支持向量機在地鐵車站深基坑圍護構造變形預測的應用摘要:利用支持向量機理論對深基坑支護構造的變形量進展分析和預測,建立了預測支護構造最大變形量的支持向量機預測模型。預測結果說明,該預測模型有很高的預測精度,并應用于南京市某地鐵站實際工程。關鍵詞:基坑開挖變形預測支持向量機(SupprtVetrahine)0引言目前,在城市基坑工程設計與施工中,對基坑變形控制要求越來越嚴格。基坑圍護構造變形使外側地層發生損失而引起地面沉降,增加了外側土體向坑內的位移和相應的坑內隆起。同樣的地質和埋深條件下,深基坑周圍地層變形范圍及幅度,因圍護構造的變形不同有很大差異,圍護構造變形往往是引起周圍地層挪動的重要原因。能否比擬準確的預測出圍護構造的變形對基坑工程的設計與施工都有極其重要的意義。但是在地鐵車站深基坑開挖過程中,支護構造的變形與其影響因素之間存在極其復雜的非線性關系。對于這一非線性關系的模擬和識別,有很多種方法,如模糊數學、BP神經網絡和遺傳算法等。這些方法都有一些不令人滿意的地方,如BP神經網絡那么有過擬合、大樣本和易陷入部分極值等問題。近年來,基于統計學習理論的支持向量機算法具有完備的理論根底和嚴格的理論體系,在很多領域獲得成功的應用。其良好的小樣本、非線性及升維及泛化性好等許多優良的特性引起了巖土工程界的重視。本文應用支持向量機算法,建立預測模型來預測支護構造的變形量,并將之應用到南京地鐵二號線逸仙橋站深基坑西側端頭井圍護構造變形值的預測中。1支持向量機原理[1,2]SVR算法的根底主要是ε不敏感函數(ε-insensitivefuntin)和核函數算法。假設將擬合的數學模型表達為多維空間的某一曲線,那么根據ε不敏感函數所得的結果,就是包括該曲線和訓練點的“ε管道〞。在所有樣本點中,只有分布在“管壁〞上的那一部分樣本點決定管道的位置。這一部分訓練樣本稱為“支持向量〞(supprtvetrs)。為適應訓練樣本集的非線形,傳統的擬合方法通常是在線性方程后面加高階項。此法誠然有效,但由此增加的可調參數未免增加了過擬合的風險。SVR采用核函數解決這一矛盾。用核函數代替線形方程中的線性項可以使原來的線性算法“非線性化〞,即能作非線性回歸。引進核函數到達了“升維〞的目的。支持向量機理論只考慮高維特征空間的點積運算K(xi,xj)=Φ(xi)·Φ(xj),而不直接使用函數Φ,從而巧妙地解決了因Φ未知而無法顯式表達的問題,稱K(xi,xj)為核函數。已經證明,只要滿足erer條件的對稱函數即可作為核函數,常用的核函數有:1)多項式核函數K(xi,xj)=(xi·xj+1)d,d=1,2,…;2基坑支護構造變形預測的支持向量機模型2.1支護構造變形與位移的影響因素影響地鐵車站深基坑支護構造變形的因素是多方面的[4,5]。根據施工經歷及相關文獻資料分析,除圍護構造本身及周圍土體特性外,支護構造變形值也較多地受施工因素的影響,主要有以下幾方面的因素。1)圍護構造的剛度。地下連續墻一般剛度較大,其次是人工挖孔樁及直徑較大的鉆孔樁,鋼板樁與預制的鋼筋混凝土樁剛度較校一般說來,圍護墻的剛度越大,墻體變形也越校2)圍護墻在坑底以下的入土深度。圍護墻的入土深度越大,那么位移與變形將越校3)土層強度。土體的、Φ值越大,那么主動土壓力越小,被動土壓力越大,圍護墻的位移將越校對于墻前土如用深層攪拌法或高壓噴射注漿加固,也能顯著減小圍護墻的位移,同理在墻后用同樣的方法加固,在起止水作用的同時,也對增大維護墻整體剛度起一定的作用,從而可減小墻體的位移。4)地下水的影響。墻后地下水位高時,土壓力增大,將增大墻體的位移,特別是出現流沙與管涌的滲流破壞時,更將增大墻體的位移。5)支撐方式。當墻厚已定時,加密支撐可有效控制位移。其中減少第一道支撐前的開挖深度以及減少開挖過程中最下一道支撐距坑底面的高度,對減少墻體位移尤有重要作用。多撐多錨采用支撐間距表征支撐方式;單撐單錨采用支撐點到開挖深度的間隔來表示。另外所用支撐的彈性系數也是需要考慮的因素。3結論1)由于支持向量機的優良特性,特別合適于地鐵基坑施工中那些模糊、隨機、不確定性、樣本數有限和非線形的復雜問題。因此,基于統計學習理論的支持向量機方法在巖土工程中具有廣泛的應用前景。2)支持向量機具有完備的理論根底和嚴格的理論體系,SV算法最終轉化為二次尋優問題。從理論上說,得到的將是全局最優解,有效防止了神經網絡易陷入的部分極值問題。同時通過非線性變換和核函數巧妙解決了高維數問題,使得其算法復雜度與樣本維數無關,加速了訓練學習速度。另外,它能根據有限的樣本信息在模型的復雜性和學習才能之間尋求最正確折衷,保證其有較好的泛化性能。3)支持向量機的核函數參數以及懲罰參數的選擇,將直接影響到支持向量機的學習效率和推廣才能。但支持向量機算法并沒有給出易實現的選擇內積核函數參數的一般方法。本文通過對核函數參數和懲罰參數的測試,可以得到較適宜的參數值。4)無論是SV方法還是BP神經網絡方法都屬于參數預報方法,其預測精度在很大程度上依賴于預測模型的輸入和輸出參數的代表性。基坑圍護構造最大變形的支持向量機預測模型的可靠性和準確性,依賴對其各種影響因素的準確分析。參考文獻[1]張學工.關于統計學習理論與支持向量機[J].自動化學報,2000,(1):32-42.[2]SteveGunn.SupprtVetrahinesfrlassifiatinandRegressin[R].ISISTehnialReprt,1998,5.[3]ShlkpfB,SlaA.ATutrialnSupprtVedrRegressin[R].NeurLT2TehnialReprtSeriesN2-TR-1998-030,1998,10.[4]劉建航,侯學淵.基坑工程手冊[]