论文部分内容阅读
基坑是根据建筑工程设计的基准面尺寸和基础标高在基础设计位置挖掘的一种土坑,其开挖方案要根据当地地质结构、气候水文环境以及附近构筑物的情况制定,并且要做好基坑相应的防水排水工作。近年来随着我国城市化进程不断加速,超高层建筑、超大型商场、地铁项目不断增多,基坑工程的规模也不断扩深、扩大。在基坑开挖过程中,坑内开挖卸荷会导致其结构在内外部分之间的压力差下移位,引起基坑围护外部土体结构产生形变,最后造成基坑的沉降或移动。同时,还受到气候、地理环境和其它各种不确定因素影响,因此,基坑监测领域也有许多问题值得研究。传统的基坑监测方法工作量大、耗费时间也较多,监测过程中存在着基坑监测点定位不准确、精度低的问题。大多数基坑监测只注重形变后的监测结果反馈,而忽视位移形变的提前预警,经常在发现形变位移后才采取补救支护措施,这样就错失了支护修复的最佳时间,也带来重大的安全隐患。针对上述问题,本文提出一种基于神经网络的基坑形变预测方法,并应用在S市某基坑监测项目中。首先利用视觉近景摄影测量技术,运用误差补偿方法从减少相机标定误差的角度来提高识别精度,从而优化基坑监测点位置中心的精度。随后本文采用遗传神经网络方法来预测基坑可能发生的形变位移,并以实际工程数据集为实验数据,对遗传神经网络方法在基坑形变预测的效果进行了全面、深入的分析。从水平位移、竖直位移、水平位移与竖直位移结合三种角度来预测基坑位移形变,实验结果显示同时考虑水平和竖直位移预测结果更加准确。同时,通过时间维度与空间维度及其特征相关性准确建模位移预测,分别对时域(仅时间序列)特征、空域(仅相邻点)特征、时域空域特征结合进行了量化分析与研究,实验结果显示,同时考虑时间序列特征和空间相邻点特征预测的结果更加准确。最后本文方法与其它典型的机器学习方法进行了比较,主要是与支持向量机回归、随机森林回归方法进行了比较实验,实验结果显示遗传算法优化后的逆向传播神经网络预测结果相对误差最大值约为0.36%,预测误差基本都在-0.05-0.05mm内浮动,拟合指数达到0.9835分别比BP神经网络、支持向量机回归和随机森林回归提高0.0601、0.1318和0.1915。近景摄影测量获取监测数据、考虑不同特征影响运用遗传算法优化神经网络预测基坑形变为智能化基坑监测提供了新思路,提高了基坑监测实时性与预知性,可以降低基坑群体群伤事故的发生率,为绿色城市发展、城市安全健康发展提供保障。