基于机器学习的深基坑人字形支护变形预测

Abstract

背景：地下空间开发-深基坑-支护-人字形支护

研究方法与内容：基于100组FLAC3D差分元，使用BP\SVM\CART\RF机器学习算法的变形分析模型

主要结论：桩顶水平位移、基坑周边沉降影响因素大小，HRS-ANN模型的预测与准确性

Introduction

大帽子：经济发展深基坑数量变多，挑战增大

小帽子：基坑事故中，结构不合理占比大，-陈从新提出的新基坑

机器学习：智能算法、机器学习、模糊分析、计算机方法与岩土工程结合

主要研究：100个有限差分模型数据，进行训练有着良好的预测效果

2 机器学习变形预测方法的建立

2.1 机器学习变形预测方法流程

2.2 数据获取与分析

有限差分元模型的建立

输入输出数据分析CCA典型相关分析

C 、$\psi$是输入变量中的主要贡献因素，基坑周边沉降是输出变量中的主要贡献因素

2.3 机器学习预测网络

神经网络：

输入层--土体的体积模量、剪切模量、粘 聚力、内摩擦角、密度及斜桩的长度、斜桩与基坑 侧壁间的夹角

隐含层--5-15节点试验后选取13节点为最终层数

输入层--桩顶水平位移、基坑边缘0.4m处的沉降

SVM：四种内核+粒子群优化算法

线性核（linear）、多项 式核（poly）、高斯径向基函数（rbf）和双曲正切函数（sigmoid）

CART：

子节点-1个样本；节点-2个样本

RF：

回归数目为100

3 计算结果与分析

HRS-ANN为最优（不就是BP换了一个唬人的名字罢了）

3.1 四类学习模型预测精度对比

基于 BP 神经网络的变形预测模型（HRS-ANN）最好

3.2 HRS-ANN模型性能分析

3.3 模型预测数据与目标数据对比

改变斜桩长度：

改变倾角：

桩顶水平位移--具有较高精度

基坑周边沉降--数值上较为接近，趋势上存在一定偏差

Conclusion

• 输入参数中c和$\varPsi$占输入端的影响比重较大，输出参数中 基坑周边沉降 的受到的输出影响更大
• 神经网络预测可行性以及优越性
• 输入参数对于桩顶水平位移的影响更大，故预测效果更佳，而对于基坑周边沉降的影响较小