摘要： 随着地下空间的开发利用，各种深基坑工程不断涌现，钢支撑技术因施工方便在深基坑设计中广泛应用。目前，对钢支撑系统的研究多采用传统理论和数值模拟技术，这些方法对模型的基本参数有严格要求，通常情况下很难取得。人工神经网络具有很强的学习、联想和抗干扰能力，在预测分析等方面表现出极大的优势。本文以青岛地铁火车北站深基坑工程为背景，通过钢支撑轴力现场监测得到轴力变化规律。研究深基坑支撑轴力变化影响因素，将各因素根据一定规律进行划分，建立了钢支撑轴力影响因素的评价指标体系。并基于人工神经网络对钢支撑轴力进行预测，预测数据和实测数据吻合较好。
abstract： with the development and utilization of underground space， a variety of deep foundation pits are constantly emerging. the steel support technology is widely used in deep foundation design because of its simple and convenient construction. at present， the research on steel support system has been by using the traditional theory and numerical simulation technology； however， these methods have a higher demand for the basic parameters of the model. under normal circumstances， it is difficult to obtain these parameters. the artificial neural network has a strong learning， lenovo and anti-jamming capability， and has shown
great advantage in the prediction analysis. based on a deep excavation of qingdao subway station， through analyzing the monitoring data of steel strut axial forces， it gets influencing factors of the change of the axial force. at last， evaluation index system is established. through predicting steel strut axial forces based on artificial neural network， the result shows that the forecast data has a good agreement with the measured data.
关键词： 深基坑；支撑轴力；现场监测；人工神经网络 key words： deep excavation；strut axial forces；monitoring；artificial neural network
中图分类号：tv551.4 文献标识码：a 文章编号：1006-4311（2013）18-0111-03 0 引言
深基坑内支撑技术在我国沿海地区广泛存在，主要形式为现浇钢筋混凝土支撑系统和钢支撑系统。对于内支撑系统的研究，多是以岩石力学的传统理论分析和数值模拟技术为基础的确定性求解方法，其中数值模拟多是将支撑系统模拟为弹性杆件，通过建立基坑整体结构计算模型对支撑轴力进行计算，该法适合处理非线性、非均质和复杂边界问题，被认为是分析支撑系统受力的有效方法，但实际工程中模型的各项基本参数很难被准确地确定出来，得到的分析结果往往与实际情况有较大出入，而且不能够对深基坑开挖过程
的安全性进行实时准确预测。针对岩石力学传统理论分析和数值模拟技术中存在的问题。20世纪80年代以来，人工神经网络由于良好的自适应性、自组织性和很强的学习、联想、抗干扰能力为解决非线性的深基坑工程提供了新的学习思路和计算方法[1]。 本文在大量理论研究和实践调查的基础上，对青岛火车北站垃圾填埋场区域中的深基坑钢支撑受力及变形情况进行监测分析，利用人工神经网络强大的预测功能，对深基坑支撑轴力监测的后期变化进行预测。以期为后续车站的施工提供指导。 1 工程概况
青岛市地铁一期工程（3号线）火车北站长280.36m，宽44.5m，埋深约18.96m。车站主体结构为二层四跨钢筋砼框架结构，其中地下二层为地铁3，8号线站台层，地下一层为国铁出站通道，地上为国铁站房部分。
场区土层主要有第四系人工弃填土（q4ml）、杂填土以及海相沉积（q4m）之淤泥质土、软黏性土、粉质黏土及中粗砂；下伏基岩为白垩系下统青山组中亚组（k1q2）流纹岩及燕山期崂山阶花岗岩。场地地下水主要为第四系松散岩类孔隙潜水和块状基岩裂隙水。场地地层物理力学参数见表1。
基坑设计方案采用明挖顺筑法施工，基坑围护结构采用钻孔灌注桩加旋喷桩止水帷幕，配合一层钢筋混凝土支撑+四层钢管支撑的支护体系。围护结构设计断面形式图1所示。 2 支撑轴力现场监测
2.1 测点布设 基坑内共设五道支撑，水平方向每20m布置一个轴力监测点，共布设10组，测点布设见图2。
支撑轴力的变化规律与基坑的施工情况有着密切的关系，不同的施工过程、基坑开挖后土体的暴露时间、支撑的及时架设和预应力施加都会影响基坑的稳定性和支撑轴力的变化，因此需要了解基坑的各主要施工阶段，具体见表2。
2.2 数据分析 本文选取具有代表性的2个监测断面支撑轴力进行分析，轴力变化曲线见图3～图4。每道钢支撑承受的最大轴力值汇总于表3。
监测数据表明，在钢支撑安装完成后的几天，支撑轴力有减小的趋势，后随基坑开挖深度的加大而逐渐加大，但各道支撑轴力的增加速率不同；当基坑内的土方开挖、支撑架设或结构施工到达某一工况时，支撑逐渐趋于平稳；第4层和第5层钢支撑轴力值偏小，说明底层围护结构稳定，作用在围护结构上的土压力主要集中在基坑上部1/3范围内。
钢支撑的轴力都不是单调递增或递减的，而是呈现反复变化跳跃式前进的状态，这与施工过程、气温变化、支撑杆受力等因素有关。因此，在监测过程中，应对钢支撑轴力的测量应尽量固定在每天的同一时段。
从表3中看出，在整个基坑施工过程中，四层钢支撑的轴力最大值（834kn、878kn、517kn、76kn）均远小于设计值（1800kn、3000kn、1600kn、1600kn），说明支撑体系是安全的，但支撑轴力的设计偏
于保守，应该充分考虑各影响因素，优化设计方案。 3 基于人工神经网络的深基坑支撑轴力预测研究
人工神经网络是一种旨在模仿人脑结构及其功能的信息处理系统[2，3]。它具有大规模并行处理[4]、分布式存储、容错性、自适应性、自学习和自组织[5]等特点。本文依据深基坑支撑系统的受力特点及现场实测数据，在合理设计的基础上，采用基于matlab平台的bp神经网络预测技术，对支撑轴力进行建模预测。 神经网络的训练和预测：bp神经网络的训练过程就是对网络中各层之间的连接权值进行学习和调整的过程，通过对网络结构的初始化，选择不同的网络参数（如迭代次数、学习率、目标等）进行反复计算，逐渐减小网络训练的误差并提高精度，最后建立起输入数据和输出数据之间的非线性关系，确定合理的神经网络结构和参数。bp神经网络的训练函数为train（net，p，t）函数，训练过程、训练效果图分别见图5和图7。bp神经网络的预测函数为sim（net，p）函数，预测效果图、预测目标和期望目标的线性回归分析分别见图8和图6。
通过对神经网络预测的钢支撑轴力值与实际监测值的综合对比分析表明，预测的钢支撑轴力值最大绝对误差小于20%，预测的结果基本反映了钢支撑轴力的变化趋势。 4 结语
①钢支撑轴力监测表明，钢支撑安装完成后支撑轴力呈现先减小后增大直至稳定的规律，但是轴力值出现反复变化跳跃式前进的现
象；整个施工过程中，四层钢支撑的最大轴力值都没有达到设计值，说明支撑体系是安全的，应该充分考虑各影响因素，优化设计方案。 ②采用人工神经网络对深基坑钢支撑轴力的预测进行研究，结果表明：采用该方法得到的预测数据和实测数据吻合较好，可以较为准确地反映出后期钢支撑轴力的变化趋势。运用人工神经网络预测钢支撑轴力是一种准确而有效的方法，对现场实际应用提供科学指导。 参考文献：
[1]ian flood， nabil katram.artificial neural networks for civil engineers： advanced features and applications[m]. asce， 1998.
[2]董军，胡上序.混沌神经网络研究进展和展望.信息与控制， 1997，26（5）： 360～368.
[3]朱大奇，史慧.人工神经网络原理及应用[m].北京： 科学出版社，2006.
[4]韩立群.人工神经网络理论、设计及应用[m].北京：化学工业出版社，2002.
[5]张纪兴.人工神经网络在中药研究领域的应用[j].广东药学院学报，2011（1）：23-28.
[6]薛新华，张我华，刘红军.基于遗传神经网络的锚杆极限承载力预测的研究[j].工程地质学报，2006，14（2）：249-252.
因篇幅问题不能全部显示，请点此查看更多更全内容