１湖南交通职业技术学院 长沙 410132；２中铁五局银西客专７标项目经理部
摘要：以长沙地铁2号线湘江中路站的监测数据为基础，采用支持向量机（SVM）对历史水平位移监测数据进行训练，进而对几天后的变形数据进行预测，并与神经网络方法预测的结果、真实值进行对比，验证支持向量机在变形预测上的可行性，再根据动态风险计算方法，将SVM预测的变形数据量化为相应的风险等级，从而为风险预案的制定提供充足的数值依据，实现风险预测的定量化。
关键词：地铁基坑；SVM；施工风险；风险预测
一、引言
目前针对深基坑工程风险预测研究主要包括两个方面[1]：一是以风险管理理论为基础，采用专家调查法等定性方法进行预测；另一方面是针对风险评估进行研究，即以岩土力学和工程经济等因素为基础采用适宜算法对基坑工程事故的失效概率以及损失预测进行研究。由于深基坑施工环境的复杂性、不确定性，且深基坑工程地域性很强，目前的施工风险预测主要还是取决于工程经验、传统的支护结构设计计算方法以及根据基坑的周围环境情况而采用公式或数值模拟方法，这些方法偏定性，预测缺乏较高准确性和灵活性，难以为实际工程提供可靠的数据依据。而基于实测变形数据的机器学习预测模型能够较合理地进行量化预测，成为近年来一种新的途径。
基坑变形作为基坑风险预测一个重要方面，对基坑变形量的大小及趋势进行准确预测，能够为施工风险的控制提供指导。随着对风险管理的研究加深和预测算法的发展，目前神经遗传算法、支持向量机（SVM）等机器学习算法开始成为风险预测的重要发展方向之一[2-6]。神经网络法和SVM法等定量预测方法均具有较高精度，在地下工程深基坑变形风险预测中具有很好的应用前景。本文运用支持向量机对长沙地铁2号线湘江中路站基坑水平变形风险进行预测研究。
二、工程概况
湘江中路站位于湘江东岸绿地内，横跨湘江中路，沿东西向呈一字型布置，下穿湘江大道；车站北边为橘子洲大桥，西边为湘江东岸堤坝，东侧为橘子洲大桥南侧引桥匝道，主体结构以伸入引桥4.47米，结构外侧距湘江一桥引桥桥墩最近距离14米。车站为地下四层岛式车站，总长137.5m，车站标准段总宽21.3m，车站标准段开挖深度30.1米，车站两端扩大段基坑宽度为29米，深度为31.7米。总建筑面积14400m2。
车站共设置4个人行通道及出入口，1、4号出入口均设置在湘江大道西侧道路红线外，贴红线布置；2、3号出入口布置在湘江大道东侧的绿地内，靠近两个下穿匝道的人行过街通道布置；2号通道的出入口附近设置残疾人电梯，方便残疾人使用；为满足消防疏散要求，在车站东侧主要设备用房端设置有车站消防专用通道及出入口，出入口地面加高作防洪防淹设置。
车站共设2组风亭，其中1号风亭位于湘江大道西侧的娱乐风光带内，为高风亭；2号风亭位于湘江大道东侧的绿地内，为高风亭。风亭均考虑防洪防淹，风亭高于湘江两百年一遇洪水位。冷却塔、膨胀水箱靠近2号风亭组设置。
湘江中路站位于湘江东岸湘江一桥东岸引桥南侧，为湘江阶地地貌，地形平坦、开阔，地面高程35.00～37.00m，地面主要为硬化路面、绿化地及湘江沿江风光带。
施工场地周边环境复杂，周围道路和建筑物密集，并且在施工影响范围内有多条雨水、电力及煤气等管线。该基坑开挖深度大、工期长，基坑施工难度较大，周边建筑荷载、高水位等对深基坑的不良影响首先在基坑变形上得到反应，因此，对湘江中路站进行变形风险预测是工程顺利进行的保证。
三、基于SVM的深基坑侧向变形动态预测
1、支持向量机
支持向量机（SVM）是一种基于结构风险最小化原理的机器学习算法，其能够有效地解决非线性、小样本、高维数及局部极小等问题。其基本的理论是从已经观测的大量数据中寻找一定规律和关系，并利用这些规，具有很好的泛化能力，律和关系对一些未知数据进行预测和评判。经过不少学者的研究与探索，支持向量机已开始应用于岩土工程领域。
SVM本身是针对经典的二分类问题提出的，其在函数回归领域中有很好的应用[7]。
2、基于时序的SVM水平位移预测
对于地铁深基坑水平位移、土体沉降等某一变形量而言，经过一段时间的观测后获得一个连续的时间序列变形值，记该序列为x（1）,x（2）,…,x（n）,如果预测其后某一时间段内的变形值x（n+1）,x（n+2）,…,可采用基于时间序列的SVM预测方法，具体步骤如下：
（1）从序列x（1）,x（2）,…,x（n）中，截取连续的m个时间点的监测值作为SVM的输入数据，其后时间点的一个数据则作为输出节点的目标值。经过划分后获得n-m组输入数据和目标值。但输入模型前还需对样本机目标值进行归一化处理，以便与函数选取和计算。
（2）设计SVM预测模型，选取合适的算法将上述训练样本和目标值输入模型，对模型进行训练，在训练达到规定的精度后停止训练，得到收敛的模型连接强度。
（3）利用收敛的模型连接强度，将序列x（n-m+1）, x（n-m+2）,…,x（n）的归一化数据作为输入，利用训练好的模型计算出预测值x（n+1）,将其按归一化的思路进行逆向还原，即得到变形预测值。也可进一步预测下一步的变形值。
（4）在获得新的监测数据后，将新近获得的监测数据作为训练样本加入原模型中，对模型重新进行训练，并在收敛后进行下一步的变形值预测。
在本文中，样本数据随机选取围护结构测斜管C003在埋深10.5m处水平位移，分段选取如表1所示。选取前4个时间分段数据样本作为输入，第5个时间分段数据样本作为输出。湘江中路车站基坑水平位移监测样本共选取30个，其中24组作为训练，其余6组作为测试。
3、预测结果及对比分析
为验证SVM预测结果的有效性，本文将SVM预测的结果与其他方法的预测结果进行比较。神经网络预测在文献[8]中进行了探讨，因而本文选取将该方法与SVM预测进行比较。预测结果如表2及图1所示。
图1 监测数据的预测值与实测值
Fig.1 The predicted Monitoring data and real values
从图1中可直观看到SVM的预测值更接近真实值。在表2中，SVM模型的预测值取得了较好的预测结果，6个预测样本的相对误差有5例小于神经网络模型的预测值，且相对误差均小于5%，这表明SVM预测模型合理可靠。
四、风险定量计算
经过模型预测后，得到实测数据与预测数据两组数据。这些数据能很好很反应基坑水平位移变化，但是还不能清晰反映该工程的施工风险的大小。在已有的规范及研究中，对于风险概率的评定大都运用依靠工程经验的专家评价法等定性方法进行，这样的风险评定结果缺乏具体明确的参照依据，不能给风险管理提供合理性指导。因而有必要将变形预测数据进行风险量化，对基坑的风险状态进行分级。
彭铭[9]、殷晟泉[10]等在隧道及地下工程领域，运用风险指标计算方法对监测数据风险定量分级，参考已有研究成果本文采用风险指标对深基坑风险进行量化。监测风险指标ω的计算主要参考监测数据的累计值X、变化速率值△X、相对应累计预警值Y以及变化速率预警值△Y，公式如下。
（8）
根据风险指标计算值制定监测风险等级表，如表3所示。
将监测点的相应实测值及预测值代入公式（8），得到水平位移风险值，如图2所示。
图2 水平位移计算风险值走势图
Fig.2 Horizontal displacement VaR Chart
在图2中，水平位移的实测风险值与预测风险值的走势基本处于一致，风险等级也主要处于一级与二级之间。根据相同方法，可对其它监测点进行风险计算，以及进行无量纲拟合。风险值越大，即深基坑的施工危险性越大，因而无量纲拟合过程中风险值越大，监测指标权重赋值越大。权重赋值如表4所示。
将所有监测指标的风险值计算得出后，参考不同的权重系数将所有的风险值拟合，得出最终综合风险值R，拟合公式如下：
参照湘江中路车站围护墙的水平位移风险预测方法，对于地下水位、周边建筑物沉降及支撑轴力等监测内容采用同样方法进行，最后用公式（9）进行计算得出综合风险指标为0.870，为三级风险，参考相关风险控制标准，提出相应的控制措施。
五、结语
本文根据湘江中路深基坑施工监测数据，运用SVM对基坑变形进行了预测，并将预测结果与神经网络预测结果及真实值对行了对比，预测结果表明在小样本数据的前提下，SVM预测结果比神经网络预测结果精度更高，这说明SVM预测模型可以在基坑施工变形预测中得到推广；其次，结合实测值与预测值对施工变形风险进行风险量化，综合水平变形、沉降、支撑轴力及地下水位等项目，得到湘江中路车站深基坑综合风险为三级，为该工程的风险控制提供了依据。
参考文献：
[1]刘国彬，王卫东. 基坑工程手册（第2版）[M].北京：中国建筑工业出版社，2009：24-42.
[2]毛星.基于支持向量机的地铁车站深基坑坍塌风险预测研究[D].长沙：中南大学，2013.
[3]Jan J C, Hung S L, Chi S Y, et al. Neural network forecast model in deep excavation[J]. Journal of computing in civil engineering, 2002, 16（1）： 59-65.
[4]Ma F, Zheng Y, Yang F. Research on deformation prediction method of soft soil deep foundation pit[J]. Journal of Coal Science and Engineering（China）, 2008, 14（4）： 637-639.
[5]Tan G, Liu H, Cheng Y, et al. Prediction method for the deformation of deep foundation pit based on neural network algorithm optimized by particle swarm[C]//Transportation, Mechanical, and Electrical Engineering（TMEE）, International Conference on. IEEE, 2011, 2：1407-1410.
[6]李风云. 隧道塌方风险预测与控制研究[D].长沙：中南大学，2011.
[7]黄传胜. 地铁深基坑开挖变形预测方法及工程应用研究[D].长沙：中南大学，2011.
[8]苏高利, 邓芳萍. 关于支持向量回归机的模型选择[J]. 科技通报, 2006, 22（2）： 154-158.
[9]彭铭.盾构隧道施工动态风险管理软件（TRM2.0）开发研究[D].上海：同济大学，2008.
[10]殷晟泉, 梁发云, 姚笑青. 神经网络方法在深基坑动态风险预测中的应用[J]. 地下空间与工程学报, 2011, 7（5）： 996-1000.
[11]郭琛. 社交网络分析与信息传播研究[D]. 复旦大学, 2012.
[12]王伟. 基于混合核函数支持向量机的电力负荷预测[J]. 现代计算机, 2013（7）：22-25.
论文作者:毛星1,邓晓飞2
论文发表刊物:《基层建设》2018年第4期
论文发表时间:2018/5/22
标签：湘江论文; 风险论文; 基坑论文; 数据论文; 位移论文; 向量论文; 模型论文; 《基层建设》2018年第4期论文;