哈尔滨工业大学研究生课程作业课 程名称岩土工程数值模拟分析导师姓名胡老师研究生姓名XX所 在院系 土木工程学院（岩土与地震工程研究中心） 类 别学术型硕士日期 2013年6月09日哈尔滨工业大学土木工程学院老师评语:平时成绩：课程作业成绩：总成绩：评阅人签名：注：1无评阅人签名成绩无效；2、必须用钢笔或圆珠笔批阅，用铅笔阅卷无效；3、如有平时成绩，必须在上面评分表中标出，并计算入总成绩。哈尔滨工业大学土木工程学院GABP网络在岩土体力学参数的位移反分析研究中的应用摘要：本文以长春地铁1号线解放大路站基坑开挖为工程背景，综合运用了正交试验法、有限差分法以及 BP神经网络方法进行了基坑岩土体力学参数的位移反分析研究。根据正交试验对各土层土体力学参数进行 分组设计，运用有限差分软件FLAC3D对基坑开挖工况进行模拟计算，根据FLACd计算结果构建 BP神经网络训练样本，通过 GA-BP（遗传BP神经网络）算法进行位移反分析研究，并利用由该网络得到的岩土体参数 对基坑位移作正向分析，结论表明了该方法在土性参数反演中的适用性，可以作为地铁深基坑开挖设计施 工的参考和借鉴。关键词：FLAC3D，遗传算法，BP神经网络，正交试验设计，岩土体参数反演哈尔滨工业大学土木工程学院引言岩土体的力学性态及原始应力状态等参数是数值 方法能否成功应用的关键，试图从改进实验技术 和采用新的实验手段解决有关岩土工程设计参数 是很困难的2，利用现场量测信息为数值分析提 供实用的“计算参数”的所谓“反分析”就由此 而产生。从系统角度来看，基坑工程是一个复杂 的巨系统，人们对其进行的各种施工活动，均可 看成系统输入，而人们量测到的位移、变形破坏 则为系统对输入的响应，即系统的输出。而反分 析则是根据一个灰色系统的输出确定输入的过程12。参数反分析可归为三类：反演法，即直接 按量测位移求解逆方程得到参数；正演法，即 首先给定参数的试探值，通过迭代运算和误差函 数的优化技术求得参数的“最佳值”：考虑先验信息及量测误差的贝叶斯（Beyes）方法或卡尔曼（Caiman）滤波法。由于岩土体介质的非线性， 难以建立待反演参数与量测信息之间的显式关系， 目前主要采用正演优化反分析方法实现上述参数 识别过程，即第二种方案土的工程性质受应力 历史、应力路径及自身结构影响，呈现出非线性 性质，因此在基坑工程反分析中采用非线性土的 本构模型日益受人们采纳5。人工神经网络是一 种建立输入和输出的映射关系，具有高度的学习 能力、容错能力，三层以上（含三层）的神经网络可 以逼近任意非线性函数3,可用来描述土的力学 参数和位移之间的非线性关系。工程概况本工程为长春地铁 1号线一期工程解放大路站工 程，工程包括内部竖井、风道施工。竖井井口位 于人民大街和解放大路十字路口东北角绿地上。 竖井采用矩形截面形式，支护外缘尺寸为15.55mx 7.20m，竖井深约29.89m，采用倒挂井壁法施工， 钢筋格栅+型钢支撑+喷射混凝土支护形式。竖井锁口圈梁为 C30钢筋混凝土。井身采用注浆 锚管+钢筋格栅+型钢支撑+喷射混凝土联合支护形式，喷射混凝土为C20湿喷早强混凝土，厚度为350mm。施工开挖模拟和反分析参数选择根据基坑开挖和支护的施工步序，计算共考虑4个工况：开挖至第一道支撑底标高并并设置 第一道支撑为工况1,开挖至第二道支撑底标高并 设置第二道支撑为工况 2,开挖至第三道支撑底标 高并设置第三道支撑为工况 3,开挖至第四道支撑 底标高并设置第四道支撑为工况4，计算中将每一个工况作为一个计算步时，按增量法近似模拟施 工过程反分析结果的准确性很大程度上依赖于现场 实测数据的可靠性与代表性5。反分析所得的岩 土体参数一般来说是代表某一基坑土层变形与强 度特征的“综合参数”，即要求实测数据也能充分 体现这一点，所以从以下三个方面选取反分析实 测数据：实测数据初分析，剔除因局部软弱带、 监测失真等因素导致的不合理位移；考虑数据 点的时间分布特征， 选取不同开挖层的典型位移； 考虑数据点的空间分布，选取围护结构顶部的 水平位移和沉降位移及周边建筑物的沉降位移。 综合以上分析，我们选择四种参数：E,C,卩“。基于flaCd的计算模型FLAC 3D 一种基于三维显示有限差分法的数 值分析软件，在计算求解中它采用了动态松弛法， 能够较好地模拟岩土材料的塑性流动、软化、屈 服，尤其适合做材料的弹塑性分析，大变形和模 拟施工期的开挖过程及支护模拟。因此本文采用 FLAC 3D做数值分析的手段8。 模型计算域范围：基坑开挖深度为15m，当前开挖长64m,基坑宽18.5m。根据基坑开挖影响长度 方向约为开挖深度的3- 4倍，深度方向约为开挖深度的2-4倍，取基坑沿长边方向延伸约46m,基坑两侧短边各延伸约 40m,基坑底部以下取45m, 到达下部含碎石粉质粘土层，对计算结构不会有 大的影响，即模型尺寸为110mx 100mx 60m（长x宽X高)。在flac3D模型中，地下连续墙和土体采用三维六面体8节点的实体单元模拟，钢支撑采用3节点的梁单元模拟，材料模型选用 Mohr-Coulomb弹塑性本构关系和强度判据。由于模型范围选取 足够大，因此我们在基坑的长边方向(X方向)两端(X=0,X=90 )施加X方向约束，基坑的短边 方向(Y方向)两端(Y=0,Y=70 )施加Y方向约 束，而在模型的底面(Z=-55 )施加了 XYZ三个 方向的约束。计算模型材料参数如表1，计算模型如图1。表1计算模型围岩及支护结构力学参数Table 1 Mechanical parameters for calculating model ofsurrounding rock and supporting structures土层名称杂填土粘土粉沙质粘土P190018741810C1221221812110.330.330.3K/MPa7.936.548.28G/MPa4.02.393.30层厚2.64.722CK*4r:m rimv： sI JI1QI. -J-A. W* ri9 i -a- T l.-r-图1FLAC 3D数值计算模型Fig .1 Numerical calculation model of FLAC3DGA-BP模型的建立1目标函数的建立本文选取现场实测位移增量值与神经网络映射值 的残差平方和作为目标函数，也是遗传算法的适 应度函数，即：mmin f (X) =min、匚比(X) LUj，X D0(1)j 土式中：X =(E,C0,0,u)为需要确定的参数向量，D =X|gi(X) 0, i =1,2,3 ,n , gX)乞 0 为 参数约束条件，即待反演参数应满足本构关系理 论规则和参数允许的取值范围；Ay和 u*分别为第j测点某一施工步或某几个施工步前后位移增 量的网络映射值和实测值，优化反分析的目标就 是求得使f(X)取得最小值时的参数值。2基于GA-BP算法的位移反分析采用神经网络建立岩土体力学参数和位移之 间的映射关系，在数据进行更新的时候，需要进 行复杂的数值计算，很大程度上降低了反分析的 效率910。而将神经网络和遗传算法结合，即利用了神经网络的高度非线性映射和预测的功能， 又利用了遗传算法全局寻优特性，克服了神经网 络学习陷入局部极小问题 11。采用的遗传神经网 络(GA-BP)反分析步骤如下；(1) 基于正交试验设计生成神经网络学习样本和测试样本的参数组合，通过flac3D正算程序获取样本的输出，并进行归一化处理。(2) 给定BP神经网络隐含层及每个隐含层神节点数的范围，随机抽取一个样本，利用GA搜索最佳ANN结构。利用搜索得到的网络进行样本 学习，建立岩土体力学参数与输出位移之间的映 射关系1213。(3) 利用测试样本，对网络进行训练。对训练 成熟的网络进行初始化设置，并确定待反演参数 的取值范围。(4) 在待反演的参数取值范围内随机生成可 能参数群体，逐个代入训练好的神经网络进行位移预测，计算目标函数值(适应度)。若适应度满足 精度要求，则当前对应参数即为最优参数组合 1415；若适应度不满足要求，则进行复制、杂交、 变异操作，产生下一子代可能的参数群体16。(6)重复进行(5)步操作，直到获得满足目标函 数精度的最优参数组合。3 BP神经网络样本构造为了使选取的样本能够全面反映土体的力学 影响因素，使试验样本具有充分的代表性11，采用正交试验设计BP神经网络样本。利用 SPSS软 件来设计正交试验13，采用正交表L25(54)分别构 造网络的学习样本和测试样本，参数输入部分如 上表2,对于样本输出则采用 FLAC3D正算获取监 测点位移增量，如上表31213。其中，前20个样哈尔滨工业大学土木工程学院本作为网络的学习样本，后5个为测试样本。试验样本参数表2 BP网络输入样本编号E/GPaC/KPa?/。uTable 2 Sample input of BP network16.2634.2180.34编输入（FLAC计算位移 mm）26.2637.1200.28号123436.2638.4220.3616.345.229.987.3446.2639.9240.3925.135.8410.778.6556.2642.0260.3335.235.456.389.2167.3634.2180.3945.146.358.2910.6377.3637.1200.3655.746.358.726.6687.3638.4220.3365.825.439.878.2497.3639.9180.3474.314.799.659.43107.3642.0200.3483.315.929.478.58118.7434.2220.2897.368.668.557.76128.7437.1260.34106.258.378.699.35138.7438.4200.33116.266.987.967.64148.7439.9180.39126.417.0210.308.31158.7442.0240.36137.457.849.178.68169.5434.2260.39146.817.926.268.51179.8237.1180.36156.257.908.758.48189.8238