深基坑监测数据分析及变形预测分析

深基坑监测数据分析及变形预测分析

黄昌

身份证号： 452225199107050***

摘要：现如今，随着城市化进程的速度不断加快，城市土地资源紧张问题也越来越严重，在这种情况下，建筑工程深基坑的开发也在城市发展中得到了大量的应用。在深基坑在施工过程中，通过对基坑进行监测，根据前期监测数据，对基坑下一期的变形情况进行预测，不仅了解基坑工程施工对的周围环境的影响和施工的安全性，同时也可以确保施工工程可以顺利完成。为此，本文主要以某深基坑工程实际为例，并将深基坑的监测数据作为基础，通过对监测数据进行分析，完成变形的预测，从而为工程施工提供指导帮助，具体内容如下。

关键词：深基坑；监测数据；变形预测；施工；

前言：目前由于我国经济水平的不断提升，也进一步促进了城市化进程的发展，在城市内越来越多的地下建筑、高层建筑以及隧道等建设工程数量和规模都在不断扩大，但是因为城市内的土地资源有限，也增加了城市建设土地的价格，因此，为了能够更加节省城市内的土地资源，提高整个城市的土地空间利用效率，在建筑工程中利用地下空间完成基坑工程已经成为了城市内开发地下空间以及高层建筑的重要施工部分。

一、工程概况

本文以某是深基坑工程的实测数据作为研究数据，该建设工程的规模约为：110000m2，地面空间为20层，地下空间为5层，整体建筑高度为81米，建筑形式为混合框架与钢筋混凝土核心筒结构。深基坑的开挖深度为：25.06。本次工程周围比邻汽车大厦、京信大厦以及高层公寓等高层建筑。所采取的坑支护方式为土钉墙支护结构和护坡桩支护结构。主要监测数据为基坑的沉降观测以及水平位移观测，共设置21个监测点，并在周围建筑物地表设置70个监测点。

二、深基坑监测数据处理与变形预测分析

（一）建立样本模型

本次研究中选择深基坑工程中某1沉降监测，点钟的沉降监测数据作为研究样本，根据工程的实际情况取数据的相对值，并采用预处理的方法对原始数据进行处理。在对原始数据进行预处理时，先采用BP神经网络模型处理数据，并根据工程施工情况合理选择训练样本与测试样本，将经过预处理后的数据序列作为重点研究对象，最后进行变形预测分析^[1]。

（二）预测结果分析

采用灰色系统模型与BP神经网络模型对样本数据进行处理与分析，在这其中，神经网络预测模型主要就是利用MATLAB程序进行处理，而后经过调试匹配合理的参数，这样一来就可以达到良好的预测效果。基于本次工程的实际情况，分别采用输入层、两层隐含层和输出层四层神经网络进行研究，其中隐含层中的第1层结点数，选择30个，而第2层则选择40个，最大的训练次数达到50000余次，训练速度则为0.01，这样一来，所获得的预测结果的精准度就可以完全满足精度方面的要求，其具体变形曲线图如图1所示。

图1 灰色系用法模型的变形曲线预测与BP神经网络的变形曲线预测

根据数据分析结果可知，BP神经网络模型中的拟合曲线前期误差比较大，而后期的预测值误差则比较小，因此为了能够达到优化模型的目的，他将灰色系统的拟合值误差作为本次的输入样本，而将BP神经网络模型的拟合值误差，作为输出样本，最后在进行误差的拟合，将实际监测的数据值与输出的误差序列进行相减，从而对监测数据的拟合值进行优化。

从分析结果可知,BP神经网络模型与灰色系统模型的拟合值误差都比较小，且均低于1%，副。预测变形的要求，而采用BP神经网络模型，其实际的拟合值差值更小，但是灰色系统的拟合曲线则更符合实际的变形曲线。

由上述分析数据表明，采用灰色系统模型拟合基坑前期的沉降数据，并利用灰色系统模型将所有数据的拟合值误差作为训练样本，这样一来就可以对BP神经网络模型的预测值进行优化^[2]。

四、研究结果分析

通过对某深基坑工程的某监测点数据进行预测和分析，经过结果表明BP神经网络的预测效果更好，而灰色系统法预测后的误差值比较大，而且其变形曲线与实际的曲线之间也出现明显的不符。

（一）灰色系统模型的拟合与预测误差值都比较小，均低于5%，完全符合精确度的要求，但是误差曲线的波动是比较大，无法长时间保持平稳的状态。因为实际变形曲线和预测曲线之间的变化趋势相差比较大，无法对前期的监测数据进行合理的利用，更加不能预测出未来曲线的变形情况，所以应采取相应的保护措施，以此达到预测基坑变形的最终目的，因此，不可以将此模型的预测结果作为分析基坑沉降变形的根据。

（二）BP神经网络模型的拟合结果精确度比较高，且误差率比较小，均低于1%，误差图在前期所形成的波动比较大，而后期逐渐趋于平稳，这也就说明该模型的预测效果比较好，而且也能够通过模型直接观测出实际变形曲线和预测变形曲线的趋势，二者呈现相符的状态，所以可以利用该模型达到预测变形的目的。但是与灰色系统模型相比，该模型系统前期与后期的数据拟合误差比较大，所以应该根据这一特点，对分析数据进行适当的优化，合理的利用灰色系统模型中的拟合误差值改善BP神经网络模型的拟合误差值，完成优化后，可以有效的改善BP神经网络模型的预测效果，甚至可以使后期的预测曲线完全符合实际变形曲线

^[3]。

（三）通过对前期的数据进行分析，并将前期所观测到的沉降数据进行提取，分别采用两种方法对数据进行处理，从而得到拟合值，这样一来，在短期内BP神经网络模型与灰色系统模型的预测误差值都比较小，完全符合深基坑变形预测的要求，相比之下,BP神经网络模型的精确度更高，淡灰色系统法所预测出的变形曲线则与实际的变形曲线更加符合，因此对于短期的变形预测，采用灰色系统模型进行预测的效果更好。

（四）将灰色系统模型与BP神经网络模型进行结合，利用灰色系统对前期深基坑的变形情况进行拟合，后期使用BP神经网络模型进行预测，并持续使用灰色系统法中的拟合误差值对其进行优化，从而有效的提高预测效果。在深基坑开挖的过程中，如果变形出现比较大的变化，可以及时采取干预措施进行调整，甚至可以直接改变设计参数或调整施工工艺，从而确保基坑与邻近建筑物不会因为团体的位移或者其他因素而遭到破坏，确保施工建设可以顺利完成。

结束语：在进行深基坑开挖的过程中，非常有可能受到周围建筑物所带来的影响，从而增加了施工困难，所以在进行深基坑挖掘时应对监测数据进行分析并预测变形情况，防止出现基坑过大变形的情况，降低对周围建筑物所造成的影响，确保施工的安全性，提高施工质量。

参考文献：

[1]豆红磊,王景环,李军伟,杨智军,卢海军.Lagrange修正的动态GM(1,1)模型在基坑变形预测中的应用[J].测绘地理信息,2020,45(03):111-114.

[2]刘畅.基于改进ARMA模型在地铁基坑变形预测的应用研究[J].国防交通工程与技术,2020,18(01):25-27.

[3]郭健,陈健,胡杨.基于小波智能模型的地铁车站基坑变形时序预测分析[J].岩土力学,2020,41(S1):299-304.