基于有限元与elman神经网络的基坑变形预测

模型相 的方法。建 地 深基 有 模型，提取地表沉降& 深层 模拟值进行 。以实测 有 模拟值 为 ，建立Elman 动预 测模型。对有限元模拟值进行修正得到融合模型预测值。对比融合模型预测值、有限元模拟值与实测值，融合模型预测结果可将有限元模拟值 关键词：深基坑;地

小50%左右。；有

；Elman

;变形预测中图分类号:TU473 文献标志码:A

文章编号：2095 - 2783(2019)10- 1072 - 06Deformation prediction of foundation pit based on finite flement and Elman neural networkGUO Qingjun, JIA Zhe, JING Yinbo

(School of Civil and Architecture Engineering, X.i%n Technological University , X.i%n 710021, China)Abstract: Aiming at the problem of deformation prediction of foundation pit, a method combining finite element method with neu­

ral network model was proposed. A three-dimensional finite element model of deep foundation pit of a metro station was estab­lished, and the simulated values of ground settlement and deep horizontal displacement of enclosure structure were extracted for analysis. Taking the difference between the measured data and the simulated value of finite element as the data sample , the Elman neural network rolling prediction model was established. The predicted values of the fusion model were obtained by modifying the simulated values of the finite element method. Compared with the predicted value , the simulated value and the measured value of the fusion model , the predicted result of the fusion model can reduce the error of the simulated value of the finite element by about 50%.

Keywords: deep foundation pit； metro construction； finite element& Elman neural network； deformation prediction社会经济的增长会促进城市的发展，截至2018 年我国的城 率为59.58%m,在世界范围 于中等水平，仍需大力发展基础设施建设以加快城镇 进程。 随城 进程的发展 充分利用，由于其具有 属 + 应 特点，需要在施工过程中 进行监测，以保障工程建设的安全进行然 工期间的 监测属于事中监测，虽能够 故发生起到一定的预警作用，但于突发安 不能及时预防控制。 从全保障工程安全及施工方 两方 言，应在施工前对工程 况进行模拟预测。基 预测方法主要有3类:理论分析、有限元法、系统分析法随着工程规模的增大，理论分 析方法由于参数考虑过少 ，其预测 实际情况 较大，所以不再应用于 预测。有限元法在我国经过50余年的发展，在模型模拟方面已 较为成熟。杨振辉4使用ABAQUS建立某基坑三 维模型，模拟预测不同 构的基 况，并不同支护方 基坑的 ；张 5利用FLAC3D建立三维基坑模型，对围 构水平位移和 进行预测 研究,验证了模型准确度，并 基 工时位 。系统分法中的神经 法较为常用，其中带有自 功能的Elman神经 逐渐从 、水 需 预测转向工程 预测，杨小辉6建立Elman神经网模型 况进行预测；胡薛毅7采用Elman神经 和支持向 某深基坑工程施工期 位移进行预测，对比实测 发现预测 一致，预测 有可 。经 法 一地从数学理论出发，忽略实际工程中的力学 ，导致在工况 的预测 不佳8。有限元法能够根据实际工程 条、 模和工 进 三维建模， 经 预测的不足，但是有限元法无法考虑现场环境、假定条件 过 ，导致其模拟 一种 的力学，模拟值精确度不高。 文提出将有限元法 经 法相结合，引入带有自 能力的 Elman 经 ， 利用实测数据 有限元模拟值收稿日期：2019-04-18基金项目：： 能 项目(2018KRM078)教育部人文社会科学研究项目(17YJC630032)第一作者：郭庆军(1978 \"男，教授，主要研究方向为工程项目管理,15129215404@163.com第10期郭庆军，等:基于有限元与Elman神经网络的基坑变形预测1073之差对有限元模拟值进行优化,使预测值更为精确。1有限元模型的建立1.1工程概况中原 为郑州轨道 5号线工程第31个车，位于 北 中原中 ，沿 北路方向布置在路中。 包总长314 m,标准 包24. 1 m,总建筑面积23 708 3 m2。车站基坑采用明 挖顺作和局部 法。围护结构采用!1 000 mm@1 500 mm , 采用 3 道!609 mmX16 mm , 道处采用1道混凝 +2道!609 mmX16 mm ，基 不规则形。1.2三维模型参数设置用MIDAS GTS/NX有限元 ，根据中原报告,为方便建模计算,将 、种类相似的 进行合并,共划分5 ，结合 尔-库伦本构模型的参数要求,对所需 数进 |算$ 理 数值见 1 。表1修正摩尔-库伦土体参数名称杂填土弹 模 /MPa松容重/(kN・m—3)孔隙比黏聚力/kPa内摩擦角/(°)/m160. 160. 320. 280. 300. 3017. 819. 20. 580. 800. 800. 870. 751716923274. 5黏质粉土 1285226215. 28. 6粉砂黏质粉土 221. 019. 5115182213. 518. 2粉质黏土20. 030有限元模拟中的

此常采用 原理转换为 为模拟施工 ，因替代，替代(D + = ^-tcD4 °12 中:R为桩径/为 &为解得# = 620 mm°有限元模型 构参数见表2°表2有限元模型材料结构参数结构名称冠梁弹性模量/MPa30 000泊松比/(kN • mf3)24. 878. 524. 825. 078. 5截面尺寸/m两边至中间的 维度进 模拟。以5d施工量为1个节点进行累计，每个节点 为2〜3m深度的一 (模型共设置45个工况，工况1为 应力平衡，工况2为添加围 构及格构柱搭建，余下43个 工况依次 图2所示的 进：挖，并及时搭设 (工况1施工 为2016年12月，并搭设第一道 ，受冬季停工 ，工况2〜工况43在2017年2月以 进行，第2道和第3道 同样分段搭设于基坑深度一7 m和一13 m0

pm-|-30. 200. 300. 200. 220. 301. 5X1. 5箱型 0. 5X0. 5构柱210 0003000031500210000 ml±nrj-3m-|-3nrj-3立柱桩地连墙钢支撑!1000# = 0. 78

!609_!_---＞北开挖26开挖27开挖21开挖33开挖28开挖10开挖22开挖34开挖29开挖11开挖6开挖12开挖19开挖42开挖40开挖35开挖30开挖8开挖13开挖23开挖43开挖41开挖36开挖31---------------------------------314 m----------------------------------开挖2开挖3开挖4开挖5开挖7开挖9开挖14开挖15开挖17开挖18开挖1 开挖］6开挖20开挖24开挖37开挖38开挖39开挖25开挖32m+2依据圣维南原理模型 长度为420 m,宽为340 m° 分有限元模型共设置 界、自重及格构柱3个约束 $ 过在基坑周边 12 m范围内添加q = 20 kPa均布 ，模拟施工机$ 分尺寸为：土体5 m,基坑2 m,创建成的模型如图1所示。图2基坑开挖顺序示意图1・3有限元模拟结果分析1. 3. 1水平位移根据实际监测点位置，对模型中对应点的位移 变化值进行提取分析，图3和图4分别为ZQT29和 ZQT9监测点模拟 实测值 °ZQT29监测点位于基 端东侧第1 土仓内$ 在工况2阶段第1土仓 深度为4m$ 尚未搭设，围 构 状态°随着工况3第二道 的搭设位 线逐渐变为 点“弓”形。第三道 在工况5阶段搭设，因此随后阶段在基坑13 m以上范围内位 较小。最大位移随深 大 ，最终 在坑底以上3 m0模拟 最大 值为4. 96 mm,与实测值相1.2 mm,相 为 19.48%o图1中原路车站有限元模型网格划分示意图日志，模型

层、分 ，基 沿长 实际工程进行分分为7块，按照1074中国科技论文第14卷o2水平位移值 3 /mm 456246810121416182022*24t-工况工况22模拟值实测值

26亠工况4284模拟值 十工况实测值 30

十工况6模拟值 *工况6+工况8实测值 亠工况8模拟值 实测值图

3

ZQT29监测值与模拟值对比o

2 3 4 水平位移值5 6 /mm7 8 9 10 11 1224卫悭送12星酱

14fem

16182022-工况162416模拟值工况实测值 26亠工况25模拟值28♦工况工况2534实测值34模拟值 *工况43实测值工况43模拟值工况实测值图4 ZQT9监测值与模拟值对比ZQT9监测点位于基坑中部标准 狈9。在基过程中,ZQT9 水平位 线与ZQT29 线 一样，均为弓型曲线。在工况16〜工况19阶段，土仓3虽 不大，但受临近土仓大 扰动,ZQT29位 幅度较大。工况19〜工况25阶段，土仓3大 ，工况25最大位移量为6. 05 mm，增幅为2. 88 mm，位于15 m 深处基 附近。1. 3. 2地表沉降图5可知：由于土仓1模拟 为连续、等厚进行$ 工况 较为均匀。 ：沉随施工 深 大 ，最大值为4. 92 mm,最大 值 离基本为10 m。模拟 线与实测曲线一 $ 勺型的变化规。在距离基坑20 m范围外的 线斜率低于0〜10 m的 率，说明在土仓1 过程中，沉降变形主要影响范围在距离基坑20 m内（约1. 5倍 基坑设计深度）。DBC4 断面位于基 侧，对比DBC4模拟值与实测值发现，模拟 能较 应4个工况下,实测最大 值 应模拟值

的相 分别为17. 94%、13. 5%、3. 45%和18.77%$ 于较小的范围，表明有限元模型对初期 的 模拟较为准确。模拟 ：0 2 4 6 8 10 12 坑边距14 16 /m18 20 22 24 26 28 30 32-1.5Q

_-2_5-2_-3Q_

-3.5_0

-4

_工况-4.50_工况22模拟

实测 -工况5 _44模拟 工况实测

.工况工况6模拟 —S►6实测 _—工况8 8模拟工况实测LO

DBC4东段监测值与模拟值对比线 实测 线 一 $ 勺 型 $最 大值为 4. 92 mm。DBC9断面位于基坑中部，提 侧监测点各工况模拟值进行提取并与实测数据进 分析，如图6所7K（2° 2 4 6 8 10 12 坑边距心14 16 18 20 22 24 26 28 30 32工况工况16工况16模拟25实测模拟 工况25实测 ■工况34模拟 T—工况34实测一^工况43 十工况43模拟 实测图6 DBC9西段监测值与模拟值对比图6可知:在工况25阶段,DBC9西侧地表沉

降模拟值 大于实测值，分析其原因在于实际开中需要考虑 应的 $ 在其上层被 产生 $ 应力释放产生向 的 ，而在有限元模型中未考虑 原因。模拟最大值为9. 87 mm、实测最大值为11. 35 mm$ 相 为13. 04%o 模拟曲线与实测曲线，在最大 值过 24m $ 线 率发生，因此可 主要 范围随基 大而向外延伸。综合 模拟值与实测 发现:在 前期位 较小的情况下$模拟值拟合程度较高；随着 深度的增大，由于 模拟情况较为理想，模拟曲线 较 ，而实测值的波动范围较大，模拟值与实测值有一定的 。 狈9深基 的 ，对围 构 分析不能单一从力学 虑位 ，实际施工环境：重要 之一。2神经网络2.1 Elman神经网络模型的建立融合模型充分利用工程中已获取的监测数据，第10期郭庆军，等:基于有限元与Elman神经网络的基坑变形预测1075将其 应工况下的有限元模拟值作值，将所 的 值利用神经 模型进行训练 模拟，预测 期 阶段的 值，并与所对应有限元模拟值结合即 融合模型的预测值。融合 模型预测流程如图7所示。DBC4与ZQT29监测点的施工节点主要为工况 2〜工况8,DBC9与ZQT9监测点的施工节点主要 为工况16〜工况43。图8和图9分别为神经 模型 图和训练 图，在训练至609次，误差达要求° ZQT29监测点2017年3月15日预测值、模 拟值与实测值数据 见表3,DBC9监测点2017年8月20日预测值、模拟值与实测值数据对比见表4°图7融合模型预测流程在神经 模型中$采用滚动预测模型进行训练预测，即以第1〜3个 周期数据作为初始样 ，训练预测第4个周期的监测数据;以第2〜4个时 周期数据训练预测第5个周期数据，以此类推。 在训练完成一*定量的数据 ，以第\"一1、. 一2、.一3个 周期数据 第.个 周期的数据进行预测。为减小预测 ，采用归一化方法对过大或过小的输入值进行预处理，使得输出值落在中 :)0*。归一 为M M(Mmax Mmin) ~+ Mmin o式中:MmaxMmin和M分别为输入数据库中的最大值、 最小值和需要归一化的数值;M为归一 °输 输 的判定依据,在本模型中其经元个数为3个 的实测值与有限元模拟值之差$ 为距离基 2、7、10、15、25、30 m的地表沉降值$个时间段共有输入数据18个; 深层水平位移为深度2、6、10、14、18、22、26 m的位 数据$个 有输入数据21个。输 •是用户获得预期 之处，即为神经 实测数据有限元模拟值之差的 值$ 和深层水平位移分别为6个和7个。隐 经元重点在于对其个数的确定，目前没有单一的、完全合适的确定方法,大多还 过人 为确定，通常根据Kolmogorov定理口1*确定神经元 个数的理论值，经过多次 最优值。承接 f经元个数与隐 相同$ 和深层水平位移分别为8个和10个。，为 不同模型的预测精度，采用相对误法对预测精度进 观比较，相 为error,=error=丨!—\"丨仪\\，其中F为实际监测数 IF为有限元模拟值或Elman神经 预测值。2. 2结果分析工程冬季停工 $ 工至基毕的 (2017年2月10日一2017年9月10日)数据进行预测，有限元模拟工况节点进度 实际工程进度保持一致，以5 d为1个工况步进行 预测，因此预测累计工况为43个，数据样本即为相 应节点的实测值 有限元模拟值之 o图8 经 模型 图表3 ZQT29监 2017年3月15日实测值与各预测值数据对比围护结构实测值/模拟值/模拟值 实测 预测值/预测值 实测值深/mmmmm值相

/%mm相

/%23. 693. 437. 053. 495. 42. 2. 230. 704. 321.41104. 984. 529. 244. 754. 62144. 904. 910. 204. 981. 63185. 694. 6518.285. 0111.95224. 603. 8715.874. 1210.43262. 792. 597. 172. 655. 023和表4可以 ,DBC9与ZQT29各点预测的相 在15%以下,预测达到预期 °Elmai神经 预测 会 有限元模拟精度的,当相邻深度监测数据的 幅度较小时，有限元模拟值 经 预测值精度较高；当监测数据1076中国科技论文第14卷表4 DBC9监 2017年8月20日实测值与各预测值数据对比坑边距/实测值/模拟值/模拟值与实测预测值/预测值与实测

m mm mm 值相 / % mm 值相 / %2-6. 00—6.6610.96—5.941. 117— 10. 88—8.4622.22—9.7110.7310-12.20—9. 1525.03—11.277. 6815—11.62— 9.4918.31—11.411. 7425—8.24—7.8. 65—9.019. 2730—5.28—6.3119.62—5.162. 17较大时,Elman神经 一般$如在18〜22 m深处，监测数据 幅度为1 mm, Elman经 预测 为10. 43%0其 测点不同工况下预测值与实测值对比分别如图10—图13所示。0 5 10

坑婢15 /m20 25 30图11 DBC4东断面监测图10—图13可知,Elman神经 的预测 接近于实测值,Elman预测数据基本位于图中实测值与有限元模拟值的中间,可见 Elman神经 能够将有限元模拟值 小50%水平位移/mm61012_ T-工况8实测值 1416-f -工况8模拟值 18-亠工况8预测值202224262830图13 ZQT29监测点左右。Elman神经 的预测模型能够对较为平滑的有限元模拟 进 ，使 的预测结符合实际情况。在同一 ，当前后数据 相对平 ，模拟值与预测值的曲线接近于实测值;当前后数据 较大时，有限元模拟值的变较为滞后$ Elman神经 预测曲线更接近实测线。综合 分析可知，通过Elman神经 有限元模拟值与实测值 进 的 预测结（融合模型的预测 在数据 平稳阶段的 不 ；当 发生 ，数据的平稳特征发生改变$预测 值较大，有限元结合经 的预测方法克 模型未考虑实际工况的缺点,充分考虑了基 的力学性能 ，将 :所产生的 过有限元模型凸 来,融合模型较为 。利用Elman神经 过于平的有限元数据进 ，预测 符合实际情况。3结论1） 建立了三维有限元模型，按照实际 仓模型 进行分层、分 模拟。由于模型参数仅从力学 方 虑，忽略了环境等其 i素的 ，因此模拟值 小于实测数据。虽然模拟值与实测数据之间有一定的 ，但 于最大值位置的确定及 的模拟与实际工程较为一，有限元模型模拟值具有一定的 作用。2） 利用实测数据与有限元模拟值之差为数据样，建立Elman神经 预测模型对两者之差的变况进行预测，并通过新的 有限元模拟值进 ，得出融合模型预测值。 实测数据与有限元模拟值、融合模型预测值发现,融合模型能够 将有限元模拟值 小50%左右,且模拟结果更符合实测数据的波 特征。为进一证融合模型的可靠性$ 数据进行预测研究$发现对于监测值的 于围 构水平位移$融合模型预测性能稳定，具有实用性。3） 对于三维有限元模型 数设置需要将更 多因素纳入模型中以提高模型精确度;对于其他神

第10期郭庆军，等:基于有限元与Elman神经网络的基坑变形预测1077经网络、数值模拟等模型相互融合进行变形预测的 研究，以及不同融合模型的预测效果,仍需要进一步 的对比分析。(由于印刷关系，查阅本文电子版请登录:http： 〃

www. paper. ed= cn/journal/zgkjlw. shtml)[6*杨小辉.基于Elman神经网络的复合土钉墙安全预测

研究[D*.邯郸：河北工程大学，2013.[参考文献](References)口*李政通，姚成胜，邹圆，等.中国省际新型城镇化发展

测度统计与决策，2019, 35(2)： 95-100.LI Zhengtong, YAO Chengsheng, ZOU Yuan, et al. Measurement of inter-provincial new urbanization devel­YANG Xiaohui2Research on safety prediction of com­posite soil nailing walbased on Elman neural network [D*.Handan： HebeiUniversityofEngineering$2013. (inChinese)[7*胡薛毅.深基坑变形的动态预测及安全性评价研究

[D*.武汉：武汉大学，2017.HU Xueyi2Studyondynamicpredictionandsafetye- valuation of deep foundation pit deformation [D*. Wu­han： Wuhan University, 2017. (in Chinese)[8* COMMURI S, ZAMAN M A novel neural network-

opment in China [J*. Statistics & Decision, 2019, 35 (2)：95-100.(inChinese)[2*黄传胜.地铁深基坑开挖变形预测方法及工程应用研

究[D*.长沙：中南大学，2011.HUANG Chuansheng. Research on excavation deform­ation forecasting methods of subway foundation pit and itsty application [D*. Changsha: Central South Universi- $20112(inChinese)[3*李广信.岩土工程50讲：岩坛漫话[M*. 2版.北京：

人民交通出版社，2010： 135-13&LIGuangxin.50lecturesongeotechnicalengineering： the rock altar [M*. 2nd ed. Beijing： China Communica­tions Press, 2010： 135-138. (in Chinese)[4*杨振辉.重庆某深基坑变形预测研究[D*.成都, 2017.：西南

大学YANG Zhenhui. Study on deformation prediction of a deep foundation pit in Chongqing [ D*. Chengdu: SouthwestJiaotongUniversity,20172(inChinese)

[5*张熙德.基于正交试验的深基坑变形及预测研究[D*.合肥：合肥工业大学，201&ZHANG Xide. Research on deformation based on or- thogonaltestandpredictionofdeepfoundationpit )D*2 Hefei： Hefei University of Technology, 2018. (in Chi­nese)basedasphaltcompaction analyzer [J*.International JournalofPavementEngineering$2008$9 (3)： 177­188.[9*徐长节，成守泽，蔡袁强，等.非对称开挖条件下基坑

变形性状分析1929-19342[J*.岩土力学，2014, 35 ( 7 )： XU Changjie$CHENGShouze$CAIYuanqiang$etal2Deformationcharacteristicanalysisoffoundationpitun- derasymmetricexcavationconditionMechanics [J*2RockandSoil $2014$35(7)：1929-19342(inChinese)

[10*邓潇.基于Elman神经网络的组合需水预测方法研究[D*.邯郸：河北工程大学，201&DENG Xiao2Waterdemandforecasting methodbased onElmanneuralnetwork [D*2Handan： HebeiUniver- sityofEngineering$20182(inChinese)[11*钟国强，王浩，张国华，等.基于RS-MIV-ELM模型

的基坑水平位移影响因素分析和预测[*.上海交通大 学学报，2018, 52(11)： 15081515.ZHONG Guoqiang, WANG Hao , ZHANG Guohua ,

etal.Analysisandpredictionoffactorsafectinghori- zontaldisplacementoffoundationpitbasedonRS-MIV- ELMty 2018 model 5211 [J*.JournalofShanghaiJiaotongUniversi-)：1508-1515.(inChinese)