摘要：社会的不断进步和发展，城市的开发利用也与以前相比有了很大的提高，地上空间和地下空间都在进行开发利用，但是因为在对地下空间进行开发的过程中，会受到各种各样的条件的限制，例如环境因素、技术因素、人文因素等等。从而导致对于基坑的开发也有了很高的要求，人们进行开发的时候，因为各方面条件的限制，只能增加基坑的开发的深度。所以说，对于基坑开发的深度进行预测研究，是非常有必要的。基坑开发深度的预测不仅对周边环境有很大影响，对于建筑施工的稳定性也有很大的影响。研究表明，动态施工反演的技术方法，可以通过对基坑的开发深度进行很多步的预测，不仅能够很好预测到基坑围护的结构性变形，而且也能够很好的预测到基坑围护的内力。但是这种方法也存在一定的缺陷，采用动态施工反演的预测方法不能够很好的预测到周边的环境。致使出现和实际相差甚远的现象。另外神经网络对于地下空间的开发预测方法也逐渐被利用，并且取得了很好的效果。
关键词：防汛墙；变形动态；预测方法；神经网络；
随着社会的不断进步和发展，城市建设发展的也越来越快，人们对于建筑施工的要求也越来越高。
一、动态预测方法
1.神经网络预测。神经网络具有良好的自适应性、非线性、组织性、容错性及抗干扰能力，特别适合于处理各种非线性问题。将神经网络引入地下工程是当前国内外许多学者很关心的课题，目前已有成功应用于对建筑物变形预测、隧道水平收敛变形分析预测的例子。基坑施工过程中，防汛墙要发生不同程度的变形，而这种变形必须控制在一定的允许范围内，所以根据现场监测数据进行变形预测极为重要。对防汛墙来说，其位移值受各种施工和设计因素（包括设计、施工方案、施工进度、支撑类型、岩土条件、天气情况等）的综合影响，其函数关系是非常复杂的高度非线性关系，没有一种本构模型能对它进行很好的描述，而B-P网络能够综合考虑各种因素对防汛墙变形的影响，做出合理正确的预测预报。（1）网络模型。防汛墙变形神经网络预测模型。模型由三部分组成，即输入单元、隐层单元和输出单元。设输入矢量x∈Rn，x=（x0，x 1..，Xn-1）T，隐层有n1，，个神经元x/∈Rn1，x/=（x/0，x/1，…，x/n-1，）T，输出层有m个神经元Y，∈Rm，Y=（Y。，Y1，……Ym-1）T，如输入层与隐层之间连接权为Wij，阈值为 ，隐层与输出层之间的权为形w/jk，阈值为 ，则各层神经元的输出满足：
式中：f为传递函数，对于B-P网络的神经元，其输人输出关系满足非线性单调上升 的函数，考虑到位移是连续变化的，同时对于B-P网络，输入输出传递函数通g-选为Sigmoid型函数
（2）权重修正。B—P算法属于 学习律，它是一种有教师的学习算法，常采用梯度法修正权重W ij，使输出O k与样本理想输出Y k的误差函数
到允许的误差范围。将样本参数经某种归～化手段压缩在（0，1）区间内，将输人节点的输出值作为输出节点的自变量。
2.动态施工反演分析。动态施工反演分析方法是在常规的反分析过程中引入逐步开挖和逐道支撑的动态施工因素，并可以反映动态施工过程中任意施工阶段间的增量量测信息；利用任意施工阶段间的结构变形和内力，采用施工FEM优化反演分析法，确定各土层的弹性的等效参数，进而反推围护结构两倒的土压力，并预测各相继施工阶段围护结构的变形及内力。深基坑动态施工反演过程的量测信息拟采用墙体变形、弯矩及内支撑轴力。因此，关于待求未知量工的最小二乘目标函数可如下定义：
式中，X为未知量列阵，如弹性模量E，初始侧压力系数K1及接触面刚度系数等；△ui，△u1i分别为任意两施工阶段间相对于墙体最下端支点的变形的计算值和实测值增量；△Mi，△Mi1：分别为任意两施工阶段间墙体弯矩的计算值和实测值增量；△Ni，△N11：分别为任意两施工阶段间支撑轴力的计算值和实测值增量；K1，K2，如分别为变形测点数和内支撑道数；
对式（2）进行求解的最优化方法为无导数搜索法--Simplex法。
二、预测结果分析
1.神经网络预测结果。某基坑为长方形，长100.3m，宽22.48m，地下连续墙作为围护结构，墙体深37m，采用609钢支撑，基坑分为两部分，出入口部分和竖井部分，出入口部分开挖深度为19.48m，分七步开挖，设6道支撑，在端部加角撑；竖井部分开挖深度22.085m（局部为24.22m），设8道钢支撑。防汛墙距基坑13m，测点布置及基坑及防汛墙的相对位置。由于防汛墙的测点较多，下面对S38、S36测点的变形（基坑开挖深度为9.5m）进行预测。防汛墙的变形在1月6日开始观测，利用1月6日至1月21日的实测数据对网络进行学习。（1）建立学习样本，将监测数据进行整理，取Δt=1d，遇到没有监测数据时，采用多项式插值进行内插，从而保证监测数据序列是等时间间隔。为了提高学习的自适应性并减少网络学习时间，网络的输入层取为5个节点，输出层1个节点。（2）计算结果与比较。网络学习采用跟踪学习的方法，即先利用已经学习好的网络进行预测后继一段时间防汛墙的变形，然后把被预测时间段墙体的变形加入到学习样本，重新进行网络的学习，建立新的网络，再去预测墙体后继的变形。
2.神经网络和动态施工反演计算结果对比分析。动态施工反演采用第三步（1）月4日，基坑开挖深度9.5m）开挖结束时的地下连续墙的水平位移和防汛墙的竖向位移作为初始值，利用施工FEM优化反演分析法，确定各层土体的弹性模量，进而计算出相继开挖步的防汛墙位移。（2）数值计算方法。数值计算采用有限元软件Plaxis进行计算分析，同样取最不利断面进行分析。在有限元模型中，防汛墙结构和下部的桩均采用实体单元来模拟，墙顶施加一集中力来模拟防汛墙受沉船的拉拽作用，力的大小未知。为此，根据现场勘测结果计算得到的墙顶水平位移值（22.1mm），在有限元模型中采用试算的方法，调整墙顶集中力的大小使得墙顶水平位移与实测值相符，则此时的集中力就是防汛墙所受沉船的拉拽作用力，从而确定防汛墙承受的内力，验算防汛墙结构是否破坏。由于防汛墙沿纵向结构形式是一致的，结构所受外力都是垂直于纵轴方向的，且外力的分布规律沿墙体纵向是均匀的，因此可以将防汛墙的受力视为平面应变问题。在建立有限元模型时，取每延米结构作为研究对象，沿高度方向取模型范围为30m，沿宽度方向取模型范围为20m，所有结构均采用15节点三角形单元，土体本构关系取为摩尔-库伦模型。实测防汛墙墙后地面离墙顶距离为2.7m。土层参数取值同解析方法。计算时防汛墙首先在土体自重应力下达到初始平衡状态，然后在顶部施加集中力荷载P，逐渐增加P值的大小，直至防汛墙顶部发生实际量测出的位移，计算此时墙身控制截面的内力。根据有限元计算结果，当防汛墙顶部的位移达到实测水平位移时，防汛墙的水平位移，提取墙体不同深度处的水平位移量，得到该受力条件下墙体达到极限状态时墙体水平位移随墙身高度的变化。根据有限元计算结果可知，防汛墙顶部受到沉船集中力荷载作用时，控制截面1-1处的弯矩值为112.68 kN.m，剪力为42.36kN。由前面极限平衡法分析得到的内力比有限元计算得到的结果大，故按照理论简化计算的配筋，防汛墙应能满足承载力要求。
在结合现场实测水平位移结果的基础上，选取水平位移最大的截面作为验算的最不利截面，采用解析法和数值计算方法分别对防汛墙的承载力和破坏情况进行分析。解析和数值计算结果表明：最不利截面的内力值要小于规范规定值，防汛墙结构承载力正常，不会发生破坏。
参考文献：
[1]殷青.神经网络方法在深基坑动态风险预测中的应用.2017.
[2]刘浩.浅谈防汛墙变形动态预测方法的研究.2017.
论文作者:郑冬冬
论文发表刊物:《基层建设》2018年第36期
论文发表时间:2019/2/13
标签：基坑论文; 位移论文; 神经网络论文; 墙体论文; 动态论文; 方法论文; 结构论文; 《基层建设》2018年第36期论文;