鄭田楊

摘要：針對深基坑開挖過程中，圍護結構形變預測難的問題，本文基于深度學習方法，以武漢市軌道交通6號線唐家墩站深基坑監(jiān)測數(shù)據(jù)為例，提出了一種基于LSTM的深基坑變形預測方法， 實驗證明了本文方法的有效性。

關鍵詞：深度學習；深基坑；變形；預測

1引言

隨著城市建設的發(fā)展，基坑開挖的深度已經(jīng)越來越大，技術難度也越來越高。深基礎工程的基坑開挖一直是建筑施工過程中的難題，而基坑圍護結構形變的有效控制又是基坑工程成功開挖的關鍵。由于土體本構模型的高度非線性及土體參數(shù)的不確定性，給基坑圍護結構形變的計算和預測帶來了一定的困難。針對基坑形變預測研究，眾多學者已經(jīng)做了大量工作，目前常用的方法主要有三大類：（1）基于灰色模型的形變預測方法；文獻[1] 使用了改進的灰色系統(tǒng)作為預測工具，對基坑周圍建筑物的沉降進行了預測；文獻[2] 利用變形監(jiān)測灰色GM模型預測方法，分析基于小波變換前后的預測效果和精度水平；文獻[3] 將時間序列分析與灰色系統(tǒng)理論相結合用于變形監(jiān)測沉降數(shù)據(jù)預測（2）基于BP神經(jīng)網(wǎng)絡的形變預測方法。文獻[4] 利用建立的BP神經(jīng)網(wǎng)絡模型分別預測深基坑圍護產(chǎn)生的深層土體水平位移；文獻[5]利用遺傳算法，對BP神經(jīng)網(wǎng)絡初始權重和閾值進行優(yōu)化，建立了關于深基坑地下連續(xù)墻圍護結構水平位移的神經(jīng)網(wǎng)絡模型，并對該基坑測斜孔對應的圍護結構水平位移進行預測。文獻[6]綜合利用小波理論、灰色模型、BP神經(jīng)網(wǎng)絡三種模型理論，設計了一種較好的預測方法。（3）回歸分析法。文獻[7]利用支持向量機的方法對基坑形變進行分析；文獻[8] 提出了基于小波變換的LSSVM-ARMA（最小二乘支持向量機-自回歸移動平均模型）模型，實現(xiàn)基坑變形時間序列滾動預測，文獻[9] 利用隨機森林模型進行影響變量評價及優(yōu)選，基于優(yōu)選的影響變量建立深基坑樁頂水平位移預測模型。

由此可見，通過對基坑形變預測研究，發(fā)現(xiàn)其具有可建模性、時間序列性。傳統(tǒng)的神經(jīng)網(wǎng)絡無法實現(xiàn)延續(xù)性（保留對前序數(shù)據(jù)的理解），這似乎成了它們一個巨大的缺陷，近年來，隨著深度學習的研究取得較大進展，長短時記憶網(wǎng)絡Long Short-Term Memory（LSTM）作為循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network， RNN）的一種，在繼承循環(huán)神經(jīng)網(wǎng)絡對時間序列優(yōu)秀的記憶能力的前提下，克服了在 RNN 網(wǎng)絡結構下較為遙遠的歷史信號無法傳遞至當前時刻的問題，憑借其對前序數(shù)據(jù)的學習能力和記憶功能，已被廣泛應用于時序問題建模中，并證實了其有效性[10-14]。本文以武漢市地鐵6號線唐家墩站深基坑監(jiān)測數(shù)據(jù)為例，通過分析選取影響圍護結構變形的因素，將 LSTM 擴展應用到深基坑圍護結構變形預測中，并與傳統(tǒng)方法進行比較，為基坑工程施工控制提供了新的思路，對基坑的施工安全具有現(xiàn)實的指導意義。

2工程概況

唐家墩地鐵站是武漢市軌道交通6號線（地下三層站）的一座13.6米寬島式站臺。車站共設置8個出入口、2個消防疏散口和5組風亭。有效站臺中心里程為K24+901.033，起點里程為右K24+801.733，終點里程為右K25+29.533，車站主體長度為227.8m。有效站臺中心處基坑深度為25.7m，圖1為基坑平面圖。

場地地層自上而下主要由7大層組成：（1）人工填土層；（2）第四系全新統(tǒng)新近沉積形成的淤泥質土層；（3）第四系全新統(tǒng)沖積形成的一般粘性土層；（4）第四系全新統(tǒng)沖積形成的淤泥質土層及一般粘性土層；（5）第四系全新統(tǒng)沖積形成的粉砂夾粉土、粉質粘土過渡層；（6）第四系全新統(tǒng)沖積形成的粉砂層；（7）白堊—下第三系泥質粉砂巖層及礫巖層。地下水按賦存條件，可分為上部滯水、孔隙承壓水和基巖裂隙水三種類型。

車站采用明挖法施工，局部采用蓋挖法。根據(jù)本站周邊環(huán)境、地質條件及現(xiàn)場情況，經(jīng)綜合考慮，其圍護結構形式： 6號線主體基坑選用1000mm厚地下連續(xù)墻+六道內支撐，其中，盾構井段第一至五道采用砼支撐，第六道采用Φ800鋼管支撐，標準段第一、四、五道采用砼支撐，其余采用Φ800鋼管支撐，并倒撐一次。施工時間自2014年8月至2016年底正式開通運營。監(jiān)測頻率嚴格按照規(guī)范執(zhí)行，為本研究提供了數(shù)據(jù)保證。

3 LSTM原理

LSTM屬于循環(huán)神經(jīng)網(wǎng)絡RNN一種，其最大特點是引入了門控單元（Gated Unit）和記憶單元（Memory Cell） 。這些單元格有不同的組成部分，稱為輸入門、遺忘門和輸出門。以下是LSTM單元格的圖形表示：

首先，使用tanh激活函數(shù)將輸入歸化到-1和1之間。這可以表示為：

其中，Uθ和Vθ是之前單元的輸出，作為下一個輸入的權重。Bθ為輸入偏移，指數(shù)g不是冪，而是表示這些是輸入權重和偏置值（與輸入門、遺忘門、輸出門等相反）。

然后將這個調整后的輸入按元素乘上輸入門的輸出，如上所述，輸入門是一系列sigmoid激活節(jié)點：

LSTM單元輸入部分的輸出：

g。i

其中。表示元素乘。

遺忘門輸出表示為：

前一狀態(tài)和遺忘門的元素乘積的輸出表示為：

遺忘門/狀態(tài)循環(huán)階段的輸出為：

輸出門表示為：

因此，經(jīng)過tanh壓縮后，單元格的最終輸出為：

注意，在上面所有的公式中處理的都是向量

4模型建立

深基坑變形與眾多因素有關，歸納起來為開挖進度、支護體系、土體屬性、周邊環(huán)境等諸多因素共同作用的結果。本研究主要考慮以下幾個方面的影響因素：1.開挖進度，主要考慮開挖深度；2.巖土物理屬性，主要包括極限黏聚力，內摩擦角，滲透系數(shù)，樁間土極限摩擦力，無側限抗壓強度，基床系數(shù)和天然重度；3.地下水條件方面，主要包括地下水位；4.支護結構方面，主要考慮支撐應力和圍護結構內部應力5.周邊環(huán)境，主要考慮基坑影響范圍內地表沉降、立柱位移。綜上，共14個模型參數(shù)。

本研究實驗數(shù)據(jù)選取圍護結構測斜數(shù)據(jù)來代表基坑維護結構的形變，按照基坑6層支撐的設計，在圍護結構測斜數(shù)據(jù)對應各支撐標高處進行采樣，基坑測斜管埋設40點，篩選正對支撐位置的作為研究數(shù)據(jù)，總共30處，排除中途被破壞點，選取能夠貫穿整個工程的監(jiān)測時序盡可能長的點，共計10個， 6個監(jiān)測斷面。沿著6個監(jiān)測斷面，6層標高，選取圍護結構形變值作為訓練和驗證數(shù)據(jù)，對應剖面和標高的14個模型參數(shù)作為建模數(shù)據(jù)的特征值。特征值來源于監(jiān)測數(shù)據(jù)、水文地質勘察數(shù)據(jù)。采樣頻率為3天，最終，通過篩選獲取樣本特征數(shù)據(jù)結構為：60*200*14（其中，60為監(jiān)測點個數(shù)，200為采樣次數(shù)，14為建模參數(shù)），對應位移數(shù)據(jù)為60*200。從訓練數(shù)據(jù)中選取700個作為訓練數(shù)據(jù)，500個作為驗證數(shù)據(jù)。

LSTM網(wǎng)絡結構使用兩層LSTM疊加網(wǎng)絡，每層網(wǎng)絡32個神經(jīng)元，為避免過擬合配備Dropout（0.5）層，最后為全連接層，輸出為預測值。網(wǎng)絡結構如圖3所示。

5實驗

為了驗證本文方法，選取常用的幾種回歸計算方法，決策樹回歸（DecisionTree）、K近鄰回歸（KNN）、隨機森林回歸（RandomForest）、Adaboost回歸、GradientBoosting（GBRT）回歸、Bagging回歸和ExtraTree極端隨機數(shù)回歸幾種方法進行比較，評價指標為Root Mean Square Error （RMSE）。

圖4為本文方法和各種傳統(tǒng)回歸方法比較結果，圖中紅色為圍護結構形變預測值、綠色為真實值，縱軸單位CM，正負分別代表向坑外和坑內位移。由圖4可知，本文提出的基于LSTM的預測方法精度較好，RMSE為0.052，勝過其他傳統(tǒng)方法。證明了本文方法的有效性。傳統(tǒng)回歸方法中，GradientBoosting精度略好，RMSE為0.184左右。RandomForest作為近年來廣泛使用的機器學習回歸方法也有不錯的表現(xiàn)，RMSE為0.285左右。

6結論

（1）基坑變形的有效控制是現(xiàn)代安全施工的關鍵。由于影響基坑圍護結構形變因素眾多，且無明顯規(guī)律，因此對深基坑開挖過程中維護結構形變準確預測存在一定的困難，本文基于目前廣泛研究的深度學習方法，針對基坑形變預測的特性，提出了一種LSTM的形變預測方法，實驗證明了方法的有效性，研究為基坑施工的信息化控制預報提供了一個新的思路。

（2） 應該注意的是，本文采用的 LSTM方法屬于一種智能化方法，它是建立在具有大量的訓練數(shù)據(jù)，因此下一步，將搜集更多深基坑監(jiān)測數(shù)據(jù)對模型進行強化，驗證本文方法的模型是否具有遷移性。

參考文獻：

[1]劉文生， 吳作啟， 崔鐵軍， 等. 基于改進灰色系統(tǒng)的深基坑變形預測方法研究[J]. 中國安全生產(chǎn)科學技術， 2014，10（11）：21-26.

[2]岳仁賓， 滕德貴， 胡波， 等. 灰色模型在深基坑變形監(jiān)測中的應用研究[J]. 測繪通報， 2014（S2）：85-87.

[3]唐爭氣， 譚志強. 灰色時序組合模型在基坑監(jiān)測中的運用[J]. 測繪工程， 2014，23（02）：49-53.

[4]孟凡麗， 鄭棋， 李燕， 等. 基于BP神經(jīng)網(wǎng)絡的深基坑圍護變形預測[J]. 浙江工業(yè)大學學報， 2014，42（04）：367-372.

[5]李彥杰， 薛亞東， 岳磊， 等. 基于遺傳算法-BP神經(jīng)網(wǎng)絡的深基坑變形預測[J]. 地下空間與工程學報， 2015，11（S2）：741-749.

[6]付博. 基于小波優(yōu)化的灰色BP神經(jīng)網(wǎng)絡在深基坑變形預測中的應用[D]. 東華理工大學， 2016.

[7]渠孟飛， 謝強， 李朝陽， 等. 基于支持向量機的膨脹土深基坑變形預測研究[J]. 施工技術， 2016，45（19）：30-32.

[8]王麗芬. 基于LSSVM-ARMA地鐵站基坑變形滾動預測分析[D]. 河北工程大學， 2017.

[9]林楠， 張文春， 劉鷹， 等. 基于隨機森林模型的季節(jié)性凍區(qū)深基坑變形預測[J]. 地下空間與工程學報， 2018，14（S1）：357-362.

[10]趙盛杰. 基于腦電及卷積神經(jīng)網(wǎng)絡的抑郁癥實時監(jiān)測方法研究[D]. 蘭州大學， 2018.

[11]史亞星. 基于深度學習的交通流量預測與可視化方法研究[D]. 北方工業(yè)大學， 2018.

[12]陳寧， 毛善君， 李德龍， 等. 多基站協(xié)同訓練神經(jīng)網(wǎng)絡的PM2.5預測模型[J]. 測繪科學， 2018，43（07）：87-93.

[13]楊杰. 基于稀疏高斯伯努利受限玻爾茲曼機的故障分類[D]. 浙江大學， 2018.

[14]許石羅. 基于多源遙感影像的動態(tài)滑坡災害空間預測模型研究[D]. 中國地質大學， 2018.

（作者單位：中鐵上海工程局集團市政工程有限公司）