摘要:利用支持向量机理论对深基坑支护结构的变形量进行分析和预测,建立了预测支护结构最大变形量的支持向量机预测模型。预测结果表明,该预测模型有很高的预测精度,并应用于南京市某地铁站实际工程。

　　0 引言

　　目前,在城市基坑工程设计与施工中,对基坑变形控制要求越来越严格。基坑围护结构变形使外侧地层发生损失而引起地面沉降,增加了外侧土体向坑内的位移和相应的坑内隆起。同样的地质和埋深条件下,深基坑周围地层变形范围及幅度,因围护结构的变形不同有很大差别,围护结构变形往往是引起周围地层移动的重要原因。能否比较准确的预测出围护结构的变形对基坑工程的设计与施工都有极其重要的意义。但是在地铁车站深基坑开挖过程中,支护结构的变形与其影响因素之间存在极其复杂的非线性关系。对于这一非线性关系的模拟和识别,有很多种方法,如模糊数学、BP神经网络和遗传算法等。这些方法都有一些不令人满意的地方,如BP神经网络则有过拟合、大样本和易陷入局部极值等问题。近年来,基于统计学习理论的支持向量机算法具有完备的理论基础和严格的理论体系,在很多领域获得成功的应用。其良好的小样本、非线性及升维及泛化性好等许多优良的特性引起了岩土工程界的重视。本文应用支持向量机算法,建立预测模型来预测支护结构的变形量,并将之应用到南京地铁二号线逸仙桥站深基坑西侧端头井围护结构变形值的预测中。

　　1 支持向量机原理[1,2]

　　SVR算法的基础主要是ε不敏感函数(ε-insensitivefunction)和核函数算法。若将拟合的数学模型表达为多维空间的某一曲线,则根据ε不敏感函数所得的结果,就是包括该曲线和训练点的“ε管道”。在所有样本点中,只有分布在“管壁”上的那一部分样本点决定管道的位置。这一部分训练样本称为“支持向量”(supportvectors)。为适应训练样本集的非线形,传统的拟合方法通常是在线性方程后面加高阶项。此法诚然有效,但由此增加的可调参数未免增加了过拟合的风险。SVR采用核函数解决这一矛盾。用核函数代替线形方程中的线性项可以使原来的线性算法“非线性化”,即能作非线性回归。引进核函数达到了“升维”的目的。

　　支持向量机理论只考虑高维特征空间的点积运算K(xi,xj)=Φ(xi)·Φ(xj),而不直接使用函数Φ,从而巧妙地解决了因Φ未知而w无法显式表达的问题,称K(xi,xj)为核函数。已经证明,只要满足Mercer条件的对称函数即可作为核函数,常用的核函数有:

　　1)多项式核函数K(xi,xj)=(xi·xj+1)d,d=1,2,…;

　　2 基坑支护结构变形预测的支持向量机模型

　　2.1 支护结构变形与位移的影响因素

　　影响地铁车站深基坑支护结构变形的因素是多方面的[4,5]。根据施工经验及相关文献资料分析,除围护结构本身及周围土体特性外,支护结构变形值也较多地受施工因素的影响,主要有以下几方面的因素。

　　1)围护结构的刚度。地下连续墙一般刚度较大,其次是人工挖孔桩及直径较大的钻孔桩,钢板桩与预制的钢筋混凝土桩刚度较小。一般说来,围护墙的刚度越大,墙体变形也越小。

　　2)围护墙在坑底以下的入土深度。围护墙的入土深度越大,则位移与变形将越小。

　　3)土层强度。土体的C、Φ值越大,则主动土压力越小,被动土压力越大,围护墙的位移将越小。对于墙前土如用深层搅拌法或高压喷射注浆加固,也能显著减小围护墙的位移,同理在墙后用同样的方法加固,在起止水作用的同时,也对增大维护墙整体刚度起一定的作用,从而可减小墙体的位移。

　　4)地下水的影响。墙后地下水位高时,土压力增大,将增大墙体的位移,特别是出现流沙与管涌的渗流破坏时,更将增大墙体的位移。

　　5)支撑方式。当墙厚已定时,加密支撑可有效控制位移。

[1] [2] [3] 下一页