论文部分内容阅读
摘要：针对深基坑开挖过程中，围护结构形变预测难的问题，本文基于深度学习方法，以武汉市轨道交通6号线唐家墩站深基坑监测数据为例，提出了一种基于LSTM的深基坑变形预测方法， 实验证明了本文方法的有效性。
关键词：深度学习；深基坑；变形；预测
1引言
随着城市建设的发展，基坑开挖的深度已经越来越大，技术难度也越来越高。深基础工程的基坑开挖一直是建筑施工过程中的难题，而基坑围护结构形变的有效控制又是基坑工程成功开挖的关键。由于土体本构模型的高度非线性及土体参数的不确定性，给基坑围护结构形变的计算和预测带来了一定的困难。针对基坑形变预测研究，众多学者已经做了大量工作，目前常用的方法主要有三大类：（1）基于灰色模型的形变预测方法；文献[1] 使用了改进的灰色系统作为预测工具，对基坑周围建筑物的沉降进行了预测；文献[2] 利用变形监测灰色GM模型预测方法，分析基于小波变换前后的预测效果和精度水平；文献[3] 将时间序列分析与灰色系统理论相结合用于变形监测沉降数据预测（2）基于BP神经网络的形变预测方法。文献[4] 利用建立的BP神经网络模型分别预测深基坑围护产生的深层土体水平位移；文献[5]利用遗传算法，对BP神经网络初始权重和阈值进行优化，建立了关于深基坑地下连续墙围护结构水平位移的神经网络模型，并对该基坑测斜孔对应的围护结构水平位移进行预测。文献[6]综合利用小波理论、灰色模型、BP神经网络三种模型理论，设计了一种较好的预测方法。（3）回归分析法。文献[7]利用支持向量机的方法对基坑形变进行分析；文献[8] 提出了基于小波变换的LSSVM-ARMA（最小二乘支持向量机-自回归移动平均模型）模型，实现基坑变形时间序列滚动预测，文献[9] 利用随机森林模型进行影响变量评价及优选，基于优选的影响变量建立深基坑桩顶水平位移预测模型。
由此可见，通过对基坑形变预测研究，发现其具有可建模性、时间序列性。传统的神经网络无法实现延续性（保留对前序数据的理解），这似乎成了它们一个巨大的缺陷，近年来，随着深度学习的研究取得较大进展，长短时记忆网络Long Short-Term Memory（LSTM）作为循环神经网络（Recurrent Neural Network， RNN）的一种，在继承循环神经网络对时间序列优秀的记忆能力的前提下，克服了在 RNN 网络结构下较为遥远的历史信号无法传递至当前时刻的问题，凭借其对前序数据的学习能力和记忆功能，已被广泛应用于时序问题建模中，并证实了其有效性[10-14]。本文以武汉市地铁6号线唐家墩站深基坑监测数据为例，通过分析选取影响围护结构变形的因素，将 LSTM 扩展应用到深基坑围护结构变形预测中，并与传统方法进行比较，为基坑工程施工控制提供了新的思路，对基坑的施工安全具有现实的指导意义。
2工程概况
唐家墩地铁站是武汉市轨道交通6号线（地下三层站）的一座13.6米宽岛式站台。车站共设置8个出入口、2个消防疏散口和5组风亭。有效站台中心里程为K24+901.033，起点里程为右K24+801.733，终点里程为右K25+29.533，车站主体长度为227.8m。有效站台中心处基坑深度为25.7m，图1为基坑平面图。
场地地层自上而下主要由7大层组成：（1）人工填土层；（2）第四系全新统新近沉积形成的淤泥质土层；（3）第四系全新统冲积形成的一般粘性土层；（4）第四系全新统冲积形成的淤泥质土层及一般粘性土层；（5）第四系全新统冲积形成的粉砂夹粉土、粉质粘土过渡层；（6）第四系全新统冲积形成的粉砂层；（7）白垩—下第三系泥质粉砂岩层及砾岩层。地下水按赋存条件，可分为上部滞水、孔隙承压水和基岩裂隙水三种类型。
车站采用明挖法施工，局部采用盖挖法。根据本站周边环境、地质条件及现场情况，经综合考虑，其围护结构形式： 6号线主体基坑选用1000mm厚地下连续墙+六道内支撑，其中，盾构井段第一至五道采用砼支撑，第六道采用Φ800钢管支撑，标准段第一、四、五道采用砼支撑，其余采用Φ800钢管支撑，并倒撑一次。施工时间自2014年8月至2016年底正式开通运营。监测频率严格按照规范执行，为本研究提供了数据保证。
3 LSTM原理
LSTM属于循环神经网络RNN一种，其最大特点是引入了门控单元（Gated Unit）和记忆单元（Memory Cell） 。这些单元格有不同的组成部分，称为输入门、遗忘门和输出门。以下是LSTM单元格的图形表示：
首先，使用tanh激活函数将输入归化到-1和1之间。这可以表示为：
其中，Uθ和Vθ是之前单元的输出，作为下一个输入的权重。Bθ为输入偏移，指数g不是幂，而是表示这些是输入权重和偏置值（与输入门、遗忘门、输出门等相反）。
然后将这个调整后的输入按元素乘上输入门的输出，如上所述，输入门是一系列sigmoid激活节点：
LSTM单元输入部分的输出：
g。i
其中。表示元素乘。
遗忘门输出表示为：
前一状态和遗忘门的元素乘积的输出表示为：
遗忘门/状态循环阶段的输出为：
输出门表示为：
因此，经过tanh压缩后，单元格的最终输出为：
注意，在上面所有的公式中处理的都是向量
4模型建立
深基坑变形与众多因素有关，归纳起来为开挖进度、支护体系、土体属性、周边环境等诸多因素共同作用的结果。本研究主要考虑以下几个方面的影响因素：1.开挖进度，主要考虑开挖深度；2.岩土物理属性，主要包括极限黏聚力，内摩擦角，渗透系数，桩间土极限摩擦力，无侧限抗压强度，基床系数和天然重度；3.地下水条件方面，主要包括地下水位；4.支護结构方面，主要考虑支撑应力和围护结构内部应力5.周边环境，主要考虑基坑影响范围内地表沉降、立柱位移。综上，共14个模型参数。 本研究实验数据选取围护结构测斜数据来代表基坑维护结构的形变，按照基坑6层支撑的设计，在围护结构测斜数据对应各支撑标高处进行采样，基坑测斜管埋设40点，筛选正对支撑位置的作为研究数据，总共30处，排除中途被破坏点，选取能够贯穿整个工程的监测时序尽可能长的点，共计10个， 6个监测断面。沿着6个监测断面，6层标高，选取围护结构形变值作为训练和验证数据，对应剖面和标高的14个模型参数作为建模数据的特征值。特征值来源于监测数据、水文地质勘察数据。采样频率为3天，最终，通过筛选获取样本特征数据结构为：60*200*14（其中，60为监测点个数，200为采样次数，14为建模参数），对应位移数据为60*200。从训练数据中选取700个作为训练数据，500个作为验证数据。
LSTM网络结构使用两层LSTM叠加网络，每层网络32个神经元，为避免过拟合配备Dropout（0.5）层，最后为全连接层，输出为预测值。网络结构如图3所示。
5实验
为了验证本文方法，选取常用的几种回归计算方法，决策树回归（DecisionTree）、K近邻回归（KNN）、随机森林回归（RandomForest）、Adaboost回归、GradientBoosting（GBRT）回归、Bagging回归和ExtraTree极端随机数回归几种方法进行比较，评价指标为Root Mean Square Error （RMSE）。
图4为本文方法和各种传统回归方法比较结果，图中红色为围护结构形变预测值、绿色为真实值，纵轴单位CM，正负分别代表向坑外和坑内位移。由图4可知，本文提出的基于LSTM的預测方法精度较好，RMSE为0.052，胜过其他传统方法。证明了本文方法的有效性。传统回归方法中，GradientBoosting精度略好，RMSE为0.184左右。RandomForest作为近年来广泛使用的机器学习回归方法也有不错的表现，RMSE为0.285左右。
6结论
（1）基坑变形的有效控制是现代安全施工的关键。由于影响基坑围护结构形变因素众多，且无明显规律，因此对深基坑开挖过程中维护结构形变准确预测存在一定的困难，本文基于目前广泛研究的深度学习方法，针对基坑形变预测的特性，提出了一种LSTM的形变预测方法，实验证明了方法的有效性，研究为基坑施工的信息化控制预报提供了一个新的思路。
（2） 应该注意的是，本文采用的 LSTM方法属于一种智能化方法，它是建立在具有大量的训练数据，因此下一步，将搜集更多深基坑监测数据对模型进行强化，验证本文方法的模型是否具有迁移性。
参考文献：
[1]刘文生， 吴作启， 崔铁军， 等. 基于改进灰色系统的深基坑变形预测方法研究[J]. 中国安全生产科学技术， 2014，10（11）：21-26.
[2]岳仁宾， 滕德贵， 胡波， 等. 灰色模型在深基坑变形监测中的应用研究[J]. 测绘通报， 2014（S2）：85-87.
[3]唐争气， 谭志强. 灰色时序组合模型在基坑监测中的运用[J]. 测绘工程， 2014，23（02）：49-53.
[4]孟凡丽， 郑棋， 李燕， 等. 基于BP神经网络的深基坑围护变形预测[J]. 浙江工业大学学报， 2014，42（04）：367-372.
[5]李彦杰， 薛亚东， 岳磊， 等. 基于遗传算法-BP神经网络的深基坑变形预测[J]. 地下空间与工程学报， 2015，11（S2）：741-749.
[6]付博. 基于小波优化的灰色BP神经网络在深基坑变形预测中的应用[D]. 东华理工大学， 2016.
[7]渠孟飞， 谢强， 李朝阳， 等. 基于支持向量机的膨胀土深基坑变形预测研究[J]. 施工技术， 2016，45（19）：30-32.
[8]王丽芬. 基于LSSVM-ARMA地铁站基坑变形滚动预测分析[D]. 河北工程大学， 2017.
[9]林楠， 张文春， 刘鹰， 等. 基于随机森林模型的季节性冻区深基坑变形预测[J]. 地下空间与工程学报， 2018，14（S1）：357-362.
[10]赵盛杰. 基于脑电及卷积神经网络的抑郁症实时监测方法研究[D]. 兰州大学， 2018.
[11]史亚星. 基于深度学习的交通流量预测与可视化方法研究[D]. 北方工业大学， 2018.
[12]陈宁， 毛善君， 李德龙， 等. 多基站协同训练神经网络的PM2.5预测模型[J]. 测绘科学， 2018，43（07）：87-93.
[13]杨杰. 基于稀疏高斯伯努利受限玻尔兹曼机的故障分类[D]. 浙江大学， 2018.
[14]许石罗. 基于多源遥感影像的动态滑坡灾害空间预测模型研究[D]. 中国地质大学， 2018.
（作者单位：中铁上海工程局集团市政工程有限公司）
关键词：深度学习；深基坑；变形；预测
1引言
随着城市建设的发展，基坑开挖的深度已经越来越大，技术难度也越来越高。深基础工程的基坑开挖一直是建筑施工过程中的难题，而基坑围护结构形变的有效控制又是基坑工程成功开挖的关键。由于土体本构模型的高度非线性及土体参数的不确定性，给基坑围护结构形变的计算和预测带来了一定的困难。针对基坑形变预测研究，众多学者已经做了大量工作，目前常用的方法主要有三大类：（1）基于灰色模型的形变预测方法；文献[1] 使用了改进的灰色系统作为预测工具，对基坑周围建筑物的沉降进行了预测；文献[2] 利用变形监测灰色GM模型预测方法，分析基于小波变换前后的预测效果和精度水平；文献[3] 将时间序列分析与灰色系统理论相结合用于变形监测沉降数据预测（2）基于BP神经网络的形变预测方法。文献[4] 利用建立的BP神经网络模型分别预测深基坑围护产生的深层土体水平位移；文献[5]利用遗传算法，对BP神经网络初始权重和阈值进行优化，建立了关于深基坑地下连续墙围护结构水平位移的神经网络模型，并对该基坑测斜孔对应的围护结构水平位移进行预测。文献[6]综合利用小波理论、灰色模型、BP神经网络三种模型理论，设计了一种较好的预测方法。（3）回归分析法。文献[7]利用支持向量机的方法对基坑形变进行分析；文献[8] 提出了基于小波变换的LSSVM-ARMA（最小二乘支持向量机-自回归移动平均模型）模型，实现基坑变形时间序列滚动预测，文献[9] 利用随机森林模型进行影响变量评价及优选，基于优选的影响变量建立深基坑桩顶水平位移预测模型。
由此可见，通过对基坑形变预测研究，发现其具有可建模性、时间序列性。传统的神经网络无法实现延续性（保留对前序数据的理解），这似乎成了它们一个巨大的缺陷，近年来，随着深度学习的研究取得较大进展，长短时记忆网络Long Short-Term Memory（LSTM）作为循环神经网络（Recurrent Neural Network， RNN）的一种，在继承循环神经网络对时间序列优秀的记忆能力的前提下，克服了在 RNN 网络结构下较为遥远的历史信号无法传递至当前时刻的问题，凭借其对前序数据的学习能力和记忆功能，已被广泛应用于时序问题建模中，并证实了其有效性[10-14]。本文以武汉市地铁6号线唐家墩站深基坑监测数据为例，通过分析选取影响围护结构变形的因素，将 LSTM 扩展应用到深基坑围护结构变形预测中，并与传统方法进行比较，为基坑工程施工控制提供了新的思路，对基坑的施工安全具有现实的指导意义。
2工程概况
唐家墩地铁站是武汉市轨道交通6号线（地下三层站）的一座13.6米宽岛式站台。车站共设置8个出入口、2个消防疏散口和5组风亭。有效站台中心里程为K24+901.033，起点里程为右K24+801.733，终点里程为右K25+29.533，车站主体长度为227.8m。有效站台中心处基坑深度为25.7m，图1为基坑平面图。
场地地层自上而下主要由7大层组成：（1）人工填土层；（2）第四系全新统新近沉积形成的淤泥质土层；（3）第四系全新统冲积形成的一般粘性土层；（4）第四系全新统冲积形成的淤泥质土层及一般粘性土层；（5）第四系全新统冲积形成的粉砂夹粉土、粉质粘土过渡层；（6）第四系全新统冲积形成的粉砂层；（7）白垩—下第三系泥质粉砂岩层及砾岩层。地下水按赋存条件，可分为上部滞水、孔隙承压水和基岩裂隙水三种类型。
车站采用明挖法施工，局部采用盖挖法。根据本站周边环境、地质条件及现场情况，经综合考虑，其围护结构形式： 6号线主体基坑选用1000mm厚地下连续墙+六道内支撑，其中，盾构井段第一至五道采用砼支撑，第六道采用Φ800钢管支撑，标准段第一、四、五道采用砼支撑，其余采用Φ800钢管支撑，并倒撑一次。施工时间自2014年8月至2016年底正式开通运营。监测频率严格按照规范执行，为本研究提供了数据保证。
3 LSTM原理
LSTM属于循环神经网络RNN一种，其最大特点是引入了门控单元（Gated Unit）和记忆单元（Memory Cell） 。这些单元格有不同的组成部分，称为输入门、遗忘门和输出门。以下是LSTM单元格的图形表示：
首先，使用tanh激活函数将输入归化到-1和1之间。这可以表示为：
其中，Uθ和Vθ是之前单元的输出，作为下一个输入的权重。Bθ为输入偏移，指数g不是幂，而是表示这些是输入权重和偏置值（与输入门、遗忘门、输出门等相反）。
然后将这个调整后的输入按元素乘上输入门的输出，如上所述，输入门是一系列sigmoid激活节点：
LSTM单元输入部分的输出：
g。i
其中。表示元素乘。
遗忘门输出表示为：
前一状态和遗忘门的元素乘积的输出表示为：
遗忘门/状态循环阶段的输出为：
输出门表示为：
因此，经过tanh压缩后，单元格的最终输出为：
注意，在上面所有的公式中处理的都是向量
4模型建立
深基坑变形与众多因素有关，归纳起来为开挖进度、支护体系、土体属性、周边环境等诸多因素共同作用的结果。本研究主要考虑以下几个方面的影响因素：1.开挖进度，主要考虑开挖深度；2.岩土物理属性，主要包括极限黏聚力，内摩擦角，渗透系数，桩间土极限摩擦力，无侧限抗压强度，基床系数和天然重度；3.地下水条件方面，主要包括地下水位；4.支護结构方面，主要考虑支撑应力和围护结构内部应力5.周边环境，主要考虑基坑影响范围内地表沉降、立柱位移。综上，共14个模型参数。 本研究实验数据选取围护结构测斜数据来代表基坑维护结构的形变，按照基坑6层支撑的设计，在围护结构测斜数据对应各支撑标高处进行采样，基坑测斜管埋设40点，筛选正对支撑位置的作为研究数据，总共30处，排除中途被破坏点，选取能够贯穿整个工程的监测时序尽可能长的点，共计10个， 6个监测断面。沿着6个监测断面，6层标高，选取围护结构形变值作为训练和验证数据，对应剖面和标高的14个模型参数作为建模数据的特征值。特征值来源于监测数据、水文地质勘察数据。采样频率为3天，最终，通过筛选获取样本特征数据结构为：60*200*14（其中，60为监测点个数，200为采样次数，14为建模参数），对应位移数据为60*200。从训练数据中选取700个作为训练数据，500个作为验证数据。
LSTM网络结构使用两层LSTM叠加网络，每层网络32个神经元，为避免过拟合配备Dropout（0.5）层，最后为全连接层，输出为预测值。网络结构如图3所示。
5实验
为了验证本文方法，选取常用的几种回归计算方法，决策树回归（DecisionTree）、K近邻回归（KNN）、随机森林回归（RandomForest）、Adaboost回归、GradientBoosting（GBRT）回归、Bagging回归和ExtraTree极端随机数回归几种方法进行比较，评价指标为Root Mean Square Error （RMSE）。
图4为本文方法和各种传统回归方法比较结果，图中红色为围护结构形变预测值、绿色为真实值，纵轴单位CM，正负分别代表向坑外和坑内位移。由图4可知，本文提出的基于LSTM的預测方法精度较好，RMSE为0.052，胜过其他传统方法。证明了本文方法的有效性。传统回归方法中，GradientBoosting精度略好，RMSE为0.184左右。RandomForest作为近年来广泛使用的机器学习回归方法也有不错的表现，RMSE为0.285左右。
6结论
（1）基坑变形的有效控制是现代安全施工的关键。由于影响基坑围护结构形变因素众多，且无明显规律，因此对深基坑开挖过程中维护结构形变准确预测存在一定的困难，本文基于目前广泛研究的深度学习方法，针对基坑形变预测的特性，提出了一种LSTM的形变预测方法，实验证明了方法的有效性，研究为基坑施工的信息化控制预报提供了一个新的思路。
（2） 应该注意的是，本文采用的 LSTM方法属于一种智能化方法，它是建立在具有大量的训练数据，因此下一步，将搜集更多深基坑监测数据对模型进行强化，验证本文方法的模型是否具有迁移性。
参考文献：
[1]刘文生， 吴作启， 崔铁军， 等. 基于改进灰色系统的深基坑变形预测方法研究[J]. 中国安全生产科学技术， 2014，10（11）：21-26.
[2]岳仁宾， 滕德贵， 胡波， 等. 灰色模型在深基坑变形监测中的应用研究[J]. 测绘通报， 2014（S2）：85-87.
[3]唐争气， 谭志强. 灰色时序组合模型在基坑监测中的运用[J]. 测绘工程， 2014，23（02）：49-53.
[4]孟凡丽， 郑棋， 李燕， 等. 基于BP神经网络的深基坑围护变形预测[J]. 浙江工业大学学报， 2014，42（04）：367-372.
[5]李彦杰， 薛亚东， 岳磊， 等. 基于遗传算法-BP神经网络的深基坑变形预测[J]. 地下空间与工程学报， 2015，11（S2）：741-749.
[6]付博. 基于小波优化的灰色BP神经网络在深基坑变形预测中的应用[D]. 东华理工大学， 2016.
[7]渠孟飞， 谢强， 李朝阳， 等. 基于支持向量机的膨胀土深基坑变形预测研究[J]. 施工技术， 2016，45（19）：30-32.
[8]王丽芬. 基于LSSVM-ARMA地铁站基坑变形滚动预测分析[D]. 河北工程大学， 2017.
[9]林楠， 张文春， 刘鹰， 等. 基于随机森林模型的季节性冻区深基坑变形预测[J]. 地下空间与工程学报， 2018，14（S1）：357-362.
[10]赵盛杰. 基于脑电及卷积神经网络的抑郁症实时监测方法研究[D]. 兰州大学， 2018.
[11]史亚星. 基于深度学习的交通流量预测与可视化方法研究[D]. 北方工业大学， 2018.
[12]陈宁， 毛善君， 李德龙， 等. 多基站协同训练神经网络的PM2.5预测模型[J]. 测绘科学， 2018，43（07）：87-93.
[13]杨杰. 基于稀疏高斯伯努利受限玻尔兹曼机的故障分类[D]. 浙江大学， 2018.
[14]许石罗. 基于多源遥感影像的动态滑坡灾害空间预测模型研究[D]. 中国地质大学， 2018.
（作者单位：中铁上海工程局集团市政工程有限公司）