基于GA-BP的基坑施工引起隧道隆起變形預(yù)測(cè)研究

孟江，李慧民，田衛(wèi)

基于GA-BP的基坑施工引起隧道隆起變形預(yù)測(cè)研究

孟江，李慧民，田衛(wèi)

(西安建筑科技大學(xué) 土木工程學(xué)院，陜西 西安 710055)

通過(guò)遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化，結(jié)合鄭州地鐵1號(hào)線旁某深基坑工程施工的實(shí)際案例，建立深基坑施工引起鄰近隧道隆起變形的預(yù)測(cè)模型，并通過(guò)MATLAB建模實(shí)現(xiàn)預(yù)測(cè)仿真。模型應(yīng)用過(guò)程中利用“新陳代謝”的方法，根據(jù)實(shí)際監(jiān)測(cè)情況不斷調(diào)整樣本數(shù)據(jù)，達(dá)到了實(shí)時(shí)預(yù)測(cè)的目的。研究結(jié)果表明：本文提出的預(yù)測(cè)模型對(duì)基坑施工過(guò)程中鄰近隧道的隆起變形預(yù)測(cè)具有很高的準(zhǔn)確性，并且對(duì)于不同的隧道截面具有很好的泛化能力，因此，對(duì)這類工程施工過(guò)程中，鄰近隧道的安全運(yùn)營(yíng)具有一定的指導(dǎo)意義。

深基坑；隧道隆起變形；遺傳算法；BP神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)

隨著城市的不斷擴(kuò)張，交通網(wǎng)絡(luò)的日益密集以及城市建設(shè)用地的日益稀缺，鄰近地鐵隧道時(shí)常會(huì)遇到基坑開挖工程，如廣州地鐵6號(hào)線旁某基坑工程[1]，杭州地鐵2號(hào)線旁某深基坑開挖工程[2]，以及上海市地鐵6號(hào)線旁浦東世紀(jì)大都會(huì)基坑工程[3]等?；拥拈_挖會(huì)對(duì)下臥及周圍土體產(chǎn)生卸載效應(yīng)，打破鄰近地層的應(yīng)力平衡，進(jìn)而導(dǎo)致土體產(chǎn)生回彈變形，而鄰近既有地鐵隧道即處于該回彈變形的地層當(dāng)中，引起鄰近既有隧道產(chǎn)生向上的隆起變形。另外，地鐵的安全運(yùn)營(yíng)對(duì)隧道的變形要求非常高，絕對(duì)最大位移不能超過(guò)20 mm，隧道回彈變形不超過(guò)15 mm，隧道變形曲率半徑必須大于15 000 m，相對(duì)變形必須小于1/2 500[4]，這就給該類基坑工程的施工帶來(lái)很大的安全挑戰(zhàn)，一方面，基坑施工過(guò)程中會(huì)對(duì)既有地鐵隧道的周圍土體產(chǎn)生影響，造成既有隧道的變形，引起地鐵隧道的安全問題，而既有地鐵在基坑施工的條件下正常使用會(huì)對(duì)基坑施工帶來(lái)很大的挑戰(zhàn)，加大施工難度，增加施工安全風(fēng)險(xiǎn)；另一方面，由于基坑工程與既有地鐵隧道間存在不同的技術(shù)標(biāo)準(zhǔn)及管理模式，使得既有地鐵隧道的存在對(duì)于基坑工程的施工來(lái)說(shuō)不僅是重大的風(fēng)險(xiǎn)源，更是管理和技術(shù)上需要攻克的重點(diǎn)和難點(diǎn)。因此，對(duì)基坑施工過(guò)程中鄰近地鐵隧道的隆起變形發(fā)展有一個(gè)合理的預(yù)測(cè)，為采取控制措施贏得必要的準(zhǔn)備時(shí)間顯得非常重要。由于鄰近基坑的開挖對(duì)隧道隆起變形的影響非常復(fù)雜，傳統(tǒng)做法是通過(guò)一些基本假定，利用Mindlin彈性半空間應(yīng)力解，進(jìn)而通過(guò)彈性地基梁理論求算隧道隆起[5]。目前，很多學(xué)者主要通過(guò)數(shù)值模擬和實(shí)驗(yàn)來(lái)研究基坑開挖對(duì)隧道的影響[6?12]，也有學(xué)者通過(guò)對(duì)大量此類工程的統(tǒng)計(jì)分析，提出了基坑開挖引起隧道最大隆起變形的經(jīng)驗(yàn)預(yù)測(cè)公式和預(yù)測(cè)模型[13]。這些方法雖然都可以對(duì)隧道隆起做一個(gè)預(yù)測(cè)，但并未實(shí)現(xiàn)實(shí)時(shí)預(yù)測(cè)隧道隆起變形的具體狀況，而在鄰近基坑施工過(guò)程中，需要及時(shí)了解隧道隆起變形的發(fā)展。BP神經(jīng)網(wǎng)絡(luò)具有很好的非線性及模糊推理能力，使其非常適合于作這種復(fù)雜的預(yù)測(cè)工作，且一些學(xué)者的研究表明將其應(yīng)用于預(yù)測(cè)基坑開挖引起的地表沉降及基坑側(cè)壁位移等變形是可行的[14]，但BP神經(jīng)網(wǎng)絡(luò)自身存在易陷入局部最優(yōu)的問題，因此也有學(xué)者通過(guò)引入遺傳算法或添加動(dòng)量項(xiàng)等對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化[15]，取得了很好的效果。本文利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，在考慮基坑施工引起的隧道隆起變形具有滯后效應(yīng)的情況下，建立基坑施工引起鄰近既有地鐵隧道隆起變形的預(yù)測(cè)模型，并在模型應(yīng)用過(guò)程中引入“新陳代謝”的方法，以20 d的監(jiān)測(cè)數(shù)據(jù)作為訓(xùn)練樣本預(yù)測(cè)第21 d隧道的隆起變形，再根據(jù)隧道隆起變形實(shí)際狀況不斷調(diào)整樣本數(shù)據(jù)，達(dá)到了實(shí)時(shí)預(yù)測(cè)的目的，且預(yù)測(cè)結(jié)果與監(jiān)測(cè)結(jié)果吻合良好。因此，利用該方法可以提前實(shí)時(shí)的掌握隧道隆起發(fā)展?fàn)顩r，為采取控制措施贏得寶貴時(shí)間。

1 BP神經(jīng)網(wǎng)絡(luò)原理及構(gòu)建

1.1 BP神經(jīng)網(wǎng)絡(luò)原理簡(jiǎn)介

BP神經(jīng)網(wǎng)絡(luò)應(yīng)用非常廣泛，其本質(zhì)是一個(gè)多層感知器模型。通過(guò)訓(xùn)練數(shù)據(jù)的輸入，利用輸入層到隱含層再到輸出層的計(jì)算處理和層層傳遞，得到輸出結(jié)果，再將輸出結(jié)果與期望輸出對(duì)比，計(jì)算出網(wǎng)絡(luò)的輸出誤差，再利用BP網(wǎng)絡(luò)的誤差反向傳播功能，將誤差從輸出層依次反向傳播到輸入層，在反向傳播過(guò)程中將誤差分?jǐn)偟礁鲗拥倪B接權(quán)值和閾值上，以此達(dá)到網(wǎng)絡(luò)訓(xùn)練的目的，然后再進(jìn)行下一次的輸入和反向傳播循環(huán)，直到輸出誤差小于精度要求或達(dá)到訓(xùn)練次數(shù)為止，完成網(wǎng)絡(luò)的訓(xùn)練。最后即可利用訓(xùn)練好的網(wǎng)絡(luò)實(shí)現(xiàn)識(shí)別和模擬等功能，其整個(gè)過(guò)程如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖

1.2 BP神經(jīng)網(wǎng)絡(luò)構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)主要包括輸入層節(jié)點(diǎn)數(shù)、輸出層神經(jīng)元個(gè)數(shù)和隱含層層數(shù)以及各隱含層神經(jīng)元個(gè)數(shù)的設(shè)計(jì)等。根據(jù)Kolmogorov定理，一個(gè)3層的神經(jīng)網(wǎng)絡(luò)即可以保證從任意n維到m維的復(fù)雜映射。因此，對(duì)于訓(xùn)練樣本不大，輸入層和輸出層維數(shù)不多的情況下，采用一個(gè)3層的神經(jīng)網(wǎng)絡(luò)模型最為理想。本文即采用3層的網(wǎng)絡(luò)結(jié)構(gòu)。

對(duì)于輸入層節(jié)點(diǎn)數(shù)和輸出層神經(jīng)元數(shù)設(shè)計(jì)，它分別和輸入向量的維數(shù)以及輸出向量的維數(shù)相對(duì)應(yīng)，而對(duì)于隱含層神經(jīng)元個(gè)數(shù)的設(shè)計(jì)，目前通常采用以下3種方法來(lái)初步確定[16]，再利用試算確定最合適的數(shù)目。

3)=log2，為輸入層神經(jīng)元個(gè)數(shù)。

2 遺傳算法原理及實(shí)現(xiàn)

遺傳算法是模仿生物遺傳和進(jìn)化而建立的一種優(yōu)化算法，能夠?qū)崿F(xiàn)類似于生物優(yōu)勝劣汰、適者生存的優(yōu)選過(guò)程。利用遺傳空間代替實(shí)際問題的解空間，以二進(jìn)制編碼為例(常見的編碼方式有二進(jìn)制編碼、實(shí)數(shù)編碼和格雷碼編碼)，利用一個(gè)二進(jìn)制字符串代替實(shí)際問題的一個(gè)解，每個(gè)二進(jìn)制字符串代表一個(gè)個(gè)體，二進(jìn)制字符串的每一位代表一個(gè)基因，再根據(jù)實(shí)際問題的特點(diǎn)建立適應(yīng)度函數(shù)，利用適應(yīng)度函數(shù)計(jì)算出每一個(gè)個(gè)體的適應(yīng)度值。遺傳算法在實(shí)現(xiàn)過(guò)程中，首先隨機(jī)產(chǎn)生一系列個(gè)體，將其稱之為初始種群，初始種群通過(guò)復(fù)制、交叉和變異的遺傳過(guò)程產(chǎn)生下一代，再利用適應(yīng)度函數(shù)計(jì)算出的適應(yīng)度值進(jìn)行優(yōu)選，使得適應(yīng)度高的個(gè)體得以保留的幾率大于適應(yīng)度低的。通過(guò)每一代的遺傳迭代使得實(shí)際問題的解得到不斷優(yōu)化，當(dāng)達(dá)到精度要求時(shí)停止。最后將最優(yōu)個(gè)體解碼即得到滿足精度要求的實(shí)際問題的最優(yōu)解，實(shí)現(xiàn)流程如圖2所示。

圖2 遺傳算法實(shí)現(xiàn)流程圖

3 GA-BP網(wǎng)絡(luò)預(yù)測(cè)模型建立

利用遺傳算法強(qiáng)大的全局搜索能力對(duì)BP網(wǎng)絡(luò)中初始化的權(quán)值和閾值進(jìn)行優(yōu)化，使得優(yōu)化后的權(quán)值和閾值滿足構(gòu)建的適應(yīng)度要求，再將優(yōu)化后權(quán)值和閾值賦予BP網(wǎng)絡(luò)，進(jìn)行訓(xùn)練和預(yù)測(cè)仿真，整個(gè)實(shí)現(xiàn)過(guò)程如圖3所示。

圖3 GA優(yōu)化BP網(wǎng)絡(luò)的實(shí)施流程

4 案例

4.1 工程概況

鄭州某廣場(chǎng)項(xiàng)目設(shè)有南北2個(gè)矩形基坑，如圖4所示，2個(gè)基坑分別位于地鐵隧道兩側(cè)，基坑的設(shè)計(jì)大小為沿隧道總長(zhǎng)177 m，寬110 m，深19.3 m，基坑長(zhǎng)度范圍內(nèi)隧道頂最大埋深13.7 m，最小埋深8.7 m，基坑邊線距隧道邊的垂直距離為33 m。盾構(gòu)隧道采用外徑6 m，內(nèi)徑5.4 m，1.5 m寬，0.3 m厚，強(qiáng)度等級(jí)為C50的預(yù)制鋼筋混凝土管片。南北2基坑同時(shí)施工，采用圍護(hù)樁加錨索的支護(hù)方案，如圖5所示。

圖4 基坑平面布置圖

圖5 基坑支護(hù)方案

工程范圍內(nèi)根據(jù)地質(zhì)鉆探結(jié)果和原位測(cè)試成果，勘探深度55 m深度以內(nèi)除淺層部分雜填土外，主要為第4系全新統(tǒng)、上更新統(tǒng)沖積和沖洪積地層，揭露土層如下：①雜填土②粉土夾粉砂③粉質(zhì)黏土④粉土夾粉質(zhì)黏土⑤粉質(zhì)黏土⑥細(xì)砂⑦粉質(zhì)黏土⑧細(xì)砂⑨粉質(zhì)黏土⑩細(xì)砂，其中地鐵隧道位于第④⑤層。部分地質(zhì)剖面圖如圖6所示。

勘探深度內(nèi)含水層分為2層，即上層的潛水和下層的承壓水。潛水主要賦存于16.0~18.0 m(絕對(duì)標(biāo)高70.0 m)以上的粉土、粉質(zhì)黏土中，屬弱透水層；承壓水主要賦存于16.0~18.0 m(絕對(duì)標(biāo)高70.0 m)以下的細(xì)砂中，該層富水性好，屬?gòu)?qiáng)透水層，具有微承壓性，與上部潛水有一定水力聯(lián)系。潛水層與承壓水層被相對(duì)隔水層第5層粉質(zhì)黏土層隔開。

4.2 GA-BP隧道隆起預(yù)測(cè)模型建立

在基坑施工過(guò)程中，影響隧道隆起變形的持續(xù)性變化因素主要有開挖基坑實(shí)時(shí)的幾何尺寸以及開挖基坑邊離隧道中線的距離，另外，由于基坑施工對(duì)隧道的變形影響具有滯后效應(yīng)，因此基坑開挖的時(shí)間也是施工過(guò)程中影響隧道變形的一個(gè)持續(xù)性變化因素，本文將這些持續(xù)性變化因數(shù)作為模型的輸入變量。由于隧道的變形隨時(shí)間的推移而趨于穩(wěn)定，因此時(shí)間變量(以天為單位)在輸入模型前對(duì)其取對(duì)數(shù)處理更符合實(shí)際狀況。對(duì)于在基坑施工過(guò)程中，影響隧道隆起變形的恒量因素，例如，土壤重度、摩擦角、黏聚力、壓縮模量以及隧道埋深等，通過(guò)實(shí)時(shí)的隧道變形監(jiān)測(cè)數(shù)據(jù)作為訓(xùn)練樣本(教師信號(hào))，以此將恒量因素對(duì)隧道變形影響的內(nèi)在規(guī)律融入模型當(dāng)中，減少人為干預(yù)。

圖6 地質(zhì)剖面圖

圖7 均方誤差曲線圖

利用1.2中2)的方法初步確定隱含層神經(jīng)元數(shù)目在2~13之間，再通過(guò)試算確定最終數(shù)目(試算時(shí)采用4.3中模型網(wǎng)絡(luò)訓(xùn)練的方法進(jìn)行)。試算過(guò)程中計(jì)算得隱含層各神經(jīng)元數(shù)目狀況下對(duì)應(yīng)預(yù)測(cè)結(jié)果的均方誤差如圖7所示，由圖7可看出，隱含層神經(jīng)元數(shù)目為13時(shí)均方誤差最小，精度最高，因此確定隱含層神經(jīng)元個(gè)數(shù)為13，從而可得預(yù)測(cè)模型的BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖8。再將遺傳算法部分接入BP網(wǎng)絡(luò)，設(shè)置進(jìn)化代數(shù)為65代，種群規(guī)模為30，交叉概率為0.2，變異概率為0.05，最后形成一個(gè)完整的預(yù)測(cè)模型。

圖8 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

4.3 模型網(wǎng)絡(luò)訓(xùn)練

通過(guò)連續(xù)20 d基坑開挖的實(shí)際數(shù)據(jù)作為訓(xùn)練樣本，包括這20 d中每天基坑的實(shí)際幾何尺寸、基坑邊距隧道中線的距離以及基坑已開挖的時(shí)間，利用對(duì)應(yīng)時(shí)間的隧道隆起變形實(shí)際監(jiān)測(cè)數(shù)據(jù)作為教師信號(hào)，以此對(duì)模型網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再利用訓(xùn)練好的網(wǎng)絡(luò)預(yù)測(cè)隧道在第21 d時(shí)的隆起狀況。最后通過(guò)新陳代謝的方法不斷向前推進(jìn)，即依次利用前20 d的監(jiān)測(cè)數(shù)據(jù)預(yù)測(cè)下一天的隧道隆起變形情況。整個(gè)預(yù)測(cè)推進(jìn)過(guò)程如圖9所示。

本文選取隧道斷面DM7，DM15和DM23進(jìn)行預(yù)測(cè)，3個(gè)隧道斷面分別位于基坑兩端和中部，隧道斷面分部如圖10所示。

圖10中每個(gè)斷面均設(shè)有監(jiān)測(cè)點(diǎn)，斷面間的間距為5~10 m。通過(guò)施工過(guò)程中隧道斷面DM15處隧道隆起實(shí)際監(jiān)測(cè)數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)對(duì)比，分析模型的預(yù)測(cè)能力；利用隧道斷面DM7及斷面DM23的預(yù)測(cè)數(shù)據(jù)與監(jiān)測(cè)數(shù)據(jù)對(duì)比，分析預(yù)測(cè)模型的泛化能力；利用不經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)隧道DM15斷面的隆起情況，并與經(jīng)過(guò)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果對(duì)比，分析遺傳算法對(duì)該預(yù)測(cè)模型的優(yōu)化能力。

圖9 循環(huán)推進(jìn)預(yù)測(cè)流程圖

圖10 隧道斷面分布圖

4.4 隧道隆起預(yù)測(cè)結(jié)果分析

將隧道斷面DM15的80組監(jiān)測(cè)數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)對(duì)比，得到預(yù)測(cè)絕對(duì)誤差均在0.5 mm范圍以內(nèi)，最大誤差為?0.29 mm，相對(duì)誤差均在6%以內(nèi)，最大相對(duì)誤差為5.22%，預(yù)測(cè)數(shù)據(jù)與監(jiān)測(cè)數(shù)據(jù)對(duì)比如圖11所示，誤差曲線如圖12所示。對(duì)比結(jié)果表明，模型預(yù)測(cè)精度滿足要求。

為測(cè)試該模型對(duì)相對(duì)于基坑不同位置的隧道斷面的預(yù)測(cè)能力，再將隧道隆起預(yù)測(cè)模型用于預(yù)測(cè)隧道斷面DM7和DM23的隆起情況，并將預(yù)測(cè)結(jié)果與監(jiān)測(cè)結(jié)果對(duì)比，得到預(yù)測(cè)絕對(duì)誤差均在0.6 mm以內(nèi)，最大誤差為?0.6 mm，相對(duì)誤差均在10%以內(nèi)，最大相對(duì)誤差為8.82%。2個(gè)斷面的預(yù)測(cè)數(shù)據(jù)與監(jiān)測(cè)數(shù)據(jù)對(duì)比如圖13~14所示，誤差曲線如圖15所示。

圖11 斷面DM15預(yù)測(cè)數(shù)據(jù)與監(jiān)測(cè)數(shù)據(jù)對(duì)比

圖12 斷面DM15預(yù)測(cè)誤差曲線

圖13 斷面DM7預(yù)測(cè)數(shù)據(jù)與監(jiān)測(cè)數(shù)據(jù)對(duì)比

由圖15可看出，模型對(duì)于不同隧道斷面都具有較好的預(yù)測(cè)精度，并且均沒有出現(xiàn)過(guò)度擬合現(xiàn)象。體現(xiàn)出模型具有較好的泛化能力。

圖14 斷面DM23預(yù)測(cè)數(shù)據(jù)與監(jiān)測(cè)數(shù)據(jù)對(duì)比

圖15 斷面DM7和DM23預(yù)測(cè)誤差曲線

將經(jīng)過(guò)遺傳算法優(yōu)化的模型和未經(jīng)過(guò)遺傳算法優(yōu)化的模型同時(shí)用于預(yù)測(cè)相同隧道斷面的隆起情況，其中斷面DM15預(yù)測(cè)結(jié)果部分如表1所示。優(yōu)化后的模型預(yù)測(cè)絕對(duì)誤差最大為?0.29 mm，相對(duì)誤差大于5%的有2組，占總數(shù)的2.5%，相對(duì)誤差在2%~5%之間的有27組，占總數(shù)的33.75%，有63.75%的誤差在2%范圍以內(nèi)；而對(duì)于未優(yōu)化的模型，預(yù)測(cè)絕對(duì)誤差最大為?0.76 mm，相對(duì)誤差大于5%的有16組，占總數(shù)的20%，相對(duì)誤差在5%~2%之間的有30組，占總數(shù)的37.5%，小于2%的只占42.5%?？梢?，由于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的初始權(quán)值和閾值為隨機(jī)給定，在訓(xùn)練過(guò)程當(dāng)中，一部分隧道截面收斂于極值點(diǎn)(局部最優(yōu)點(diǎn))而非最值點(diǎn)(全局最優(yōu)點(diǎn))，即便其中一些極值點(diǎn)仍在可接受范圍內(nèi)，但其精度與最值點(diǎn)相比并非最優(yōu)。而通過(guò)遺傳算法優(yōu)化的模型在預(yù)測(cè)過(guò)程中，利用遺傳算法對(duì)初始權(quán)值和閾值進(jìn)行預(yù)先處理，遺傳算法強(qiáng)大的全局搜索能力使其跳過(guò)了易陷入的局部最優(yōu)點(diǎn)，故而精度大大提高。

在基坑開挖過(guò)程中，工程技術(shù)人員需要及時(shí)了解的不僅僅是某個(gè)隧道斷面的隆起狀況，而是整個(gè)基坑影響范圍內(nèi)鄰近既有地鐵隧道的隆起變形情況，因此，將上述建立的優(yōu)化預(yù)測(cè)模型用于預(yù)測(cè)該基坑長(zhǎng)度范圍內(nèi)的隧道段隆起變形情況，以檢驗(yàn)預(yù)測(cè)模型的實(shí)用性?，F(xiàn)將模型用于預(yù)測(cè)基坑開挖到第80 d時(shí)的隧道隆起變形情況，如圖16所示。

表1 斷面DM15預(yù)測(cè)結(jié)果與監(jiān)測(cè)結(jié)果對(duì)比

圖16 基坑長(zhǎng)度范圍內(nèi)隧道隆起變形預(yù)測(cè)

由圖16可看出，預(yù)測(cè)結(jié)果與實(shí)際監(jiān)測(cè)結(jié)果在整個(gè)隧道段吻合良好，可在第79 d提醒工程技術(shù)人員采取合理控制措施，以防斷面DM21附近處隧道隆起變形繼續(xù)增加。

5 結(jié)論

1) 通過(guò)遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)建立隧道隆起預(yù)測(cè)模型，并利用該模型來(lái)預(yù)測(cè)既有隧道鄰近基坑施工過(guò)程中的隆起變形狀況，該方法對(duì)于這類工程的預(yù)測(cè)精度高、收斂快，可用于實(shí)時(shí)預(yù)測(cè)基坑施工過(guò)程中隧道的隆起變形狀況，為保證既有隧道的運(yùn)營(yíng)安全及時(shí)采取控制措施贏得必要的準(zhǔn)備時(shí)間，具有較好的實(shí)用性。

2) 在鄰近基坑施工過(guò)程中，引起隧道變形的因素很多，其中的一些因素在整個(gè)工程施工過(guò)程中不斷變化，而另外一些影響因素幾乎保持不變，可通過(guò)將主要的持續(xù)變化的因素作為輸入訓(xùn)練樣本、將實(shí)際監(jiān)測(cè)數(shù)據(jù)作為教師信號(hào)，以此兼顧變化的因素和恒定的因素，減少人為干預(yù)，從而能夠有效的反應(yīng)引起隧道變形的內(nèi)在規(guī)律。

3) 采用新陳代謝的預(yù)測(cè)方法能夠?qū)崿F(xiàn)有效的實(shí)時(shí)預(yù)測(cè)，若將預(yù)測(cè)的時(shí)間在有效精度范圍內(nèi)向前推進(jìn)到2 d，3 d甚至更長(zhǎng)將會(huì)有更好的實(shí)用性。

[1] 馮龍飛, 楊小平, 劉庭金. 緊鄰地鐵側(cè)方深基坑支護(hù)設(shè)計(jì)及變形控制[J]. 地下空間與工程學(xué)報(bào), 2015, 11(6): 1581?1587. FENG Longfei, YANG Xiaoping, LIU Tingjin. Supporting design and deformation control of deep excavation adjacent to the metro side[J]. Chinese Journal of Underground Space and Engineering, 2015, 11(6): 1581?1587.

[2] 魏綱, 厲京, 宣海力, 等. 大型深基坑開挖對(duì)旁邊地鐵盾構(gòu)隧道影響的實(shí)測(cè)分析[J]. 鐵道科學(xué)與工程學(xué)報(bào), 2018,15(3): 718?726. WEI Gang, LI Jing, XUAN Haili, et al. Monitoring data analysis on the influence of large deep foundation pit excavation on nearby metro shield tunnel[J]. Journal of Railway Science and Engineering, 2018, 15(3): 718?726.

[3] 肖瀟, 李明廣, 夏小和, 等. 基坑開挖對(duì)臨近明挖暗埋隧道豎向變形的影響機(jī)理[J]. 上海交通大學(xué)學(xué)報(bào), 2018, 52(11): 1437?1443. XIAO Xiao, LI Mingguang, XIA Xiaohe, et al. Mechanism of foundation pit excavation on vertical deformation of closed open-buried tunnels[J]. Journal of Shanghai Jiaotong University, 2018, 52(11): 1437?1443.

[4] 劉國(guó)彬, 黃院雄, 侯學(xué)淵. 基坑工程下已運(yùn)行地鐵區(qū)間隧道上抬變形的控制研究與實(shí)踐[J]. 巖石力學(xué)與工程學(xué)報(bào), 2001, 20(2): 202?207. LIU Guobin, HUANG Yuanxiong, HOU Xueyuan. Study and practice of control of uplift deformation of metro tunnels under foundation pit engineering[J]. Chinese Journal of Rock Mechanics and Engineering, 2001, 20(2): 202?207.

[5] 陳郁, 李永盛. 基坑開挖卸荷引起下臥隧道隆起的計(jì)算方法[J]. 地下空間與工程學(xué)報(bào), 2005, 1(1): 91?94. CHEN Yu, LI Yongsheng. Calculation of tunnel heaving due to unloading of pit excavation[J]. Chinese Journal of Underground Space and Engineering, 2005, 1(1): 91?94.

[6] Ng C W W,SHI Jiangwei, Masin,et al. Influence of sand density and retaining wall stiffness on three-dimensional responses of tunnel to basement excavation[J]. Canadian Geotechnical Journal, 2015, 52(11): 1811?1829 .

[7] SHI Chenghua, CAO Chengyong, LEI Mingfeng, et al. Effects of lateral unloading on the mechanical and deformation performance of shield tunnel segment joints[J]. Tunnelling and Underground Space Technology, 2016, 51: 175?188.

[8] LI Mingguang, ZHANG Zhongjie, CHEN Jinjian, et al. Zoned and staged construction of an underground complex in Shanghai soft clay[J]. Tunnelling and Underground Space Technology, 2017, 67: 187?200.

[9] SUN Qian, YAN Changhong, QIU Jianfei, et al. Numerical simulation of a deep excavation near a shield tunnel[J]. Tehnicki Vjesnik-Technical Gazette, 2018, 25(3): 670?678 .

[10] CHEN Renpeng, MENG Fanyan, LI Zhongchao, et al. Investigation of response of metro tunnels due to adjacent large excavation and protective measures in soft soils[J]. Tunnelling and Underground Space Technology, 2016, 58: 224?235.

[11] 黃宏偉, 黃栩, Schweiger F Helmut. 基坑開挖對(duì)下臥運(yùn)營(yíng)盾構(gòu)隧道影響的數(shù)值模擬研究[J]. 土木工程學(xué)報(bào), 2012, 45(3): 182?189. HUANG Hongwei, HUANG Xu, Schweiger F Helmut. Numerical analysis of the influence of deep excavation on underneath existing road tunnel[J]. China Civil Engineering Journal, 2012, 45(3): 182?189.

[12] 鄭剛, 杜一鳴, 刁鈺, 等. 基坑開挖引起鄰近既有隧道變形的影響區(qū)研究[J]. 巖土工程學(xué)報(bào), 2016, 38(4): 599?612.ZHENG Gang, DU Yiming, DIAO Yu, et al. Influenced zones for deformation of existing tunnels adjacent to excavations[J]. Chinese Journal of Geotechnical Engineering, 2016, 38(4): 599?612.

[13] 魏綱. 基坑開挖對(duì)下方既有盾構(gòu)隧道影響的實(shí)測(cè)與分析[J]. 巖土力學(xué), 2013, 34(5): 1421?1428. WEI Gang. Measurement and analysis of the influence of foundation pit excavation on existing shield tunnels below[J]. Rock and Soil Mechanics, 2013, 34(5): 1421? 1428.

[14] CAO M S, PAN L X, GAO Y F, et al. Neural network ensemble-based parameter sensitivity analysis in civil engineering systems[J]. Neural Computing & Applications, 2017, 28(7): 1583?1590.

[15] DING Shifei, ZHANG Yanan, CHEN Jinrong, et al. Research on using genetic algorithms to optimize Elman neural networks[J]. Neural Computing & Applications, 2013, 23(2): 293?297.

[16] 陳明. MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[M]. 北京: 清華大學(xué)出版社, 2013. CHEN Ming. Principles and examples of MATLAB neural network[M]. Beijing: Tsinghua University Press, 2013.

Prediction of tunnel uplift deformation caused by foundation pit construction based on GA-BP

MENG Jiang, LI Huimin, TIAN Wei

(School of Civil Engineering, Xi’an University of Architecture and Technology, Xi’an 710055, China)

The construction of the deep foundation pit cause the uplift deformation of the adjacent subway tunnel, which bring great security risks to the operation of the subway. This paper optimized BP neural network by genetic algorithm. In combined with the actual case about construction of a deep foundation pit next to Zhengzhou Metro Line 1, it was established to the prediction model of the adjacent tunnel uplift deformation caused by deep foundation pit construction, and the prediction simulation was realized by MATLAB modeling. In the process of model application, the “metabolism” method was used to continuously adjust the sample data according to the actual monitoring situation, achieving the purpose of real-time prediction. The results show that the prediction model proposed in this paper has high accuracy for predicting the uplift deformation of adjacent tunnels during deep foundation pit construction and has good generalization ability for different tunnel sections. Therefore, it has certain guiding significance for the safe operation of adjacent tunnels in the construction process of such projects.

deep foundation pit; tunnel uplift deformation; genetic algorithm; BP neural network; prediction

TU94+1

A

1672 ? 7029(2019)10? 2521 ? 09

10.19713/j.cnki.43?1423/u.2019.10.019

2018?12?13

住建部科技項(xiàng)目(2015-R3-003)

李慧民(1954?)，男，陜西澄城人，教授，從事土木工程建造與管理的研究；E?mail：li_huimin2005@126.com

(編輯 陽(yáng)麗霞)