复杂环境下地铁车站深大基坑变形预测方法研究

张转林

（中铁十八局集团市政工程有限公司，天津 300222）

随着城市地下空间开发的不断推进，地铁车站的埋深、长度均不断增加，不断涌现出新的超长、超深、超大地铁车站基坑。日渐增长的基坑尺寸和日益复杂的环境因素相互耦合，更加考验施工过程中对基坑支护结构的安全管控水平。为对深大基坑的安全进行有效的监控和预测分析，从而达到针对性地进行加固、控制等安全管控的目的，采用合理可靠的基坑变形发展预测方法对后续安全控制的选用至关重要。

在岩土工程中，通常采用一些解析解或经验公式，对基坑、路基等设施的变形进行预测和分析。受到材料各向异性、土体力学机理、土-结构相互作用等复杂因素影响，是对长期变形、不同施工步序下的变形发展等难以做到有效预测。随着计算机技术及土体本构模型发展，数值分析方法已经成为基坑变形预测的一 个主要方法。数值分析法在求解复杂的岩土工程问题时，具有很好的可靠性和普适性，故数值模拟可以有效解决基坑开挖等工程问题。但是数值计算对计算机性能、模型精细程度、材料本构模型等也有较高要求，较少在施工过程中针对不同的施工阶段开展动态计算。因此，仍需发展结合基坑监测数据的变形预测手段，通过对监测数据的处理和解读，对施工阶段深大基坑的变形进行更符合现场实况且准确的预测。

伴随人工智能的发展，利用相关技术，发展出一大批基于监测数据的基坑变形预测方法。任丽芳等将GM （1，1） 模型与神经网络模型算法相结合，建立深基坑的变形预测灰色神经网络组合模型，经过实际工程的预测检验，证明预测效果较好。麻凤海等人鉴于软土地层和特殊岩层的特性，证明深基坑的开挖变形很难从理论上准确计算，并通过比较流行的一些非线性预测方法，结合实际监测数据，建立灰色理论预测模型、时间序列预测模型和改进的神经网络模型来预测基坑的变形。杨哲峰等通过对原始监测数据的降噪处理，利用最优小波原理，将处理后的数据分为趋势项和误差项2个序列，分离原始数据的长期性和游离性，增加数据的可预测性，同时分别对这2个序列运用前馈（BP）神经网络的算法加以预测，预测结果的精确度有明显的提升。上述研究证明人工智能方法在基坑变形预测方面的适用性，但对于复杂环境下地铁车站深大基坑的变形预测，仍需针对其超长、超深、复杂周围环境等特点，开展相应研究，以满足建设形势的需求。

为此，本文将开展复杂环境下地铁车站深大基坑的变形预测方法研究。首先利用改进的BP神经网络，构建深大基坑变形预测模型。在此基础上，结合广州地铁22号线祈福站的实际情况和监测数据，对上述模型进行训练和校验，结果表明模型可以较为准确地预测深大基坑的变形。为验证模型对不同施工步序下基坑变形的预测效果，本文还构建精细化的祈福站基坑数值模型，通过对比不同施工步序下的施工变形模拟结果和预测结果，进一步验证模型的有效性。

2.1 BP 神经网络

生物神经元信号的传递是通过突触实现的复杂过程，而人工神经网络就是模拟生物神经元信号的传递过程，并将其简化成1组或者多组数字信号，通过一定的学习规则使其不断更新的过程。不同神经网络之间的连接通过神经元之间的连接权重来实现。BP神经网络是一种误差反向传播神经网络，通常由1个或多个输入层、隐含层和输出层构成，而每一层又包含数个神经元，其网络结构如图1所示。

图1 BP神经网络结构

2.2 BP 神经网络学习规则

BP神经网路最主要的学习模式，是基于反向误差传播算法的有监督学习，神经网络通过不断的学习和训练，对预测值与输入训练集之间的误差进行调节，最终使误差低于容许误差。图1中，xj表示输入层第j个节点的输入，wij表示隐含层第i个节点到第j个节点之间的权值；
θi表示隐含层第i个节点的阈值；
φ表示隐含层的激励函数；
wik表示输出层第k个节点到第i个节点之间的权值；
ak表示输出层第k个节点的阈值；
φ表示输出层的激励函数；
yk表示输出层第k个节点的输出。则每一个样本的二次型误差准则函数Ep为：

式（1）中，L为输出层节点数，Tk为期望值，若有P个训练样本，则系统的总误差准则函数为：

对于不同神经元之间的权重值和阈值的调整，可以根据误差梯度下降法对各层进行调整，得到修正输出层权值的修正量Δwki、输出层阈值的修正量Δak、隐含层权值的修正量Δwij、隐含层阈值的修正量Δθi如下：

BP神经网络算法简单、易行、计算量小，其算法的实质就是针对误差函数求最小值，由于它采用非线性规划的最速下降法，按照误差函数的负梯度方向修改权重值或阈值，可能会造成学习效率低，收敛速度慢等问题。为弥补这一缺陷，需在训练过程中自动调节学习速率的值，使其可以根据公式（4）自动调节：

式（4）中，E（k）为第k步误差的平方和。

通常调节学习速率的准则是：检查权值是否真正降低误差函数，如果降低说明所选学习速率偏小，可以适当的增大；
反之则应减少学习速率的值，防止产生过调。由于其可以自动调节学习速率的值，故初始学习速率η （0）的取值范围也可以有很大的随意性。下面将结合祈福站的基坑监测数据，训练上述可以自动调节学习速率的BP神经网络模型，并对基坑变形进行预测和校验。

3.1 工程概况和地质情况

广州地铁22号线西接广州南站，东联番禺广场站。其中，祈福站位于番禺区市广路与金山大道交叉路口以东，沿市广路布置，场地范围东低西高，相对高差约5 m。车站全长450.8 m，标准段结构宽为35.1 m，扩大端基坑宽为43.3 m，基坑开挖深度为20.7 ～27.3 m，属于典型的超大、超深基坑。

按《广州市轨道交通二十二号线祈福站详细勘察阶段岩土工程勘察报告》的分层原则，根据沿线所揭露地层的地质时代、成因类型、岩性特征、风化程度等工程特性，对祈福站基坑范围内的地层进行分层，各层土体参数如表1所示。

表1 祈福站地层划分和力学参数

3.2 预测模型校验

本研究选取祈福站基坑变形测点WY01和WY06的地连墙水平位移数据为样本。数据囊括的监测周期为2020年6月5日至2020年7月9日，监测频率为1次/天，每个测点有35组数据，将前30组数据作为训练集，用于训练上述基坑变形预测模型，后5组数据则作为测试集，用于校验基坑变形预测模型的效果。WY01和WY06测点所用到的基坑变形数据如图2所示。

图2 WY01和WY06的监测数据

具体训练过程为：将训练集输入基坑变形预测模型中，其中输入层数m= 5，以时间序列中的数据n、n+ 1、n+ 2、n+ 3、n+ 4作为输入层，训练后预测时间序列n+ 5的值；
按照这种方法对数据进行训练时，选定网络的最大学习迭代次数为20 000次，学习精度为0.005，进行迭代计算后，当达到设定的精度后，停止训练，并对后5组监测值进行预测。所得预测结果与监测结果对比如图 3、图4所示。从对比结果可以看出，WY01的预测值与监测值其平均误差在23.4%，最小误差在1.7%；
WY06的预测值与监测值的平均误差在27.8%，最小误差为2.5%。同时可以看出，预测值与检测值之间虽存有误差，但是其变化趋势保持一致。由此可见，本文所构建的基坑变形预测模型可以有效的预测深大基坑的变形。

图3 WY01预测值与监测值对比

图4 WY06预测值与监测值对比

4.1 数值计算模型

本研究采用有限元分析软件（Midas-GTS）建立有限元模型，并对不同施工步序下的基坑变形发展展开分析。其中，基坑-地层有限元模型如图5所示，基坑围护结构的网格剖分如图6所示。祈福站全长450.8 m，标准段结构宽为35.1 m，扩大端基坑宽为43.3 m，基坑开挖深度为27.3 m，由于开挖前已做降水处理，在模拟阶段不再考虑降水的影响。该基坑模型分3次开挖，第一、二道支撑为混凝土支撑，第三道支撑为钢支撑。混凝土支撑采用C30混凝土，将弹性模量E取为25 GPa，泊松比ν取0.20，重度为25 kN/m3；
钢支撑采用线弹性杆单元模拟，弹性模量E取200 GPa，泊松比ν取0.26。不同地层的计算参数如表1所示。

图5 基坑-地层有限元模型

图6 围护结构网格剖分

4.2 考虑基坑变形预测效果

祈福站基坑分3次开挖，每开挖一层为1个分析步，不同分析步（Step）对应不同的施工步骤。如表2所示，选取监测位置WY01和WY06 2个测点对比分析其数值模拟结果和监测结果。

从表2中所呈现的数值模拟结果可以发现，监测值与数值模拟的预测值相比，模拟值普遍大于监测值，最大的相对误差为15.98%，最小的相误差仅有5.55%；
预测结果显示，数值法可以预测对不同开挖步骤所引起结构变形的趋势，并且从第一层（对应Step1）开挖至最后一层（对应Step3），其模拟值与监测值相对误差逐渐减小。

表2 WY01测点的数值模拟与监测对比 mm

为构建适用于地铁车站深大基坑的变形预测方法，本研究采用自适应调整学习效率的BP神经网络技术，结合广州地铁22号线祈福站基坑工程及其监测数据，开展深大基坑变形预测模型构建及校验。此外，本文还结合祈福站施工步效应数值模拟，开展考虑施工步效应的深大基坑变形预测效果研究，所得结论如下。

（1）本文基于BP神经网络模型，采用训练过程中自动调节学习速率的技术，优化BP神经网络的训练效能，提出适用于深大基坑变形预测的基坑变形预测模型。

（2）基于基坑变形预测模型和祈福站基坑实测数据，对基坑变形预测模型进行校验，对比预测结果和实际监测值可知，两者平均误差分别在23.4%和27.8%，最小误差分别为1.7%和2.5%，基于BP神经网络的预测模型能很好的预测围护变形趋势。

（3）本文通过有限元软件Midas-GTS，建立基坑开挖模型，经过数值模拟获得不同施工步序下的基坑变形，对比模拟结果和预测结果，表明基坑变形预测模型可以有效地对施工步效应进行预测。