超大直径盾构隧道工作井深基坑变形预测

目的:深基坑的变形预测是岩土工程领域的一大关键问题,为了高效、准确地预测深基坑工程的变形情况,提出一种优化MSD(可发挥强度设计)基坑变形预测法(以下简称“MSD法”)。方法:基于现有的MSD法,引入围护结构弯曲变形能和内支撑压缩弹性势能,将围护结构纳入计算体系;介绍了基于优化MSD法的各阶段基坑变形计算步骤;以济南黄河隧道北岸盾构工作井基坑工程为例,对深基坑变形进行有限元模拟;以基坑长边中点位置处的测点为例,将施作内支撑后的实际监测结果、优化MSD法所得计算结果和有限元模型获得的数值模拟结果进行对比分析。结果及结论:随着围护结构埋深的增加,围护结构的变形呈现先增大后减小的趋势;围护结构水平变形峰值约为30 mm,出现在围护结构埋深25 m处;在围护结构埋深大于10 m处,优化MSD法的计算结果与实际监测结果的吻合程度高于数值模拟结果;优化MSD法的计算值与现场实测值在趋势上高度相同,但二者的数值仍有偏差。

贝叶斯正则化神经网络在深基坑变形预测的应用

针对传统BP神经网络在深基坑施工开挖变形的预测,基坑的安全性判定仅利用监测的最终数值而无法全面服务于深基坑工程,提出了一种遗传算法(Genetic Algorithm,GA)和贝叶斯正则化算法(Bayesian Regularization,BR)组合优化传统BP神经网络的预测模型,在优化预测模型中加入了影响深基坑安全稳定的客观因素及人为主观因素,进一步提高了BP神经网络全局优化能力以及泛化能力.研究结果表明:该组合优化方法对深基坑地表沉降和水平位移变形预测的平均相对误差分别为0.32%和0.59%,表现出较高的预测精度.该组合优化模型首次在深基坑变形领域验证了应用的可行性,为深基坑变形预测提供了新的思路和方法.

基于LSTM-GM神经网络模型的深基坑沉降变形预测

针对基于少量样本的长短记忆时(LSTM)神经网络深基坑变形预测精度较低的问题,提出组合的LSTM-GM预测模型,并运用于地铁深基坑变形预测。将LSTM预测结果的波动项,采用灰色模型(GM)对波动项进行循环预测,满足阈值则完成循环。通过3组不同样本数据的实验,结果表明组合模型在少量样本情况下预测精度高于LSTM模型。此外,将该模型与适用于深基坑变形预测的BP神经网络预测模型和支持向量机(SVM)预测模型对比,分析发现组合模型结合了LSTM预测模型和GM预测模型的优势,拥有更好的预测效果,预测结果趋势符合实际。

灰色预测在基坑变形监测中的应用

建筑基坑施工中,变形监测是基坑是否安全的重要环节,将灰色系统理论应用于基坑变形监测的数据分析,结合工程实例,可进行变形预测结果的分析和检验,进而证实基坑位移变形分析中采用灰色GM(1,1)预测方法的可行性。该方法的拟合度较高,有其适用性。