調整后的粒子適應度值進行重新計算，將其計算值與全局最優值進行對比，以實現全局最優值的篩選處理。

④當達到終止學習條件后，將全局最優值對應的光滑因子S輸出，即可完成PSO對GRNN的尋優處理。

PSO對GRNN的尋優流程如圖4所示。

根據前述，將基坑變形預測模型確定為PSO-GRNN，但限于基坑變形的非線性特征，PSO-GRNN對其預測結果會存在一定影響；為確保預測精度，提出通過差分自回歸移動平均模型（Autoregressive integrated moving average model，Arima）開展PSO-GRNN預測誤差的修正補充預測（牛全福等，2022），并將其訓練函數公式表示為：

（5）

式中，Rt為預測誤差的修正補充預測值，φm為自回歸變量，p、q為回歸變量，rt-m為PSO-GRNN的預測誤差值，at-j、at為白噪聲，θj為滑動因子。

通過上述，基坑變形預測模型最終為PSO- GRNN-Arima；為合理評價預測效果，先構建相對誤差指標Xt：

（6）

式中，Yt為變形監測值，Kt為變形預測值。

再以指標為基礎，求解其均值Mr和方差值Var 。前者主要用于評價預測精度，其值越小，說明預測精度越高；后者主要用于評價預測過程的穩定性，其值越小，說明預測過程越穩定。

3.2? 評價結果

篩選8個監測點，按照2天1次的監測頻率，共計統計得到33期監測成果，其沉降變形、水平位移監測結果見表5。沉降變形（監測點編號為sc1～sc8）的變化范圍為12.68～21.42 mm，均值為17.84 mm；水平位移（監測點編號為ss1～ss8）的變化范圍為15.08～22.49 mm，均值為18.68 mm；通過對比，水平位移的變形值略大于沉降變形的變形值，且不論沉降變形，還是水平位移，所有監測的變形值均小于變形控制值（30 mm），說明基坑目前的變形在變形控制值范圍內，其穩定性較好。

在沉降變形、水平位移中分別選取2個變形值最大的監測點進行預測分析，即沉降變形選取sc3和sc7，水平位移選取ss5和ss6。其變形監測成果見表6。從表6可看出，4個監測點的變形值具有持續增加特征。

為驗證PSO-GRNN-Arima構建過程的合理性，以sc3號監測點為例，對比不同構建過程階段的預測效果，結果見表7。據表7，在第29～33期的驗證預測結果中，從GRNN→PSO-GRNN→PSO-GRNN-Arima的Xt均具有不同程度的減小特征，經統計，GRNN的Mr值為3.31%，Var值為0.057；PSO-GRNN的Mr值為2.75%，Var值為0.008；PSO-GRNN-Arima的Mr值為2.03%，Var值為0.003。因此，這些數據表明，隨預測模型的遞進構建，預測精度及穩定性均呈逐步提高趨勢，驗證了PSO-GRNN-Arima構建過程的合理性。

其次，再以PSO-GRNN-Arima開展其他監測點的變形預測和外推預測，所得結果見表8。據表8，sc3的Mr值為2.03%，Var值為0.003；sc7的Mr值為2.10%，Var值為0.008；ss5的Mr值為2.08%，Var值為0.011；ss6的Mr值為2.14%，Var值為0.004。根據4個監測點的預測結果，其Mr值相當且較小，Var值亦不大，此結果充分驗證了PSO-GRNN-Arima在基坑變形預測中的適用性。

據表8中34～37期的外推預測結果，得到相應累計變形量均會一定程度增加，并構建兩類速率特征參數來衡量相應變形的后續發展趨勢，即V1速率（30～33期的變形速率均值）和V2速率（34～37期的變形速率均值），若V1速率更大，說明基坑變形具收斂趨勢；反之，說明基坑變形具加速增加趨勢。

經統計，得到4個監測點的V1速率和V2速率結果見圖5。據圖5，4個監測點的V2速率均不同程度地小于V1速率，降低幅度依次為20.07、37.40、21.37和27.43%，尤其以sc7的下降幅度更大，說明4個監測點的變形均收斂趨勢。

通過外推預測，得到4個監測點后續的變形值范圍為21.35～23.58 mm，也小于變形控制值，說明基坑后續的變形控制也較好，基坑穩定性也較優。

綜合上述，不論目前還是以后，基坑變形均在變形控制值范圍內，說明基坑穩定性較好。

4? 結論

通過變形監測成果基礎上的基坑支護設計穩定性評價，得到以下結論：

1）根據工程實際條件，將樁錨支護結構作為基坑支護形式，并結合基坑周邊近接條件進行分區支護措施設計是合理的。

2）結合變形監測成果，監測時段內的沉降變形、水平位移變形值均小于變形控制值（30 mm），說明基坑目前的變形在變形控制值范圍內，其穩定性較好。

3）通過PSO-GRNN-Arima的變形預測，得出該模型適用于基坑變形預測，具有較高的預測精度，可以推廣應用，以進一步佐證該模型的普適性。

4）基坑后續變形具收斂趨勢，且預測得到的變形值也小于變形控制值，說明基坑后續的變形控制及穩定性較好。

參考文獻

蔡群群， 2023.基于粒子群算法改進支持向量機的深基坑變形預測研究［J］. 黑龍江交通科技， 46 （5）： 97-99.

陳林靖， 孫瑞軒， 羅一鳴， 2023.基于強度折減法的坑中坑整體穩定性數值模擬分析［J］.城市地質， 18（3）：67-75.

段青達， 陳天偉， 田立佳， 鄭旭東， 陳明， 2021.基于改進型ARIMA-GRNN模型的高邊坡變形預測［J］. 桂林理工大學學報， 41 （2）： 342-349.

黃俊光， 李健斌， 王偉江， 羅永健， 2022.系列超深超大基坑群設計實踐與探索［J］.地下空間與工程學報， 18（4）：1 317-1 327.

孔躍躍， 萬琪偉， 丁海濱， 周悅龍， 黃展軍， 徐長節， 2023.非對稱開挖雙支撐支護結構優化設計研究［J］.隧道建設（中英文）， 43（S1）：356-364.

李連祥， 李紅波， 韓剛， 郭龍德， 趙仕磊， 2023.濟南非飽和土基坑支護設計［J］.山東大學學報（工學版）， 53（3）：41-49.

李偉， 鄧樂平， 2023.基于BP神經網絡模型的基坑變形監測分析研究［J］. 測繪與空間地理信息， 46 （7）： 140-143.

李曉斌， 白海軍， 2023.高位遠程古滑坡既有變形特征和后續變形發展規律研究［J］. 大地測量與地球動力學， 43 （11）： 1 129-1 135.

馬琳， 2023.基于ICEEMD-ICA準則進行數據處理的基坑變形組合預測研究［J］.地質與勘探， 59（5）：1 074-1 082.

苗蘭弟， 任慶國， 2021.考慮隨機誤差的軟土基坑沉降趨勢分析及預測［J］.中國安全生產科學技術， 17（6）：111-116.

穆海旺， 張訓玉， 文萌， 劉靜， 曹磊， 徐磊， 2022.樁錨支護體系在基坑工程中的應用［J］.城市地質， 17（2）：240-248.

寧永香， 崔希民， 崔建國， 2023. 基于ABC-GRNN組合模型的露天礦邊坡變形預測 ［J］. 煤田地質與勘探， 51 （3）： 65-72.

牛全福， 李月鋒， 張曼， 傅建凱， 馬亞娜， 2022.基于Kalman濾波的ARIMA-NAR神經網絡模型在深基坑沉降監測中的應用［J］.蘭州理工大學學報， 48（2）：131-135.

王長青， 王坦， 熊育久， 2022.長春地鐵站深基坑支護設計方案對比研究［J］.城市地質， 17（2）：232-239.

袁志明， 李沛鴻， 劉小生， 2021.顧及鄰近點的改進PSO-SVM模型在基坑沉降預測的應用研究［J］. 大地測量與地球動力學， 41 （3）： 313-318.

趙蕊， 鄧飛， 魏燃， 李小林， 付宏岐， 2023.南寧地鐵基坑圍護結構變形監測分析及應用［J］.礦產勘查， 14（9）：1 713-1 721.

鐘國強， 王浩， 李莉， 王成湯， 謝壁婷， 2019.基于SFLA-GRNN模型的基坑地表最大沉降預測［J］.巖土力學， 40（2）：792-798.