摘要:為了預防深基坑施工安全事故，提出了一套基于監測數據的風險預警標準，建立了基于長短時記憶網絡(LongShortTermMemory，LSTM)的深基坑變形安全風險預警模型。依托實際深基坑工程項目，將風險預警模型應用其中，對基坑各監測項目的變形量進行短期的預測，預測數據與實際數據最大誤差為5.04%，最小誤差為0.04%，平均相對誤差為2.41%，證明該模型的預測效果良好。表明基于LSTM的深基坑變形安全風險預警模型在基坑變形預測方面有著良好的精確性和優越性，可以為基坑工程的安全性判斷與風險管控提供可靠的保障。

　　關鍵詞:深基坑;基坑安全;變形量預測;長短時記憶;風險預警

　　0引言

　　深基坑工程在新時代背景下展現出新特點，基坑開挖深度越來越大，甚至達到40米深;基坑開挖面積越來越大，甚至達到5萬平方米;基坑建設緊貼建設紅線;基坑周圍建筑物、地下管線和構筑物多，周邊環境復雜。這些因素使得深基坑工程施工事故的發生概率遠遠高于建筑物或構筑物主體結構施工事故的發生概率。因此，設法挖掘基坑變形數據變化的內在規律性，對導致基坑變形的各因素進行定量研究，建立合適的變形預測模型，來反映基坑真實的變形情況和定量預測基坑未來的變形趨勢，具有相當重要的現實意義。

　　在國外，人工神經網絡理論最早是被Ghaboussi和Sidarta(1997)應用于深基坑穩定性研究中，提出了巖體材料的本構模型，之后進行完善用于巖土工程中。與此同時，Hashas和White.A.J(1996)出于保護基坑周圍建筑設施的目的，借助MIT-E3模型對深基坑工程開挖性狀進行預測。而Martin和Ton(2004)等借助先進的監測系統監測地層的變形情況，分析風險點位與監測數據之間的變化關系，確定了基坑工程的監測風險。

　　在國內，有關基坑變形的研究也逐漸從傳統模型向新型技術發展。李欽(2013)使用神經網絡進行預測，建立了基于BP神經網絡和徑向基神經網絡兩種模型進行預測，結果表明徑向基神經網絡收斂速度比BP神經網絡更快，總體非線性逼近能力比AR模型強。李彥杰等(2015)、馬琳(2018)、陳艷茹(2018)、宋楚平(2019)研究發現BP神經網絡存在局部最小的問題以及各指標權重初值設定的隨機化問題，為提高深基坑變形預測的精度，借助遺傳算法對模型權重初值進行優化。

　　近年來隨著機器學習理論與技術的快速發展，各行各業逐漸開始引用機器學習算法與技術去解決實際問題，有必要針對工程領域尤其是基坑變形預測領域對其適用性及有效性進行分析、研究與驗證。筆者擬利用LSTM強大的自學習能力和時序數據處理能力，結合監測數據與風險評價技術，建立深基坑變形安全風險預警模型，以此預測基坑支護結構、周邊道路、地下管線等結構體的變形，結合基于監測數據的風險評價方法，評價單個風險指標和基坑整體的安全狀態，動態評價深基坑安全風險并確定預警等級，從而為深基坑施工提供一個可靠的安全保障。

　　1LSTM簡述

　　1.1LSTM原理

　　(1)循環神經網絡(RNN)循環神經網絡是內部將隱含層節點進行特殊處理的人工神經網絡，相比于人工神經網絡或BP神經網絡等結構，RNN隱含層節點之間是互相連接的，并且其隱含層節點增加了自反饋連接，可以對上一隱含層傳入的信息進行記憶。因此RNN某一層的隱含層節點的輸入包括兩個部分：當前輸入節點的輸入和上一層隱含層節點的輸出。正是因為這種網絡結構，使得RNN神經網絡具備信息記憶功能，因此可以根據時序數據間的依賴關系進行拆分，按照不同時段進行組織并預測時間序列結果。

　　(2)長短時記憶神經網絡(LSTM)長短時記憶網絡(Long-ShortTermMemoryNetwork，LSTM)是一種特殊的循環神經網絡，是為了解決一般的RNN存在的長期依賴問題而專門設計出來的，各種研究表明，LSTM更能精確的描述時間序列的長期依賴關系，并能有效的規避RNN所存在的梯度消失等問題(王鑫等，2018)。

　　1.2LSTM傳播過程

　　LSTM循環神經網絡信號傳播過程與傳統神經網絡類似，同樣分為兩個過程：輸入信號的前向傳播與誤差信號的反向傳播(Werbos,1990)。前向傳播過程是指長度為T的輸入序列{x1,x2,···,xt,···,xT}按照時間步長經隱含層遞歸計算產生輸出的過程，而反向傳播過程是指誤差信號沿著輸入信號相反的方向傳播并逐層調整權重的過程。LSTM網絡的前向與反向傳播過程，組成了網絡的整體訓練過程。

　　2深基坑變形安全風險預警模型構建

　　2.1安全風險預警指標體系建立

　　深基坑變形安全風險預警是對基坑主體支護結構和基坑施工對周邊環境進行風險評價，確定風險等級以實現預警的技術。然而在事故發生前并非所有的監測項目都會有所反應，同時監測數據的變化具有一定離散性，其與基坑之間的關系存在很多不確定性。因此在選擇評價指標時需遵循以下兩個原則：(1)所選擇的監測項目監測數據必須能夠真實的反應此時基坑的安全狀態，且相關性必須明確;(2)該項目監測技術必須是成熟的，且保證數據質量可靠充足。

　　2.2基于監測數據的風險量轉化方法

　　本文采用一種將監測數據轉換為風險量的方法，用以評價基坑的安全狀態并實現風險分級。此處借鑒彭銘(2008)在動態風險管理軟件設計中提出的基于監測數據的動態風險評價方法，將工程監測項目作為風險指標，其監測數據轉化為風險量的方法。

　　2.3數據處理與風險評價

　　(1)樣本訓練與預測基坑變形量的預測是風險預警的根本，LSTM神經網絡的訓練過程即是對監測數據不斷擬合，及時更新閾值及權值，逼近期望輸出值的過程。最終借助最優LSTM模型對基坑變形量進行預測，為后續的基坑風險評價提供數據基礎。(2)風險評價與風險等級判定在某一時刻，各監測項目可能處于不同的風險等級，不同風險等級必然對基坑整體的安全狀態影響程度不同，因此在對基坑整體安全狀態評價時，需要賦予各風險等級不同的權重系數，風險等級越高，其對應的權重系數應該越大。

　　3應用研究

　　3.1工程概況

　　擬建場地位于X市工業園區唯亭街道珠涇路西側，青青家園北側，場地南側為規劃跨春路，西側為規劃蓮心街。場地地上主體結構采用樁基礎時，樁側土分布較穩定，根據本地區經驗，一般不會產生過量的不均勻沉降、傾斜等變形，本工程地基變形以垂直沉降為主。

　　3.2風險預警指標體系

　　綜合現場監測和風險源分析，由此可建立該基坑安全風險預警指標體系。該指標體系以深基坑變形安全風險預警為目標，一級指標分為主體結構和周邊環境兩類。主體結構下屬圍護樁頂部豎向位移和水平位移、立柱樁豎向位移、支撐軸力和圍護樁深層水平位移五個二級指標，周邊環境下屬周邊管線豎向位移、周邊道路豎向位移、周邊地表豎向位移、坑外地下水位四個二級指標。

　　3.3數據準備

　　該基坑附近情況較為復雜，需要大量的監測工作，結合工程實際需求與安全風險預警指標體系，搜集各個指標點位數據，截止數據采集日期2019年8月17日，選取其中各指標監測點位中變形量最大的作為數據樣本，即周邊地表豎向位移(DB9-1)、周邊管線豎向位移(J3)、周邊道路豎向位移(DL1)、坑外地下水位(SW-1)、圍護樁頂部豎向位移和水平位移(B1)、圍護體深層水平位移(P1)、立柱樁豎向位移(LZ12)、支撐軸力(ZL2-1)。

　　將數據分為訓練樣本集和預測結果對比樣本集。在實際工程項目中訓練樣本應該是截止當前的所有數據，然而這里為了分析研究模型的準確性，需要提取部分數據作結果對比，因此將實際數據進行拆分為訓練樣本集與預測結果對比樣本集。預測結果對比樣本集將分為3天、7天和10天樣本，為保證訓練樣本集的統一，即選取預測樣本集中2019.4.19~2019.8.4日數據作為訓練樣本，預測結果對比樣本集中2019.8.5~2019.8.15日數據作為未來10天預測結果對比樣本集。

　　3.4訓練與預測

　　由于所有的監測項目數據都是時序數據，為了將時序數據切分形成一組組輸入與輸出的訓練樣本，需要對訓練樣本集進行切分并組織。本文采用與之前數據進行關聯，即利用前N天數據作為輸入，第N+M天數據作為輸出的方法，最大限度的避免其他因素對變形預測精度的影響。

　　本文所使用的仿真環境是借助Python3.7.0建立的，使用其開源的Keras深度學習框架，并以tensorflow作為后端(backend)對訓練樣本集中的數據集進行訓練建模。其中，模型的權重調優選擇Adam優化器，學習率為0.01，期望誤差為0.01，最大迭代次數為500，并允許連續5次誤差不下降時提前結束訓練。為訓練出理想的預測模型，需要不斷調整LSTM神經網絡結構。本文采用試錯法，不斷調整N與M的大小、隱含層節點數，最終確定N為2，M為1，隱含層節點數為10時，訓練效果最佳。另外，數據歸一化區間為[0,1]，誤差函數采用均方誤差(MSE)，期望誤差為0.01，迭代次數最大為500。對2019.8.5~2019.8.15的數據進行預測。

　　4結論

　　1)對基于LSTM網絡的變形預測方法進行研究，綜合基于監測數據的風險預警標準，建立了基于LSTM的深基坑變形安全風險預警模型，并結合工程實例，對預測模型的有效性和準確性進行驗證，通過結果對比分析得出，文中選用點位DB9-1作為結果對比分析樣本，觀察點位訓練數據的擬合曲線及最終預測數值對比，基于LSTM的變形預測方法對原始數據的擬合速度較快，精度較高。

　　2)基于LSTM循環神經網絡模型在基坑變形預測方面有著良好的精確性和優越性，在工程中可以采取該方法對基坑各監測項目的累積變形量進行預測，結合監測數據轉化為風險量方法，確定基坑各監測項目以及基坑整體的風險等級，結合科學合理的評判準則，從而為基坑工程的安全性判斷與風險管控提供可靠的保障。

　　References

　　Chang,Y.O.,Pio-Go,H.,Dar-Chang,C.,1993.Characteristicofgroundsurfacesettlementduringexcavation.CanadianGeotechnicalJournal,758-767.

　　Chen,Y.R.,2018.Applicationofintelligentalgorithmbasedongeneticalgorithmandextremelearningmachineinfoundationpitdeformationprediction.TunnelConstruction(ChineseandEnglish),38(06):941-947.Clough,G.W.,O’Rourke,T.D.,1990.Constructioninducedmovementsofinsituwallsinproceedingsofthedesignandperformanceofearthretainingstructures.ASCEspecialconference,439-470.

　　Finno,R.J,Bryson,L.S,Calvello,M.,2002.Performanceofastiffsupportsysteminsoftclay.GeotechGeoenviron.Eng,128(8):660-671.GERS,F.A.,SCHMIDHUBER,J.,2000.

　　Recurrentnetsthattimeandcount.ProceedingsoftheIEEE-INNS-ENNSInternationalJointConferenceonNeuralNetworks.IJCNN2000.NeuralComputing:NewChallengesandPerspectivesfortheNewMillennium:volume3.[SI]:IEEE,189-194.

　　作者：夏天1，成誠1，龐奇志1