神经网络反演分析法在基坑支护变形数值模拟和预测中应用.docVIP

神经网络反演分析法在基坑支护变形数值模拟和预测中应用 　　【摘要】：本文将神经网络与数值模拟相结合，用神经网络反演分析被支护体“综合力学性能参数”，建立FLAC 3D模型，通过神经网络表达从基坑变形特征值到土体物性参数的非线性映射关系，创建神经网络结构，并将其应用于数值模拟中来实现对基坑支护变形的预测。 　　【关键词】：神经网络、反演分析、FLAC 3D、数值模拟 　　Abstract: In this article, authors combine neural network with numerical simulation, back analyse the“combination property parameter” of supported soil by neural network, create FLAC 3D model, express the nonlinear relationship from deformation character of foundation pit to property parameter of soil, establish neural network structure, and use it in deformation numerical simulation of foundation pit in order to realize forecast for deformation . 　　Keywords: neural network, back analysis, FLAC 3D, numerical simulation 　　 　　中图分类号：TN711 文献标识码：A 文章编号： 　　基坑的变形对于开挖所引起的环境效应评价以及信息化施工都有着十分重要的意义。然而，在目前的各种数值计算方法中，很难对基坑的变形做出较为准确的模拟和预测。其原因就在于对岩土体的初始参数难于确定，这也是目前数值计算方法应用于岩土体模拟中遇到的最大困难之一【1，2】。初始参数不易确定的原因是多方面的，主要有：岩土体在空间分布上的复杂性与多变性，室内土工试验不能准确测定某些参数或不能全面反映岩土体力学性能，初始地应力的影响，地下水的影响，土体本构模型的不准确性以及数值模拟中因模型的简化与实际情况的差异等。鉴于此，本文在对基坑变形进行数值模拟时，尝试引入神经网络反演分析法，以消除上述因素的影响，同时也希望借此方法打开初始参数不易确定这一阻碍数值模拟在岩土工程中发展的“瓶颈”问题。 　　1、神经网络反演分析应用于数值模拟中的思路 　　神经网络几乎可模拟任何复杂的非线性系统，特别适用于参数变量和目标函数之间无数学表达式的复杂工程问题，一个简单的神经网络模型可以反映一个非常复杂的映射关系【3，4】。因此，用神经网络模型来表达岩土工程中岩土体物性参数与岩土体位移值之间的映射关系是有理论可行性的。 　　神经网络反演分析的思路：首先建立较为符合工程实际的数值模拟分析模型，通过不断调整土体物性参数，由数值模型计算分别得到与之对应的基坑变形特征值。然后将上述依依对应的土体物性参数和变形特征值作为训练神经网络的样本，以基坑变形特征值作为输入向量，以土体物性参数作为目标输出向量，对建立的神经网络模型进行学习、记忆和训练，利用神经网络的黑箱处理方法，建立起输入向量和目标输出向量之间的内在关系。最后，利用施工阶段实际监测到的变形数据，输入训练好的网络，得到能够反映基坑变形特征的土体“综合力学性能参数”，并以此作为正演数值模拟分析程序的输入参数，来实现对下一步开挖基坑的变形以及基坑最终变形的预测。 　　该方法的优点在于：通过反演分析得到的土体“综合力学性能参数”包含了由于岩土体分布不均匀性、以及初始地应力、地下水影响以及数值模拟模型简化所引起的误差修正等综合信息，以此进行正演模拟分析，可以得到较为贴近工程实际的分析结果。 　　2、工程实例验证 　　本文以某广场深基坑支护工程为例，运用上述方法进行数值模拟分析，以此来验证该方法的应用可行性。 　　2.1、工程背景 　　某基坑支付工程，基坑东西向长308.2m，南北向宽46.5m～82.5m，总开挖面积近20000平方米。基坑开挖深度东西北三侧为17.6～21.0m，基坑南侧开挖深度为13.8～18.7m。 　　场地地层分布：①人工填土层（Qml）；②第四系坡洪积层（Qdl+pl）；③第四系残积层（Qel）；④燕山期基岩（γ53）；基坑南侧主要为粒质粉质粘土。 　　基坑南侧采用预应力锚索复合土钉支护，其他三面采用桩锚式复合土钉支护。场地地层分布主要为粒质粉质粘土，少量粉土和燕山期花岗岩。 　　2.2、建立FLAC 3D模型