一种软土地区深基坑变形的快速智能预测方法与流程

本发明涉及地下空间开发领域，特别涉及一种针对软土地区深基坑变形快速智能预测的方法。

背景技术：

1、近年来，城市建设与发展面临着用地不足、资源紧张等诸多难题。城市地下空间的开发利用可以为城市建设提供新思路，打开新通道。上海等软土城市中浅层地下空间利用日趋饱和，对深层地下空间的合理开发利用已尤为迫切。大规模的地下空间开发，如地铁车站、地下商业中心、地下停车场、地下变电站、地下污水处理装置等设施的建设都与基坑工程息息相关。然而，城市内建筑密度高，地下管线复杂，基坑的建设面临很大的挑战。基坑工程的开挖容易引起周边环境变形，这些变形会对复杂的城市环境造成极大影响，引起周边结构的开裂甚至破坏，从而影响结构的正常使用。因此随着人们开始关注和重视基坑工程引发的环境变形，基坑工程设计也逐渐从强度控制转向为变形控制。为了能够更好地做好基坑的设计工作，如何准确的预测基坑周围的土体变形至关重要。

2、目前，常用于分析基坑开挖对周边环境影响的方法主要有经验分析方法和数值模拟方法。许多学者基于大量基坑监测数据和当地基坑工程经验提出了一系列的基坑变形经验分析方法，这些经验方法可以有效地运用于当地的基坑工程设计与施工中，但是也存在着一定的局限性，如适用的范围小、需要具有一定数量的基坑工程样本等。数值模拟方法在基坑变形分析中应用逐渐广泛，该方法能够根据现场的勘测数据模拟出场地信息，可以单独预测基坑开挖过程中每一个施工阶段的变形，预测结果也较为准确。除了常规的经验分析方法和有限元数值模拟方法，目前已经有学者将回归分析方法、神经网络方法等用于地下工程领域，但直接用于分析和预测基坑变形的并不多。回归分析方法是利用大量的历史数据，找出各变量之间的函数关系。

3、基坑工程还面临着一大问题，即土体参数的不确定性，这一性质可能给工程带来风险，传统的安全系数方法往往不能够反应不确定性的影响。

技术实现思路

1、本发明的目的是针对软土地区深基坑变形提出一种基于蒙特卡洛算法生成深基坑数据库的方法，并在此基础上提出一种基于人工神经网络的软土地区深基坑变形快速智能预测方法，解决软土地区深基坑变形难以预测的问题，能够为后续地下空间开发创造有利条件。

2、为此，本发明采用以下技术方案：

3、一种软土地区深基坑变形的快速智能预测方法，其特征在于包括以下步骤：

4、步骤一：通过蒙特卡洛算法随机生成软土地区深基坑土体参数数据；

5、步骤二：根据生成的深基坑数据建立有限元模型，模拟基坑开挖过程；

6、步骤三：收集并记录模拟基坑开挖过程中的变形，将土体小应变硬化(hss)模型参数以及基坑围护结构的最大侧移、坑外地表最大沉降和围护墙朝向坑内的最大正弯矩汇总至软土地区深基坑变形数据库中；

7、步骤四：利用人工神经网络方法建立起hss模型参数与基坑变形的关系；

8、步骤五：在保证预测精度的情况下，通过改变隐藏层数量以及隐藏层神经元数量，简化人工神经网络模型结构，得到hss模型参数与基坑变形的公式，利用该公式实现软土地区深基坑变形快速智能预测。

9、进一步的，步骤一中通过蒙特卡洛算法随机生成软土地区深基坑土体参数数据过程如下：

10、根据上海地区③、④层软土即上海软黏土部分力学参数，作为蒙特卡洛模型的随机输入变量，所述软黏土部分力学参数包括土的有效黏聚力c'、有效内摩擦角参考切线模量参考割线模量加卸载模量和动剪切初始模量考虑基坑被动区土体物理力学参数对基坑变形有很大的影响，针对基坑的被动区进行加固也是控制基坑变形的常用方法，因此将上海地区⑤1层土的力学参数也作为蒙特卡洛模型的随机输入变量。

11、假定所有的随机输入变量符合正态分布；土的有效黏聚力c'和有效内摩擦角的标准差和变异系数来自试验得到的结果，该试验结果可以是文献中刊载的试验结果；由于土有效黏聚力的变异系数较大，且有效黏聚力的值较小，如果单纯采用正态分布可能会出现有效黏聚力的值小于0，因此，有效黏聚力c'采用有截断的正态分布，设置的截断下限为0kpa；假定随机输入变量和的取值在均值的±30％范围内，置信度为95％。查询置信区间和置信水平对应表可以得出相应的标准差和变异系数。

12、步骤一中为确定蒙特卡洛算法的抽样次数，平衡计算效率和计算结果准确度，以递增方案确定抽样次数，对随机抽样结果的平均值和标准差比较，最终选择1000次抽样方案较为合理。

13、进一步的，步骤四建立人工神经网络模型具体过程如下：训练期间精度指标为均方误差：

14、

15、式中：yi为计算目标值，yi'为计算值。采用momentum优化的随机梯度下降(momentum-sgd)算法进行权重更新，随机梯度下降(sgd)算法在迭代计算中仅考虑单一损失函数来计算对应梯度：

16、

17、式中：wt+1为更新后的权重值，wt为未更新的权重，为权重的梯度函数，α为学习率，在实现时可定义一个动量，然后使用新的速度代替原来的梯度方向来更新，可用以下公式表示:

18、

19、式中：vt+1为更新后的速度值，vt为未更新的速度值，β为引入的动量，一般取β＝0.9，lr为学习速率，可以取lr＝0.005。公式(2)经过momentum优化后表达如下：

20、wt+1＝wt-vt+1                         (4)

21、单个神经元简单数学模型可以被视为非线性函数，将一组输入变量xi(i＝1，…，m)转换为输出变量,也就是神经元的值：

22、

23、式中：a为输入到激活函数的计算结果，xi为输入变量，wi为权重，b为偏置，m为输入变量的数目。通常来说，偏置b被视为权重wi的特例，该额外输入的值对应的x0被设置为+1，将等式(6)简化成以下形式：

24、

25、随后，使用激活函数g对a进行计算，给出单元的输出n。选取双曲正切函数作为激活函数，这是因为其函数图像经过原点，同时具有较快的收敛速度，其函数公式如下：

26、

27、输入层采用hss模型参数作为变量x，可表示为n0，这是一个n×d输入矩阵，n为参数数量，d是样本数。权重和偏置矩阵可分别表示为wk＝[nk，nk-1]和b＝[nk，1]，nk是第k个隐藏层中的神经元数量。对所有参数还需要进行归一化处理：

28、

29、式中：xn是归一化变量，xmin和xmax分别是变量x的最小值和最大值。隐藏层神经元可以按照下列公式计算:

30、

31、式中：w01和b01分别是输入层和隐藏层之间的权重矩阵和偏置矩阵。同时，输出层可以表示为:

32、

33、式中：ym，max和ym，min分别是预测参数的最值，下标m用于说明数据是实测值，p用于说明数据是预测值，k是输出变量的数目。w12和b12分别是隐藏层和输出层之间的权重矩阵和偏置矩阵。

34、相比现有技术，本发明的有益效果在于：通过蒙特卡洛算法解决了软土地区深基坑变形数据不足的问题；引入人工神经网络模型，将积累的大型基坑变形数据库充分利用，形成了一种快捷、准确的软土地区深基坑变形快速智能预测方法，可避免大量复杂土工试验引起的时间以及经济成本，提高了实际工程中对基坑变形的预见性，有利于进一步的地下空间开发。