深基坑土体力学参数动态反演研究.docVIP

一 位移反分析的基本原理 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（如图1-l所示）。而反分析则是根据一个灰色系统的输出确定输入的过程，也可以看成由系统的输出到输入的映射。而人工神经网络（Artificial Neural Network，简称ANN）是一个复杂的非线性动态系统，具有大规模的并行处理和分布式的信息存储能力、良好的自适应性、很强的学习联想、容错性和抗干扰能力，几乎可以模拟任何复杂的非线性系统。 图1-1 基坑工程系统示意图 用神经网络建模不需要知道变形与所求参数之间的关系，通过样本学习和记忆，就可找出输入（岩土体力学参数）与输出（位移）之间的非线性特征关系。 基坑工程计算中较多采用三层BP网络模型。神经网络具有很强的非线性映射能力，数值模拟具有很好的定量分析能力，两者结合起来是位移智能化反分析的一条有效途径。 本文进行基坑岩土体力学参数的位移反分析研究主要综合运用了正交试验法、有限差分法以及BP神经网络方法。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，根据计算结果构建BP神经网络训练样本，采用BP神经网络模型进行土体力学参数的位移反分析研究。 具体实施步骤如下： （1）按正交试验法进行土体力学参数分组设计； （2）产生BP神经网络的训练样本集：首先根据有限差分计算，得到由计算位移值和相应输入岩土体力学参数组成的雏形样本集；再将雏形样本集经过样本空间的映射，转换为[0，1]实数空间范围内的实际训练样本； （3）确定BP网络结构，用样本集对网络进行学习训练，建立计算位移与输入参数之间的非线性关系； （4）利用训练好的神经网络进行后期的计算，把测得的实际位移输入到训练好的神经网络进行反分析，神经网络则输出相应的岩土体力学参数； （5）把反分析所得的岩土体力学参数输入有限差分正分析程序，进行内力、变形等预测分析。 利用神经网络模拟有限差分计算过程，不仅可以提高反分析计算的精度，同时还可以提高计算效率。 §1.1 FLAC3D的基本理论和计算原理 许多工程分析问题，都可归纳为在给定的边界条件下求解其控制方程（常微分方程或偏微分方程）的问题，但能用解析方法求出精确解的只是方程性质比较简单，且几何边界相当规则的少数问题。对于大多数的工程技术问题，由于物体的几何形状较复杂或者问题的某些特征是非线性的，人们在广泛吸收现代数学、力学理论的基础上，借助于计算机技术来获得满足工程要求的数值解，这就是数值模拟技术。目前在岩土工程技术领域内常用的数值模拟方法有：有限元法（Finite Element Method）、边界元法（Boundary Element Method）、离散元法（Discrete Element Method）、块体理论（Block Theory）反演分析（Back Analysis）、有限元—边界元耦合法。 本次对基坑开挖支护的数值模拟，采用FLAC3D软件进行。 FLAC是快速拉格朗日差分分析（Fast Lagrangian Analysis of Continua）的简写。FLAC是力学计算的数值方法之一，该名词渊源于流体动力学，它研究每个流体质点随时间变化的情况，即着眼于某一个流体质点在不同时刻的运动轨迹、速度及压力等。快速拉格朗日差分分析将计算域划分为若干单元，单元网格可以随着材料的变形而变形，即所谓的拉格朗日算法，这种算法可以准确地模拟材料的屈服、塑性流动、软化直至大变形，尤其在材料的弹塑性分析、大变形分析以及模拟施工过程等领域有其独到的优点。 1.1.1 FLAC3D的本构模型 岩土本构关系是指通过一些试验测试少量的岩、土体弹塑性应力—应变关系曲线，然后通过岩土塑性理论及某些必要的补充假设，将这些试验结果推广到复杂应力、组合状态中去，以求取应力—应变的普遍关系；将这种应力—应变关系以数学表达式表达，即称为岩土本构模型。岩土材料的多样性及其力学特性的差异，使得人们无法采用统一的本构模型来表达其在外力作用下的力学响应特性，因而开发出了多种岩土本构模型。FLAC3D中内置12种岩土本构模型以适应各种工程分析的需要，它们是： （1） 空模型（Null Model）：通常用来表示被移除或开挖的材料，且移除或开挖区域的应力自动设置为零。在数值模拟的后续阶段，空模型材料也可以转化成其他的材料模型。采用这种模型，可以进行诸如开挖、回填之类的模拟。 （2）弹性模型（Elastic model）：弹性本构模型具有卸载后变形可恢复的特性，其应力—应变规律是线性的，与应力路径无关，包含3个弹性模型。各向同性弹性模型（Elastic Isotropic mode