建筑物基坑支护变形GA-BP神经网络预警检测研究

余凯

摘 要： 介绍了BP神经网络和遗传算法，确定了优化后的GA-BP神经网络组合变形预测流程；利用GA-BP神经网络来反演土体力学参数中的粘聚力，预测下一阶段基坑的变形特点，并采用PLAXIS软件对基坑进行模拟，分析了土体粘聚力、内摩擦角和灌注桩桩径等因素对建筑物基坑稳定性的影响，以期提升实际工程中基坑支护效果。

关键词： 基坑支护；GA-BP神经网络；预警检测；粘聚力；数值模拟

中图分类号： TP311.5;TQ015.9

文献标志码： A  文章编号： 1001-5922（2023）08-0158-04

Study on GA-BP neural network early warning and detection of

foundation pit supporting deformation of buildings

YU Kai

（Fujian Geotechnical Engineering Investigation and Research Institute Co.，Ltd.，Fuzhou 350013，China）

Abstract： Firstly，BP neural network and genetic algorithm are briefly introduced in this paper，and the optimized GA-BP neural network combined deformation prediction process is determined.Then，GA-BP neural network is used to invert the cohesion of soil mechanical parameters and predict the deformation characteristics of foundation pit in the next stage.The results show that the deformation detection of foundation pit supporting structure is more accurate.PLAXIS software is used to simulate the foundation pit and analyze the influence of soil cohesion，internal friction Angle and pile diameter on the stability of foundation pit，so as to improve the effect of foundation pit support in practical engineering.

Key words：  foundation pit support; GA-BP neural network; early warning detection; cohesion; numerical simulation

城市建设规模的急速扩大，提升了人们生活质量的同时，也带来了更多的深基坑工程事故，如地表沉降、周边建筑损害甚至倒塌等，給人们的生命安全和财产安全造成了难以预估的不良影响。因此，非常有必要对基坑的各项数据进行动态监测，以预测基坑下一刻的变形情况[1-2]。BP神经网络的应用非常广泛，可用于基坑水平位移和垂直沉降的短期预测，但其在建筑物基坑支护中的发展依旧缓慢，这不仅与基坑支护不可控因素多、专业分工明确等因素有关，该算法本身也存在一定的不足。利用遗传算法（GA）与BP神经网络有机结合，发挥两种算法各自优势，构建基于GA-BP神经网络的基坑支护变形检测模型，对基坑外地表和基坑顶部结构的变形进行预测。并采用数值模拟软件对影响基坑土体稳定性的因素进行分析[3]。

1 基于遗传算法的GA-BP神经网络

BP神经网络是一种按照误差反向传播训练的多层前馈神经网络。经典的BP神经网络包括输入层、 隐含层和输出层，输入信号通过非线性变换产生输出信号，若该值与期望值不相符，则计算出误差并进行误差的反向传播。将误差通过隐含层反传到输入层，分摊给神经网络各个单元，各层依据误差信号进行权值调整，经过反复的学习训练，直到误差满足精度要求[4]。但BP神经网络存在网络参数过多、样本要求高、容易陷入局部最小值以及初始权值随机给定等问题。对此采用遗传算法（GA）对其进行优化，遗传算法是一种模拟自然界遗传与进化机制的全局优化算法，其基本运算过程如下：将算法的输入数据看作初始种群，计算种群中个体的适应度， 将选择算子、交叉算子以及变异算子作用于种群，经这些运算得到下一代种群，当达到最大进化代数后终止运算，将具有最大适应度的个体输出[5]。GA-BP神经网络的基本原理就是采用该最优个体优化BP网络的初始权值和阈值，使得最终预测结果更加接近其实测值。GA-BP神经网络组合变形预测流程如图1所示[6]。

其中，遗传算法中的交叉操作公式和变异操作公式分别按照式（1）和式（2）进行：

a′ kj=a kj（1-b）+a ljb

a′ lj=a lj（1-b）+a kjb  [JZ）] （1）

a′ ij= a ij+（a  max- a ij）·f（g），r≥0.5

a ij+（a ij-a  min ）·f（g），r<0.5    （2）

式中： b和r是取自0～1的随机数字；a  max、 a  min分别是种群范围的上届和下届； f（g）为变异系数；g为迭代次数。

2 基坑支护变形预警检测及其粘聚力反演

2.1 建筑物基坑预警检测目的

不同的基坑支护方法对建筑物周边环境存在不同程度的影响，尤其是基坑开挖深度较深时，应高度重视基坑支护施工过程和建筑物周边环境。应用基坑支护变形预警检测机制，可及时、精确地反映基坑支护布局和周边环境的安全状况，同时也能够实现对支护方案的优化、施工参数的调节，降低基坑支护结构变形几率；该机制的应用能够对施工引起的地表变形进行预测，通过对基坑监测数据的采集和分析，了解时间上和空间上土体力学响应规律，给出地表变形趋势，以提前做好合理有效的保护措施；按照目前的建筑物施工规范和要求，对基坑支护方案进行严格控制，总结建筑物基坑支护经验，提升施工质量和水平。

2.2 基坑土体粘聚力智能反分析

利用MATLAB软件随机取值20组粘聚力数值，并将20组样本分别输入到FLAC 3D模型中，得到支护桩在0、-4、-8、-12、-16、-20、-24、-28、-32、-36 处桩体深层的水平位移值。利用GA-BP神经网络进行训练。输入到BP神经网络中，经过1 088步训练后，网络达到设定好的精度要求，说明网格已经训练结束。经过验算和测试，发现目标样本与训练结果吻合较好，证明网络可以用来反演土体粘聚力。将现场第一层开挖后桩测点的监测数据输入到上节训练好的网格中，即可得到反演出的等效粘聚力值，如表1所示。

将上述土体的粘聚力数值代入模型之中，即可得到第一层桩体的水平位移值，并将其结果与现场实测数据进行对比，对比结果如图2所示。

由图2可见，反分析值的变化趋势与实测值变化趋势非常相近，土体粘聚力智能反分析能够有效预测不同开挖深度下基坑的变形情况。

2.3  GA-BP神经网络的建立

BP神经网络的构建中通常只设置一个隐含层，隐含层节点数一般通过经验公式和多次试验来确定，经验公式的表达方式：

m= （l+n） +a  （3）

式中： l、m、n 分别表示神经网络输入层、隐含层和输出层的神经元个数；a一般是1～10的整数。基于时序的GA-BP神经网络构建建筑物基坑支护变形预警检测模型，确定神经网络输入层有6个神经元，输出层有1个神经元，并将隐含层节点个数设置为8。该神经网络的训练规则为：第1组，取基坑监测的前6个数据作为神经网络的输入值，第7个监测数据作为输出值，进行神经网络训练；第2组，取第2个数据到第7个数据作为输入值，第8个数据作为输出值进行训练。依次类推，确定神经网络每组基坑监测数据的训练规则。神经网络中的诸多参数，通常根据经验进行设置，遗传算法中的种群规模取值区间为[10，100]，进化代数取值区间为[100，500]。BP神经网络中的误差容限取值区间为[0.0001，0.0001][7-8]。本文根据取值经验和试算，确定了GA-BP神经网络的主要参数，如表2所示。

2.4 基坑支护变形检测结果

在前期基坑支护结构设计环节，可将不同的锚桩参数导入ABAQUS进行有限元分析，以减少后期工作量，优化锚桩支护结构的设计，为基坑支护结构变形的预测试验提供便利。选择一组基坑变形数据作为GA-BP神经网络的数据源，其中锚杆锚固长度为24 m，锚杆安置倾角为30°，竖向支护结构嵌固深度为5 m。

2.4.1 基坑外地表變形检测

取距离基坑约7.5 m远的地表处某一点的水平位移数据和沉降数据各97个，依据神经网络数据训练规则，将其组成91组的数据，其中75组作为训练数据，16组作为试验数据验证GA-BP神经网络的预测精确度。神经网络的基坑变形预测结果和实际监测结果之间的误差计算公式为：

E=|（y t-y 0）/y 0| ×100% （4）

式中： y t为神经网络的预测结果；y t 是实际的监测数据。以基坑外地表沉降变形预测为例，GA-BP神经网络、BP神经网络的运算结果与实际监测结果的对比如图3所示。

由图3可见，相比于单一的BP神经网络，GA-BP神经网络对基坑外地表沉降变形的预测结果更加贴近数值模拟结果，与实际监测数据之间的误差较小，能够较好实现对建筑物基坑外地表沉降变形的预测。GA-BP神经网络的相对误差在0.26%左右，而单一BP神经网络的误差在1.17%左右，虽然BP神经网络也能够反映出基坑沉降趋势，但其存在明显误差。同样，在基坑外地表侧移的预测中，GA-BP神经网络更加稳定，预测误差更小[9-10]。

2.4.2 支护结构顶部变形检测

以相同方式取对称面处冠梁顶水平位移数据和竖向沉降数据进行分组训练与预测，结果显示：2种神经网络均能够较好预测支护结构顶部的水平位移，从2个网络的相对误差的对比中可见，GA-BP神经网络的预测精准度更高；在基坑支护结构垂直沉降变形的预测中，GA-BP神经网络的预测结果与实际监测值更加贴近，平均相对误差在0.63%左右，而单一BP神经网络预测值偏大，平均相对误差在2.52%左右，2种神经网络的预测误差对比如图4所示[11-12]。

3 基坑稳定性影响因素分析与数值模拟

建筑物的基坑支护工程中，基坑周围土体抗剪强度、灌注桩桩径以及锚杆角度等参数均会对基坑的稳定性造成一定影响，对此采用PLAXIS软件对某建筑工程基坑进行模拟[13-15]。

3.1 基坑土体模型构建

该基坑土体的模型长50 m、宽30 m、深40 m，其中基坑内侧长20 m，地下连续墙体厚度为0.57 m、高17.85 m，在深度为3.5 m和7.5 m处设置两道水平间距为1.4 m的锚杆，锚杆安置倾角为25°。采用莫尔-库伦模型，输入基坑土体粘聚力、弹性模量、泊松比等参数，对基坑稳定性影响因素进行分析[16]。

3.2 基坑稳定性影响因素分析

3.2.1 土体抗剪强度的影响

粘聚力和内摩擦角是决定基坑土体抗剪强度的主要参数。对此在有限元分析软件中将粘聚力分别增加0、20%、40%、60%，设定内摩擦角分别为10°、20°、30°、40°，进行基坑开挖过程的模拟，得到土体抗剪强度对基坑围护结构变形的影响。以粘聚力为例，其对围护结构最大水平位移的影响如图5所示。

由图5可见，随着粘聚力的增加，围护结构的最大水平位移不断降低，基坑支护结构更加稳定。粘聚力增量为20%时，基坑土体的稳定效果最明显。因此，在实际的建筑物基坑支护工程中，可综合考虑成本和施工条件，将土体的粘聚力增加20%，以降低基坑土体形变，改善土体粘聚力以优化基坑支护效果。另外，在内摩擦角对围护结构最大水平位移的影响中，内摩擦角增大，围护结构的位移也呈单调减小趋势，充分体现出土体抗剪强度对基坑稳定性影响作用[17-19]。

3.2.2 灌注桩桩径的影响

在数值模拟软件中改变灌注桩桩径，在不同的桩径下获取围护结构最大水平位移值。桩径从600 mm增到1 200 mm的过程中，围护结构的最大水平位移不断减小，在增到800 mm时，变化最大。桩径增大的同时其自身刚度也提升了，但桩径对基坑土体形变的降低作用不很明显，不能单一的通过增加桩径来保障基坑结构的稳定性，不仅成本较高，且得不到理想的支护效果[20]。另外，锚杆角度设定在10°～25°，围护结构的最大水平位移值增加较为缓慢，此时的基坑土体稳定性较好。

4 结语

构建GA-BP神经网络模型进行建筑物基坑土体变形、支护结构变形的预测，相比于单一BP神经网络，GA-BP神经网络的预测精度更高、误差更小，在实际的建筑物基坑支护结构变形预测中有着较高的可用性。并通过PLAXIS软件模拟，分析各因素对基坑稳定性的影响，土体粘聚力增加20%时，基坑支护结构稳定性改善更加明显。

【参考文献】

［1］  张国朋.深基坑变形预测方法与安全评价研究[D].张家口：河北建筑工程学院，2022.

[2] 周海峰，李海文.高层建筑基坑工程变形监测探讨[J].绿色环保建材，2021（7）：151-152.

[3] 赵平.深基坑开挖影响的有限元模拟与监测[J].安庆师范大学学报（自然科学版），2022，28（4）：24-28.

[4] 孙雪，张琳.BP神经网络在基坑变形预测中的应用及改进[J].勘察科学技术，2017（1）：47-51.

[5] 曾佳亮.基于遗传优化设计的复杂工况下基坑支护应用研究[J].中国高新科技，2018（4）：40-43.

[6] 易黄智，高飞.基于GA-BP神经网络的地铁变形预测模型[J].合肥工业大学学报（自然科学版），2021，44（11）：1513-1517.

[7] 刘锦，李峰辉，刘秀秀.优化GA-BP神经网络模型及基坑变形预测[J].隧道建设（中英文），2021，41（10）：1733-1739.

[8] 黄亚宁，陈浩冲，宋肖冰.GA-BP神经网络在深基坑变形预测中的应用[J].工程建设，2017，49（10）：31-34.

[9] 李篷，王红梅，王若锋，等.基于优化的BP神经网络算法的深基坑沉降预测[J].经纬天地，2020（3）：101-104.

[10]  徐磊.基坑开挖过程中坑外地表沉降规律数值模拟[J].居舍，2019（19）：191.

[11] 李鑫蕾.砂卵石地质深基坑的支护结构优化和变形规律研究[D].兰州：兰州理工大学，2019.

[12] 楊轶涵.基于BIM技术和神经网络的深基坑桩锚支护结构变形预测研究[D].广州：华南理工大学，2020.

[13] 周毅.PLAXIS与理正软件在基坑工程实例中应用的对比[J].土工基础，2021，35（3）：254-256.

[14] 张宽，庄顺建.基于PLAXIS2D的枣阳某深基坑支护工程数值分析[J].工程建设与设计，2021（6）：30-31.

[15] 常秋影.浅谈Plaxis有限元软件在基坑支护设计中的应用[J].建材与装饰，2017（48）：76-77.

[16] 杨劲，许鹏，李超.基于有限元分析的建筑基坑施工过程数值模拟分析[J].安装，2022（6）：78-80.

[17] 陈星.深基坑支护设计、数值模拟与监测分析[D].邯郸：河北工程大学，2021.

[18] 熊大宁.基于分层开挖的深基坑土体粘聚力智能反分析[J].住宅与房地产，2017（17）：139.

[19] 方绍燕.粘聚力和内摩擦角与边坡稳定系数的指数关系[D].北京：中国地质大学（北京），2018.

[20] 王易得.基坑支护的冲孔灌注桩施工技术[J].建筑技术开发，2022，49（18）：163-165.