1引言
近年來，隨著建設(shè)的發(fā)展，基坑工程的數(shù)量越來越多，而且深基坑工程無論在數(shù)量上還是在難度上都有大幅度提高，使得在深基坑工程中發(fā)生的事故也越來越多，造成了重大的經(jīng)濟(jì)損失。深基坑工程中的問題是由于開挖引起周圍土體變形，從而導(dǎo)致周圍的建筑物和地下管線等設(shè)施的破壞?；幼冃蔚谋O(jiān)測及其預(yù)報(bào)的研究引起工程技術(shù)人員的廣泛重視。
深基坑變形一方面基坑的變形受其結(jié)構(gòu)特征和所在環(huán)境的制約，有其自身的內(nèi)在規(guī)律性，反映在監(jiān)測數(shù)據(jù)上是其觀測序列隨時(shí)間變化;另一方面基坑施工過程中往往出現(xiàn)受某種因素的干擾，表現(xiàn)為定期觀測的變形位移的數(shù)據(jù)具有一定的隨機(jī)性。目前，基坑設(shè)計(jì)時(shí)主要采用m法和有限元等方法進(jìn)行變形估算，但由于理想模型與實(shí)際工況的差別、計(jì)算參數(shù)難以正確確定等因素的影響，使得計(jì)算得到的變形值與實(shí)際變形量相差較大。因此，至關(guān)重要的是尋求一種對(duì)基坑變形更為有效的預(yù)測方法。人工神經(jīng)網(wǎng)絡(luò)則具有解決復(fù)雜的、不確定性的、非線性問題的能力，特別適合解決巖土工程問題。在基坑變形預(yù)測方面比常規(guī)方法有明顯的優(yōu)勢。
本文以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，利用其強(qiáng)大的非線性映射能力，以已有的實(shí)測數(shù)據(jù)為樣本，建立深基坑單支點(diǎn)排樁支護(hù)結(jié)構(gòu)側(cè)向位移的預(yù)測模型，實(shí)現(xiàn)對(duì)深基坑變形的非線性預(yù)測。
2神經(jīng)網(wǎng)絡(luò)簡單介紹
神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元廣泛連接而成。人工神經(jīng)元是對(duì)神經(jīng)元的模擬，是一個(gè)多輸入，單輸出的非線性模型，它的輸入輸出關(guān)系用傳遞函數(shù)（也叫激勵(lì)函數(shù)）來表示。常用的傳遞函數(shù)有：閥值函數(shù)，線性函數(shù)，S形函數(shù)（Sigmoid），徑向基函數(shù)等。根據(jù)人工神經(jīng)元的連接方式不同，神經(jīng)網(wǎng)絡(luò)可分成兩大類：分層結(jié)構(gòu)的網(wǎng)絡(luò)、相互結(jié)合網(wǎng)絡(luò)。圖1、圖2分別為三層前向網(wǎng)絡(luò)結(jié)構(gòu)圖和神經(jīng)元結(jié)構(gòu)模型。
目前已有數(shù)十種神經(jīng)網(wǎng)絡(luò)模型，這些模型大致可分為三大類：前向網(wǎng)絡(luò)（FeedforwardNNs）、反饋網(wǎng)絡(luò)（FeedbackNNs）和自組織網(wǎng)絡(luò)（Self-organizingNNs）。常用的網(wǎng)絡(luò)模型有：BP網(wǎng)絡(luò)、徑向基網(wǎng)絡(luò)，概率神經(jīng)網(wǎng)絡(luò)、自組織特征映射網(wǎng)絡(luò)、Hopfield回歸網(wǎng)絡(luò)、Elman遞歸網(wǎng)絡(luò)等。這些各式各樣的模型從不同的角度對(duì)生物神經(jīng)系統(tǒng)進(jìn)行不同層次的描述和模擬，各自有自己的適用范圍和優(yōu)缺點(diǎn)。
近年來，隨著建設(shè)的發(fā)展，基坑工程的數(shù)量越來越多，而且深基坑工程無論在數(shù)量上還是在難度上都有大幅度提高，使得在深基坑工程中發(fā)生的事故也越來越多，造成了重大的經(jīng)濟(jì)損失。深基坑工程中的問題是由于開挖引起周圍土體變形，從而導(dǎo)致周圍的建筑物和地下管線等設(shè)施的破壞?；幼冃蔚谋O(jiān)測及其預(yù)報(bào)的研究引起工程技術(shù)人員的廣泛重視。
深基坑變形一方面基坑的變形受其結(jié)構(gòu)特征和所在環(huán)境的制約，有其自身的內(nèi)在規(guī)律性，反映在監(jiān)測數(shù)據(jù)上是其觀測序列隨時(shí)間變化;另一方面基坑施工過程中往往出現(xiàn)受某種因素的干擾，表現(xiàn)為定期觀測的變形位移的數(shù)據(jù)具有一定的隨機(jī)性。目前，基坑設(shè)計(jì)時(shí)主要采用m法和有限元等方法進(jìn)行變形估算，但由于理想模型與實(shí)際工況的差別、計(jì)算參數(shù)難以正確確定等因素的影響，使得計(jì)算得到的變形值與實(shí)際變形量相差較大。因此，至關(guān)重要的是尋求一種對(duì)基坑變形更為有效的預(yù)測方法。人工神經(jīng)網(wǎng)絡(luò)則具有解決復(fù)雜的、不確定性的、非線性問題的能力，特別適合解決巖土工程問題。在基坑變形預(yù)測方面比常規(guī)方法有明顯的優(yōu)勢。
本文以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，利用其強(qiáng)大的非線性映射能力，以已有的實(shí)測數(shù)據(jù)為樣本，建立深基坑單支點(diǎn)排樁支護(hù)結(jié)構(gòu)側(cè)向位移的預(yù)測模型，實(shí)現(xiàn)對(duì)深基坑變形的非線性預(yù)測。
2神經(jīng)網(wǎng)絡(luò)簡單介紹
神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元廣泛連接而成。人工神經(jīng)元是對(duì)神經(jīng)元的模擬，是一個(gè)多輸入，單輸出的非線性模型，它的輸入輸出關(guān)系用傳遞函數(shù)（也叫激勵(lì)函數(shù)）來表示。常用的傳遞函數(shù)有：閥值函數(shù)，線性函數(shù)，S形函數(shù)（Sigmoid），徑向基函數(shù)等。根據(jù)人工神經(jīng)元的連接方式不同，神經(jīng)網(wǎng)絡(luò)可分成兩大類：分層結(jié)構(gòu)的網(wǎng)絡(luò)、相互結(jié)合網(wǎng)絡(luò)。圖1、圖2分別為三層前向網(wǎng)絡(luò)結(jié)構(gòu)圖和神經(jīng)元結(jié)構(gòu)模型。
目前已有數(shù)十種神經(jīng)網(wǎng)絡(luò)模型，這些模型大致可分為三大類：前向網(wǎng)絡(luò)（FeedforwardNNs）、反饋網(wǎng)絡(luò)（FeedbackNNs）和自組織網(wǎng)絡(luò)（Self-organizingNNs）。常用的網(wǎng)絡(luò)模型有：BP網(wǎng)絡(luò)、徑向基網(wǎng)絡(luò)，概率神經(jīng)網(wǎng)絡(luò)、自組織特征映射網(wǎng)絡(luò)、Hopfield回歸網(wǎng)絡(luò)、Elman遞歸網(wǎng)絡(luò)等。這些各式各樣的模型從不同的角度對(duì)生物神經(jīng)系統(tǒng)進(jìn)行不同層次的描述和模擬，各自有自己的適用范圍和優(yōu)缺點(diǎn)。