打印本文 
关闭窗口
2.2 支护结构变形的支持向量机预测模型
建立基坑支护结构变形的支持向量机预测模型的步骤。
1)选择影响基坑支护结构变形的相关变量作为学习样本(xi,yi)。其中,xi是7维向量,用来表示基坑围护结构最大变形的影响因素,分别代表支撑方式h(m)、支撑的弹性系数(MN/m)、围护结构的刚度(MN·m2)、土体的黏聚力C(kPa)和摩擦角、基坑的开挖深度(m)、围护结构的入土深度(m);yi是一维向量,其值为基坑围护结构的最大水平位移(mm)。
2)选择核函数及参数值。常用的核函数有多项式核函数、径向基函数(RBF)核函数和sigmoid核函数。
3)利用MATLAB语言所带的优化工具箱训练模型样本是否满足精度要求,若达不到精度可转到步骤(2)重新选择核函数及参数。
4)模型预测精度达到要求后即进行基坑支护结构的变形预测。
2.3 支持向量机预测模型的具体应用
2.3.1 构建SVM样本集
本文利用相关文献及已知的南京基坑数据资料[6]建立支持向量机预测模型的训练样本,该样本如表1所示。
本文尝试应用该模型,预测南京地铁二号线11标段逸仙桥站深基坑西侧端头井的地下连续墙的最大变形。该端头井作为区间盾构始发井,是本标段控制工期的节点工程。
根据《南京地铁二号线逸仙桥站岩土工程勘察报告》,勘控范围内,①层为近期人工填土,成份复杂,局部较厚,不均匀,透水性相对较好。②层全新世冲积物,工程地质性质较差,其中②-2b4层软土厚度大,密度低,压缩性高,为不良软土。②-2c3及②-3c2-3层粉土易受扰动,水稳性差。③层一般沉积土工程地质性质较好。下伏基岩为极软岩。本文计算选取基坑开挖的代表性土层②-3c2-3粉土:C=15kPa,Φ=18·3°;
该车站围护结构为厚800mm的地下连续墙,刚度为665.6MN·m2,端头井开挖深度为23.8m,入土深度为18.02m,共设6道Φ609×16钢管支撑,其弹性系数为57.34MN/m。
2.3.2 SVM的学习训练
首先进行核函数的选取,通过对多项式核函数、径向基函数(RBF)核函数、Sigmoid核函数的比较分析,发现σ=300的径向基函数核函数比较适合地铁车站深基坑围护结构最大变形值的预测问题。然后通过不同的参数的试验,发现C=10000,经过学习训练,得到13个支持向量,各个支持向量的αi-α*i及其对应的样本序号见表2,相应的w0和b分别为459.6995、86.584627。
2.3.3 结果分析
用得到的w0和b分别对训练和检验数据预测,得到南京地铁逸仙桥站端头井地下连续墙最大变形值42.725mm,而在施工过程中实测值为40mm,其相对误差仅为6.81%;SVM实测值与预测值对比图如图1。为了与SVM方法进行对比,用BP神经网络对表1数据进行训练,得出最大变形值预测结果为31.267mm,其相对误差约为21.83%。
3 结论
1)由于支持向量机的优良特性,特别适合于地铁基坑施工中那些模糊、随机、不确定性、样本数有限和非线形的复杂问题。因此,基于统计学习理论的支持向量机方法在岩土工程中具有广泛的应用前景。
打印本文 关闭窗口