丁楊 陳希杰 杜欣

摘要：城市地鐵建設(shè)正逐步進(jìn)入快速有序的發(fā)展階段，各種類型的地鐵事故也時(shí)常發(fā)生。因此，在隧道基坑工程中需要一種預(yù)測方法來合理的避免事故發(fā)生。針對上海市軌道交通17號線上的某車站站所產(chǎn)生的深層水平位移問題，運(yùn)用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱仿真并建立SOM神經(jīng)網(wǎng)絡(luò)預(yù)測模型。實(shí)驗(yàn)結(jié)果表明， 通過輸入已知數(shù)據(jù)建立的SOM神經(jīng)網(wǎng)絡(luò)預(yù)測變形曲線與實(shí)測位移的絕對誤差值在0.123～1.43mm之間，誤差值范圍小，在實(shí)際工程中是可以接受的。因此，建立SOM神經(jīng)網(wǎng)絡(luò)模型對于基坑變形問題有很好的預(yù)測能力，該方法為地下工程提供了新的預(yù)測手段。

關(guān)鍵詞：隧道工程；車站；SOM神經(jīng)網(wǎng)絡(luò)；MATLAB分析

中圖分類號： U455 文獻(xiàn)標(biāo)志碼：A文章編號：1672-1098（2017）04-0032-04

Abstract：The construction of urban subway is entering the stage of rapid and orderly development， but it was reported subway accidents of different types occurred frequently. Therefore， it is necessary to adopt a forecasting method to avoid accidents. In order to solve the deep horizontal displacement problem in Shanghai rail traffic No. 17 line station Cao Ying Lu， neural network toolbox of MATLAB simulation was used and SOM neural network prediction model was established. The experimental results showed that SOM neural network was established by the input data to predict the absolute error of deformation curve and the measured displacement values between 0.123～1.43mm， the error range was small， which is acceptable in the actual project. Therefore， the SOM neural network model has a good ability to predict the deformation of the foundation pit.

Key words：tunnel engineering；station；SOM neural network；MATLAB simulation

地鐵地下施工具有技術(shù)交叉性、風(fēng)險(xiǎn)隱蔽性、復(fù)雜性和施工環(huán)境惡劣性、特殊性、無序性、動態(tài)性的特點(diǎn)[1]，再加上其大規(guī)模，高速度的建設(shè)必然會導(dǎo)致地鐵施工高風(fēng)險(xiǎn)的存在[2]。2004年3月17日，廣州地鐵3號線大石車站，地鐵基坑塌方，造成1人死亡。2004年4月20日，新加坡地鐵環(huán)線地鐵基坑坍塌事故導(dǎo)致路面坍塌，并造成1人死亡，3人輕傷，3人失蹤。2005年7月21日，由于巖層傾斜、超挖、超時(shí)、超載等造成海珠城廣場基坑發(fā)生坍塌，并有5人死亡、8人受傷[3-4]。以上事故中地鐵基坑施工客觀上均存在很大的風(fēng)險(xiǎn)，施工人員未能對基坑事故發(fā)生的原因和規(guī)律進(jìn)行綜合分析并從中吸取教訓(xùn)，未對施工的風(fēng)險(xiǎn)進(jìn)行有效分析并采取針對性預(yù)防措施是基坑事故發(fā)生的重要原因[5]。

隨著時(shí)代的發(fā)展，計(jì)算機(jī)技術(shù)的逐漸成熟，模擬地下深層水平位移的手段也越來越多[6]。BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，但在訓(xùn)練時(shí)容易陷入局部最優(yōu)，且隱含層數(shù)目不容易確定[7]。因此地鐵車站基坑變形采用SOM神經(jīng)網(wǎng)絡(luò)預(yù)測方法，SOM神經(jīng)網(wǎng)絡(luò)最大的優(yōu)點(diǎn)是不需要知道分等類別的先驗(yàn)知識，不需要事先人為確定分等評價(jià)因素指標(biāo)的權(quán)重[8]。只要根據(jù)具體的樣本便可以通過網(wǎng)絡(luò)完成學(xué)習(xí)訓(xùn)練，有效的克服了主觀因素的干擾，使得分等結(jié)果更加客觀準(zhǔn)確[5]。

因此，本文通過對車站基坑位移實(shí)時(shí)監(jiān)測并結(jié)合SOM神經(jīng)網(wǎng)絡(luò)，在此基礎(chǔ)上，用實(shí)測數(shù)據(jù)來檢驗(yàn)預(yù)測曲線的可靠性。結(jié)合實(shí)際工程案例進(jìn)行分析，以期為基坑位移預(yù)測提供參考。

1項(xiàng)目概況

某車站是上海市軌道交通17號線上地下車站中的一座，其位于某車站東側(cè)，沿盈港路呈東西走向。車站為地下二層島式站臺車站，車站中心里程SK12+671.015，車站主體總長為215m，標(biāo)準(zhǔn)段寬度為19.54m。

主體圍護(hù)結(jié)構(gòu)采用800mm厚地下連續(xù)墻，端頭井墻深31m，標(biāo)準(zhǔn)段墻深28m。某車站環(huán)境及圍護(hù)測點(diǎn)圖，立柱樁編號如圖1和圖2所示。

SOM是由輸入層和競爭層組成的單層神經(jīng)網(wǎng)絡(luò)，輸入層是一維的神經(jīng)元，有n個(gè)節(jié)點(diǎn)[9]。競爭層是二維的神經(jīng)元，按二維的形式排列成節(jié)點(diǎn)矩陣，有M=m^2個(gè)節(jié)點(diǎn)。輸入層的神經(jīng)元和競爭層的神經(jīng)元都有權(quán)值連接，競爭層節(jié)點(diǎn)相互間也可能有局部連接[10]。

SOM算法是一種無導(dǎo)師的聚類法，它能將任意維輸入模式在輸出層映射成一維或者二維離散圖形，并保持其拓?fù)浣Y(jié)構(gòu)不變，即在無導(dǎo)師的情況下，通過對輸入模式的自組織學(xué)習(xí)，在競爭層將分類結(jié)果表示出來[11]。

3SOM在MATLAB中的實(shí)現(xiàn)

由表2可知，建立的SOM神經(jīng)網(wǎng)絡(luò)的模型與實(shí)際監(jiān)測到的數(shù)據(jù)存在一定的誤差，該誤差隨著深度的加大而加大，但已知位移已經(jīng)在8～8.5m之間出現(xiàn)拐點(diǎn)，而預(yù)測曲線則是在9～10m之間出現(xiàn)了拐點(diǎn)。實(shí)測位移在深度26.5m以后一直呈下降趨勢，在深度29.5m時(shí)，還監(jiān)測到為負(fù)數(shù)，而預(yù)測曲線在29～29.5m之間出現(xiàn)拐點(diǎn)。但這些誤差還在可承受的誤差范圍內(nèi)，并且預(yù)測的位移值要比實(shí)測的位移值偏大故偏安全，仍然可采用[13-14]。