2023年深基坑支護結構與變形控制01 深基坑變形觀測規(guī)范大全

范文為教學中作為模范的文章，也常常用來指寫作的模板。常常用于文秘寫作的參考，也可以作為演講材料編寫前的參考。范文怎么寫才能發(fā)揮它最大的作用呢？以下是我為大家搜集的優(yōu)質(zhì)范文，僅供參考，一起來看看吧

深基坑支護結構與變形控制01 深基坑變形觀測規(guī)范篇一

導語：基坑支護體系是臨時結構，安全儲備較小，具有較大的風險性。基坑工程施工過程中應進行監(jiān)測，并應有應急措施。在施工過程中一旦出現(xiàn)險情，需要及時搶救。 在開挖深基坑時候注意加強排水防灌措施，風險較大應該提前做好應急預案。

近年來,隨著建設的發(fā)展,基坑工程的數(shù)量越來越多,而且深基坑工程無論在數(shù)量上還是在難度上都有大幅度提高,使得在深基坑工程中發(fā)生的事故也越來越多,造成了重大的經(jīng)濟損失。深基坑工程中的最大問題是由于開挖引起周圍土體變形,從而導致周圍的建筑物和地下管線等設施的破壞?；幼冃蔚谋O(jiān)測及其預報的研究引起工程技術人員的廣泛重視。

深基坑變形一方面基坑的變形受其結構特征和所在環(huán)境的制約,有其自身的內(nèi)在規(guī)律性,反映在監(jiān)測數(shù)據(jù)上是其觀測序列隨時間變化;另一方面基坑施工過程中往往出現(xiàn)受某種因素的干擾,表現(xiàn)為定期觀測的變形位移的數(shù)據(jù)具有一定的隨機性。目前,基坑設計時主要采用m法和有限元等方法進行變形估算,但由于理想模型與實際工況的差別、計算參數(shù)難以正確確定等因素的影響,使得計算得到的變形值與實際變形量相差較大。因此,至關重要的是尋求一種對基坑變形更為有效的預測方法。人工神經(jīng)網(wǎng)絡則具有解決復雜的、不確定性的、非線性問題的能力,特別適合解決巖土工程問題。在基坑變形預測方面比常規(guī)方法有明顯的優(yōu)勢。

本文以人工神經(jīng)網(wǎng)絡為基礎,利用其強大的非線性映射能力,以已有的實測數(shù)據(jù)為樣本,建立深基坑單支點排樁支護結構最大側向位移的預測模型,實現(xiàn)對深基坑變形的非線性預測。

神經(jīng)網(wǎng)絡是由大量的神經(jīng)元廣泛連接而成。人工神經(jīng)元是對神經(jīng)元的模擬，是一個多輸入，單輸出的非線性模型，它的輸入輸出關系用傳遞函數(shù)(也叫激勵函數(shù))來表示。常用的傳遞函數(shù)有：閥值函數(shù)，線性函數(shù)，s形函數(shù)(sigmoid),徑向基函數(shù)等。根據(jù)人工神經(jīng)元的連接方式不同，神經(jīng)網(wǎng)絡可分成兩大類：分層結構的網(wǎng)絡、相互結合網(wǎng)絡。圖1、圖2分別為三層前向網(wǎng)絡結構圖和神經(jīng)元結構模型。

目前已有數(shù)十種神經(jīng)網(wǎng)絡模型，這些模型大致可分為三大類：前向網(wǎng)絡(feedforwardnns)、反饋網(wǎng)絡(feedbacknns)和自組織網(wǎng)絡(self-organizingnns)。常用的網(wǎng)絡模型有：bp網(wǎng)絡、徑向基網(wǎng)絡，概率神經(jīng)網(wǎng)絡、自組織特征映射網(wǎng)絡、hopfield回歸網(wǎng)絡、elman遞歸網(wǎng)絡等。這些各式各樣的模型從不同的角度對生物神經(jīng)系統(tǒng)進行不同層次的描述和模擬，各自有自己的適用范圍和優(yōu)缺點。

圖1：三層前向網(wǎng)絡結構圖圖2：神經(jīng)元結構模型

神經(jīng)網(wǎng)絡對非線性問題有強大而準確的'映射能力。1987年，roberthecht-nielsen提出了kolmogorov多層神經(jīng)網(wǎng)絡映射存在定理，從理論上證明了，包含一個隱層的三層神經(jīng)網(wǎng)絡可對任何的連續(xù)的非線性函數(shù)進行任意精度的逼近。正是由于神經(jīng)網(wǎng)絡具有這個特性，使得神經(jīng)網(wǎng)絡被廣泛應用到各個領域。

另外，神經(jīng)網(wǎng)絡不需要復雜的建模分析過程，它能自己對樣本進行學習，學習樣本數(shù)據(jù)之中隱含的規(guī)律，精確地確定輸入數(shù)據(jù)和目標之間存在的映射關系;神經(jīng)網(wǎng)絡還具有較好的魯棒性(容錯性)，還具有過濾噪聲和在線應用等特性。

神經(jīng)網(wǎng)絡方法是一種“數(shù)據(jù)驅(qū)動”型方法，樣本數(shù)據(jù)是它的基礎。本文采用文獻提供的樣本數(shù)據(jù)，如表1所列。這些數(shù)據(jù)為某地區(qū)已建深基坑支護結構典型工程樣本數(shù)據(jù)。利用1～12號工程數(shù)據(jù)作為訓練集,13～16號工程數(shù)據(jù)作為測試集,最后都對輸入、目標數(shù)據(jù)進行歸一化處理。

表1 某地區(qū)深基坑支護結構工程資料

影響深基坑變形的因素很多,如開挖深度、支護樁的樁長,支護樁的剛度、土層強度、開挖時間、地下水，支撐條件等。在建立ann模型時,應采用主要的影響因素作為bp網(wǎng)絡輸入層參數(shù)。本文最后確定輸入輸出層如下：

輸入層。支撐彈性常數(shù)，圍護樁的剛度，支撐點與開挖深度的比值，土體的值，土體的c值，基坑開挖深度，樁的入土深度。

輸出層。只有一個輸出值:開挖最終狀態(tài)時支護樁頂端的最大位移量。

由于神經(jīng)網(wǎng)絡對其輸人數(shù)據(jù)取值有一定的限制，因此對于訓練和檢驗樣本,首先要進行正則化轉換。本文使用如下的正則化轉換方法。如果變量的最大值和最小值分別為vmax和vmin,神經(jīng)網(wǎng)絡的限制范圍是amax和amin,對于變量v可用式(1)進行變換,對于神經(jīng)網(wǎng)絡的輸出值a可用式(2)轉換為變量v。

目前還不存在通用的理論來確定前向網(wǎng)絡的隱層和隱節(jié)點數(shù)。理論分析表明，具有單隱層的前向網(wǎng)絡可以以任意精度映射任何的連續(xù)函數(shù)，只有當學習不連續(xù)函數(shù)(如鋸齒波等)時，才需要兩隱層。對深基坑變形進行預測，建立地質(zhì)條件、樁的幾何尺寸及樁體材料強度等與深基坑變形之間的關系，用到的就是神經(jīng)網(wǎng)絡的“函數(shù)逼近”功能。本研究選用只有一個隱層的前向網(wǎng)絡，而隱節(jié)點數(shù)采用試湊法來確定，最后采用8個節(jié)點單元。用levenberg-marquardt算法進行訓練。lm算法比常規(guī)的bp算法的收斂速度快很多。

下式為lm算法的權重和偏置的更新規(guī)則：

這里，是權重的改變，是偏置的改變，j是每個權重(或偏置)的誤差得到的雅可比矩陣，i是同一性矩陣，e是一個誤差向量，是一個數(shù)量，它的大小決定了是用梯度下降法還是高斯-牛頓法來計算和。

選用非線性傳遞函數(shù)的目的是構造非線性系統(tǒng)。在隱層使用雙曲正切s形函數(shù)(hyperbolictangent),在輸出層使用對數(shù)s形函數(shù)(log-sigmoid)，保證輸出的數(shù)值范圍為[0，1]。雙曲正切s形函數(shù)，對數(shù)s形函數(shù)分別如下：

訓練的目標誤差用mse(meanofsquarederrors)來表示。式(6)中ei為各誤差率。

本文所構建的神經(jīng)網(wǎng)絡全部利用matlab神經(jīng)網(wǎng)絡工具箱實現(xiàn)的。網(wǎng)絡使用1～12號工程數(shù)據(jù)作為訓練集,13～16號工程數(shù)據(jù)作為測試集，mse目標為0.01，初始學習率取0.1，經(jīng)過212個周期的訓練，達目標誤差。結果如表2。從結果可知，神經(jīng)網(wǎng)絡的評估預測準確率是很高的。

本文應用人工智能領域中的神經(jīng)網(wǎng)絡知識，提出一種深基坑變形預測的方法。使用12個實際工程數(shù)據(jù)對神經(jīng)網(wǎng)絡進行訓練，并對4個實際工程數(shù)據(jù)進行計算，結果是神經(jīng)網(wǎng)絡模型計算得出的深基坑變形預測值與實測值最大誤差約為12%。這說明應用神經(jīng)網(wǎng)絡模型計算深基坑變形是可行的。

另外，影響深基坑變形的因素具有復雜性和多變性,采用人工神經(jīng)網(wǎng)絡建立模型要根據(jù)實際情況，采用影響變形的主要因素作為輸入層參數(shù),以提高預測的準確度。對于樣本的選擇，由于各地的地質(zhì)條件有所差別，深基坑工程帶有明顯的地區(qū)性，選擇樣本應該考慮地區(qū)差別的問題。

【關于深基坑支護的變形預測】相關文章：

1.大型深基坑支護施工技術整理2.深基坑常見施工支護形式歸納3.基坑支護施工要點4.公路邊坡常用支護方式5.支護組合形式優(yōu)秀案例匯總6.coreldraw如何使拉鏈變形7.淺基坑有哪些常用的支護方法8.長期美甲會讓指甲變形