基于长短时记忆网络的深基坑变形安全风险预警

　　摘要:为了预防深基坑施工安全事故，提出了一套基于监测数据的风险预警标准，建立了基于长短时记忆网络(LongShortTermMemory，LSTM)的深基坑变形安全风险预警模型。依托实际深基坑工程项目，将风险预警模型应用其中，对基坑各监测项目的变形量进行短期的预测，预测数据与实际数据最大误差为5.04%，最小误差为0.04%，平均相对误差为2.41%，证明该模型的预测效果良好。表明基于LSTM的深基坑变形安全风险预警模型在基坑变形预测方面有着良好的精确性和优越性，可以为基坑工程的安全性判断与风险管控提供可靠的保障。

　　关键词:深基坑;基坑安全;变形量预测;长短时记忆;风险预警

　　0引言

　　深基坑工程在新时代背景下展现出新特点，基坑开挖深度越来越大，甚至达到40米深;基坑开挖面积越来越大，甚至达到5万平方米;基坑建设紧贴建设红线;基坑周围建筑物、地下管线和构筑物多，周边环境复杂。这些因素使得深基坑工程施工事故的发生概率远远高于建筑物或构筑物主体结构施工事故的发生概率。因此，设法挖掘基坑变形数据变化的内在规律性，对导致基坑变形的各因素进行定量研究，建立合适的变形预测模型，来反映基坑真实的变形情况和定量预测基坑未来的变形趋势，具有相当重要的现实意义。

　　在国外，人工神经网络理论最早是被Ghaboussi和Sidarta(1997)应用于深基坑稳定性研究中，提出了岩体材料的本构模型，之后进行完善用于岩土工程中。与此同时，Hashas和White.A.J(1996)出于保护基坑周围建筑设施的目的，借助MIT-E3模型对深基坑工程开挖性状进行预测。而Martin和Ton(2004)等借助先进的监测系统监测地层的变形情况，分析风险点位与监测数据之间的变化关系，确定了基坑工程的监测风险。

　　在国内，有关基坑变形的研究也逐渐从传统模型向新型技术发展。李钦(2013)使用神经网络进行预测，建立了基于BP神经网络和径向基神经网络两种模型进行预测，结果表明径向基神经网络收敛速度比BP神经网络更快，总体非线性逼近能力比AR模型强。李彦杰等(2015)、马琳(2018)、陈艳茹(2018)、宋楚平(2019)研究发现BP神经网络存在局部最小的问题以及各指标权重初值设定的随机化问题，为提高深基坑变形预测的精度，借助遗传算法对模型权重初值进行优化。

　　近年来随着机器学习理论与技术的快速发展，各行各业逐渐开始引用机器学习算法与技术去解决实际问题，有必要针对工程领域尤其是基坑变形预测领域对其适用性及有效性进行分析、研究与验证。笔者拟利用LSTM强大的自学习能力和时序数据处理能力，结合监测数据与风险评价技术，建立深基坑变形安全风险预警模型，以此预测基坑支护结构、周边道路、地下管线等结构体的变形，结合基于监测数据的风险评价方法，评价单个风险指标和基坑整体的安全状态，动态评价深基坑安全风险并确定预警等级，从而为深基坑施工提供一个可靠的安全保障。

　　1LSTM简述

　　1.1LSTM原理

　　(1)循环神经网络(RNN)循环神经网络是内部将隐含层节点进行特殊处理的人工神经网络，相比于人工神经网络或BP神经网络等结构，RNN隐含层节点之间是互相连接的，并且其隐含层节点增加了自反馈连接，可以对上一隐含层传入的信息进行记忆。因此RNN某一层的隐含层节点的输入包括两个部分：当前输入节点的输入和上一层隐含层节点的输出。正是因为这种网络结构，使得RNN神经网络具备信息记忆功能，因此可以根据时序数据间的依赖关系进行拆分，按照不同时段进行组织并预测时间序列结果。

　　(2)长短时记忆神经网络(LSTM)长短时记忆网络(Long-ShortTermMemoryNetwork，LSTM)是一种特殊的循环神经网络，是为了解决一般的RNN存在的长期依赖问题而专门设计出来的，各种研究表明，LSTM更能精确的描述时间序列的长期依赖关系，并能有效的规避RNN所存在的梯度消失等问题(王鑫等，2018)。

　　1.2LSTM传播过程

　　LSTM循环神经网络信号传播过程与传统神经网络类似，同样分为两个过程：输入信号的前向传播与误差信号的反向传播(Werbos,1990)。前向传播过程是指长度为T的输入序列{x1,x2,···,xt,···,xT}按照时间步长经隐含层递归计算产生输出的过程，而反向传播过程是指误差信号沿着输入信号相反的方向传播并逐层调整权重的过程。LSTM网络的前向与反向传播过程，组成了网络的整体训练过程。

　　2深基坑变形安全风险预警模型构建

　　2.1安全风险预警指标体系建立

　　深基坑变形安全风险预警是对基坑主体支护结构和基坑施工对周边环境进行风险评价，确定风险等级以实现预警的技术。然而在事故发生前并非所有的监测项目都会有所反应，同时监测数据的变化具有一定离散性，其与基坑之间的关系存在很多不确定性。因此在选择评价指标时需遵循以下两个原则：(1)所选择的监测项目监测数据必须能够真实的反应此时基坑的安全状态，且相关性必须明确;(2)该项目监测技术必须是成熟的，且保证数据质量可靠充足。

　　2.2基于监测数据的风险量转化方法

　　本文采用一种将监测数据转换为风险量的方法，用以评价基坑的安全状态并实现风险分级。此处借鉴彭铭(2008)在动态风险管理软件设计中提出的基于监测数据的动态风险评价方法，将工程监测项目作为风险指标，其监测数据转化为风险量的方法。

　　2.3数据处理与风险评价

　　(1)样本训练与预测基坑变形量的预测是风险预警的根本，LSTM神经网络的训练过程即是对监测数据不断拟合，及时更新阈值及权值，逼近期望输出值的过程。最终借助最优LSTM模型对基坑变形量进行预测，为后续的基坑风险评价提供数据基础。(2)风险评价与风险等级判定在某一时刻，各监测项目可能处于不同的风险等级，不同风险等级必然对基坑整体的安全状态影响程度不同，因此在对基坑整体安全状态评价时，需要赋予各风险等级不同的权重系数，风险等级越高，其对应的权重系数应该越大。

　　3应用研究

　　3.1工程概况

　　拟建场地位于X市工业园区唯亭街道珠泾路西侧，青青家园北侧，场地南侧为规划跨春路，西侧为规划莲心街。场地地上主体结构采用桩基础时，桩侧土分布较稳定，根据本地区经验，一般不会产生过量的不均匀沉降、倾斜等变形，本工程地基变形以垂直沉降为主。

　　3.2风险预警指标体系

　　综合现场监测和风险源分析，由此可建立该基坑安全风险预警指标体系。该指标体系以深基坑变形安全风险预警为目标，一级指标分为主体结构和周边环境两类。主体结构下属围护桩顶部竖向位移和水平位移、立柱桩竖向位移、支撑轴力和围护桩深层水平位移五个二级指标，周边环境下属周边管线竖向位移、周边道路竖向位移、周边地表竖向位移、坑外地下水位四个二级指标。

　　3.3数据准备

　　该基坑附近情况较为复杂，需要大量的监测工作，结合工程实际需求与安全风险预警指标体系，搜集各个指标点位数据，截止数据采集日期2019年8月17日，选取其中各指标监测点位中变形量最大的作为数据样本，即周边地表竖向位移(DB9-1)、周边管线竖向位移(J3)、周边道路竖向位移(DL1)、坑外地下水位(SW-1)、围护桩顶部竖向位移和水平位移(B1)、围护体深层水平位移(P1)、立柱桩竖向位移(LZ12)、支撑轴力(ZL2-1)。

　　将数据分为训练样本集和预测结果对比样本集。在实际工程项目中训练样本应该是截止当前的所有数据，然而这里为了分析研究模型的准确性，需要提取部分数据作结果对比，因此将实际数据进行拆分为训练样本集与预测结果对比样本集。预测结果对比样本集将分为3天、7天和10天样本，为保证训练样本集的统一，即选取预测样本集中2019.4.19~2019.8.4日数据作为训练样本，预测结果对比样本集中2019.8.5~2019.8.15日数据作为未来10天预测结果对比样本集。

　　3.4训练与预测

　　由于所有的监测项目数据都是时序数据，为了将时序数据切分形成一组组输入与输出的训练样本，需要对训练样本集进行切分并组织。本文采用与之前数据进行关联，即利用前N天数据作为输入，第N+M天数据作为输出的方法，最大限度的避免其他因素对变形预测精度的影响。

　　本文所使用的仿真环境是借助Python3.7.0建立的，使用其开源的Keras深度学习框架，并以tensorflow作为后端(backend)对训练样本集中的数据集进行训练建模。其中，模型的权重调优选择Adam优化器，学习率为0.01，期望误差为0.01，最大迭代次数为500，并允许连续5次误差不下降时提前结束训练。为训练出理想的预测模型，需要不断调整LSTM神经网络结构。本文采用试错法，不断调整N与M的大小、隐含层节点数，最终确定N为2，M为1，隐含层节点数为10时，训练效果最佳。另外，数据归一化区间为[0,1]，误差函数采用均方误差(MSE)，期望误差为0.01，迭代次数最大为500。对2019.8.5~2019.8.15的数据进行预测。

　　4结论

　　1)对基于LSTM网络的变形预测方法进行研究，综合基于监测数据的风险预警标准，建立了基于LSTM的深基坑变形安全风险预警模型，并结合工程实例，对预测模型的有效性和准确性进行验证，通过结果对比分析得出，文中选用点位DB9-1作为结果对比分析样本，观察点位训练数据的拟合曲线及最终预测数值对比，基于LSTM的变形预测方法对原始数据的拟合速度较快，精度较高。

　　2)基于LSTM循环神经网络模型在基坑变形预测方面有着良好的精确性和优越性，在工程中可以采取该方法对基坑各监测项目的累积变形量进行预测，结合监测数据转化为风险量方法，确定基坑各监测项目以及基坑整体的风险等级，结合科学合理的评判准则，从而为基坑工程的安全性判断与风险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，成诚1，庞奇志1