基于小波神经网络的深基坑施工风险评价研究

孙敬秋 冯 樷 冯双喜

(1.中建二局第三建筑工程有限公司，湖南 长沙 410201；2.河南工业职业技术学院，河南 南阳 473009； 3.天津国土资源和房屋职业学院，天津 300270)



基于小波神经网络的深基坑施工风险评价研究

孙敬秋1冯 樷2冯双喜3

(1.中建二局第三建筑工程有限公司，湖南 长沙 410201；2.河南工业职业技术学院，河南 南阳 473009； 3.天津国土资源和房屋职业学院，天津 300270)

构建了软土深基坑风险指标体系，利用小波分析，对某工程深基坑的监测数据进行了去噪处理，并通过神经网络模型，评价了深基坑施工的风险因素，提出了减小深基坑施工风险的建议。

深基坑，神经网络，施工风险，灰色关联度

0 引言

随着高层建筑的兴建，深基坑开挖规模不断加大，开挖深度加深，基坑自身的稳定性引起了专家广泛关注。再加之，高层、超高层建筑物以及城市轨道交通工程往往在中心城区进行，这势必会给周围环境带来影响，尤其是在深基坑施工过程中周围建筑物和周围管线的沉降预测问题。这都对深基坑施工安全提出了严峻的挑战。

1 软土深基坑风险指标体系的构建

将风险管理理论引入深基坑施工风险评价研究中，风险管理的本质是利用最小的成本保证施工安全的管理方法，其步骤主要包括风险识别、风险评估、风险响应和风险控制[1]。本文结合天津地铁六号线红旗南路换乘站，收集深基坑施工过程中的相关资料，确定了风险控制的指标体系。

深基坑施工风险因素主要包括：人员因素、施工材料及机械设备性能、施工方法以及周围环境因素。人员素质从管理人员管理水平、施工人员的素质、监理人员能力、施工人员的能力等方面进行风险识别；施工材料及机械主要从施工材料质量、机械设备性能两个方面考虑风险因素；将施工方法风险分成三个三级指标，分别是围护结构的稳定性、结构的防水、地面沉降的控制等。环境因素主要考虑到地下水位的变化、地下管线和文物、周围建筑物、自然灾害等。

2 工程分析

结合指标体系，对管理人员管理水平、施工人员素质、监理人员能力、施工人员的技术水平、施工材料质量、接卸设备性能、结构防水性能、自然灾害进行专家打分，并对支护结构稳定性中监测主筋内力、地面沉降监测、周围道路、管线、地下水位变化和周围建筑变化进行小波去噪处理，并确定其监测变化代表值，最后利用神经网络进行评价。

假定将施工过程分为三个阶段，2013年8月10日～2013年9月10日为第一个阶段；2013年9月11日～2013年10月10日为第二阶段；2013年10月11日～2013年11月10日为第三个阶段。将第一个阶段和第二阶段数据作为神经网络的学习阶段，并对第三阶段进行风险评价。

利用小波分析，对能够监测的数据进行去噪处理，并找出最大的监测值作为其代表值。小波去噪分为三个步骤，分别是信号分解、阈值的选择、小波重构，并将去噪之后的信号和专家打分信号作为神经网络的输入层。

2.1 阈值的选择

深基坑的监测信号可能包含尖峰或者突变，并且噪声信号不是平稳的白噪声，对这种信号进行去噪处理时，小波能同时在时域内对信号进行分析，实现对非平稳信号的过滤，阈值的选择影响降噪的效果。

在本工程中，选用Penalized软阈值，THR=wbmpen(C,L,sigma,ALPHA)，THR通过给定的规则计算得到小波系数，选择使用Birge-Massart的处罚算法。[C，L]是进行去噪信号的小波分解结构；sigma为零均值的高斯白噪声的标准偏差；ALPHA是处罚的调整参数，是一个大于1的实数，典型值为2，本工程采用ALPHA=2。

设t*为crit(t)=-sum(c(k)^2,k<=t)+2*sigma^2*t*(ALPHA+log(n/t))的最小值，其中，c(k)为按绝对值从大到小排列的小波系数；n为系数的个数。

2.2 神经网络评价

输入层中的输入信号矩阵为:

输出层中的输出信号矩阵为：

根据Kolmogorov定理[2]，来确定网络结构。采用一个N×2N+1×M的四层神经网络作为深基坑施工安全的评价模型，其中，N为输入信号矩阵的阶数；M为状态分类数。为了简化网络，(1，1)代表深基坑施工安全评价等级为一级，(1，0)代表深基坑施工安全评价等级为二级，(0，1)代表深基坑施工安全评价等级为三级，(0，0)代表深基坑施工安全评价等级为四级。故可以在网络中，只设计两个输入神经元表示这4种状态类别。按一般的设计方案，为了更好的满足深基坑施工安全现状的评价输出要求，中间层的传递函数为S型正切函数，输出层神经元的传递函数为S型对数函数。

通过训练后，网络误差达到设定的最小值。并可以看出，本次训练是明显收敛于零，并能用来指导工程实践。将第三阶段的施工数据输入到神经网络模型中，结果为(0.991 1,0.001)，显然其结果趋近(1,0)，所以安全评价等级为很好。

2.3 灰色关联度理论分析过程

利用灰色聚类原理[3]，不难发现“围护结构的稳定性”“地下水位”“周围道路及建筑物沉降”是影响施工安全较大的风险因素。通过灰色关联度理论来分析上述三个因素与深基坑施工安全的关联性。讨论灰色绝对关联度、灰色相对关联度和灰色归一关联度对于深基坑施工安全的影响程度。利用MATLAB7.0[4]进行编写相应的程序，结果如表1所示。

通过灰色关联度的分析，可以看出来影响深基坑施工安全的最相关的因素是围护结构的稳定性。地下水位、周围道路和建筑物的沉降对深基坑施工安全影响较小，关联性大体上是一致的。因此在考虑深基坑施工安全时，应该首先考虑围护结构稳定性因素。

3 减少深基坑施工风险的对策建议

结合分析可知，地下连续墙稳定性是引起深基坑施工安全的重要原因，另外，基坑降水的施工方法、承压水位动态变化会影响墙后土层的主固结沉降、次固结沉降；地下连续墙的侧移在某种程度上对深基坑周围建筑物沉降和基坑自身有一定影响。因此从设计、施工两个角度来提出深基坑施工安全的具体措施[5]。

3.1 地下连续墙合理配筋设置内支撑

合理的配筋率不但能够保证墙体具有一定承载能力和正常使用的功能，使其自身的侧移减小，而且能保证深基坑施工对墙体后土体的影响范围减小，确保施工安全。对支护结构的形式和尺寸进行安全性设计时，可以适当增大安全系数，可以有效的减小侧向变形，例如增大支护结构的刚度。仅仅对其结构形式和尺寸设计往往不能满足工程施工的要求，还应考虑支撑的设计，增设支撑还有利于墙外侧承受较均匀的主动土压力，能够保证墙与土充分接触，增加摩擦力和粘结力，从而达到提高土抗剪强度，确保深基坑施工安全。

3.2 采用合理施工开挖技术

中心岛式挖土和盆式挖土是深基坑明挖法中的常见方法，本工程采用的是盖挖逆作方法，即土方不能直接运走，需要提升后装车外运，施工复杂。深基坑开挖过程中，土体受到扰动，引起应力场的改变，导致基坑发生工程事故，这就要求开挖深度和长度在一定合理范围内，否则会加速基坑自身的变形。土方开挖还应与支撑密切配合，尽量做到“即挖即撑，随挖随撑”，避免由于施工不当或者工期、工序安排不合理造成深基坑变形过大，以至于影响周围建筑物的沉降。合理的施工开挖技术能有效确保深基坑施工安全。

3.3 减少施工风险的其他措施

采用先进的施工工艺和施工技术，通过新的方法改善深基坑安全；加强人员素质管理，提高管理人员的知识水平和管理水平；对深基坑工程运用信息化监测预测施工的办法，依据实时动态施工监测信息和监测结果[6]，及时调整施工工序或者施工组织，减少深基坑施工过程中风险因素的影响。

4 结语

分别从人员因素、施工材料及机械、施工方法、环境因素四个角度建立了深基坑风险因素指标体系,利用小波去噪特性，将有关监测的数据进行去噪，能更好地帮助专家进行打分；利用神经网络模型进行评价，将施工过程分为三个阶段，并利用第一和第二阶段为学习样本进行训练，将第三阶段的专家打分数据和去噪数据作为输入层输入神经网络中，最终判断该阶段施工安全等级为较好,提出减小深基坑施工风险的措施，地下连续墙合理配筋设置内支撑、采用合理的降水、排水施工技术、采用合理施工开挖技术等其他措施。

[1] 刘 瑢.基于风险管理的深基坑工程施工预警系统研究[D].南京:东南大学,2006.

[2] 刘 戈,吴立新.基于BP神经网络法对地连墙后土体沉降预测分析——以天津地铁施工为例[J].沈阳建筑大学学报(自然科学版),2013(5):834-840.

[3] 庞伟英,樊燕燕.基于灰色聚类法的大跨径桥梁施工阶段风险评价[J].工程管理学报,2015(2):101-105.

[4] 吴 鹏.MATLAB高效编程技巧与应用:25个案例分析[M].北京:北京航空航天大学出版社,2010.

[5] 于银霞.浅析深基坑及周边建筑物沉降观测[J].科技资讯,2012(13):56.

[6] 潘久荣.地铁车站施工基坑开挖对临近建筑物的影响研究[D].南昌:华东交通大学,2012.

[7] 薛守义.高等土力学[M].北京:中国建筑工业出版社,2007.

[8] 卢廷浩,刘祖德.高等土力学[M].北京:机械工业出版社,2006.

Research on risk assessment of deep foundation pit construction based on wavelet neural network

Sun Jingqiu1Feng Cong2Feng Shuangxi3

(1.TheThirdConstructionEngineeringLimitedCompanyofChinaConstructionSecondEngineeringBureau,Changsha410201,China; 2.HenanPolytechnicInstitute,Nanyang473009,China; 3.TianjinLandResourcesandHouseVocationalCollege,Tianjin300270,China)

The paper establishes soft-soil deep foundation risk indicator system, carries out denoising treatment for the deep foundation monitoring data, evaluates the deep foundation construction risk factors through neural network model, and finally puts forward suggestions of reducing deep foundation construction risks.

deep foundation, neural network, construction risk, grey relational grade

1009-6825(2016)24-0096-02

2016-06-15

孙敬秋(1987- )，男

TU478

A