基于贝叶斯更新时间依赖模型偏差的软土深基坑地表沉降预测增强方法

《Journal of Rock Mechanics and Geotechnical Engineering》：Enhancing ground settlement prediction in deep excavations in soft soils through Bayesian updating of time-dependent model biases

　　

软土地区深基坑地表沉降的精准预测是岩土工程领域的核心挑战，主要源于土体复杂的时效行为及理论预测与现场观测间的系统性偏差。研究人员提出了一种贝叶斯更新框架，将马尔可夫链蒙特卡洛(MCMC)采样与双向长短期记忆(Bi-LSTM)代理模型相结合，以解决土体参数及时间依赖模型偏差的不确定性。通过对杭州一处30.2米深基坑的案例验证，研究人员发现模型偏差与归一化开挖时间存在显著的线性相关性（93.4%的模拟中R2>0.8），证实了模型偏差的时效性演化特征。该框架表现出显著的改进效果：短期预测（未来三个阶段）误差降低85%–99%，长期预测误差降低17%–93%，这一结果进一步通过台北国家企业中心项目得到验证。随着开挖进程推进，渐进式贝叶斯更新逐步收紧了土体参数与偏差系数的后验分布，提升了预测可靠性。本研究通过系统解决参数不确定性与时间依赖偏差的交互作用，推动了岩土建模技术的发展，为多阶段软土深基坑提供了可扩展且实用的解决方案。该框架对实时数据的适应性使其特别适用于自适应施工管理，有助于工程师优化资源配置并降低由地表沉降带来的风险。

该研究针对软土深基坑工程中地表沉降预测精度不足的问题展开。现有研究面临两大核心难点：一是软土蠕变特性导致的高级本构模型参数（如修正压缩指数λ、修正膨胀指数κ、修正蠕变指数μ*）难以精准确定；二是传统模型常假设预测偏差恒定，忽略了随开挖进程动态演化的时间依赖性模型偏差，导致误差随施工阶段传播放大。为解决上述问题，研究人员构建了融合参数不确定性与时变偏差的贝叶斯更新框架，并在杭州30.2米深基坑及台北国家企业中心项目中进行了验证，证实了其能有效提升预测可靠性，对保障周边环境安全及优化施工决策具有重要工程价值。

关键技术方法方面，研究人员采用了多链马尔可夫链蒙特卡洛(DREAM算法)进行后验概率求解，以应对高维非线性参数空间。为克服有限元模型(FEM)计算耗时过长的瓶颈，研究构建了双向长短期记忆(Bi-LSTM)神经网络作为代理模型，映射土体参数至多阶段沉降输出。此外，研究基于软土蠕变(SSC)模型建立了二维有限元模型，并通过2000次随机抽样模拟量化了模型偏差的演化规律。

研究结果部分包含以下核心内容：

案例研究1：杭州30.2米深基坑。研究人员首先验证了模型偏差与开挖阶段呈线性关系的假设。通过对14个施工阶段的2000次有限元模拟统计分析，发现93.4%的样本中模型偏差与时间呈现强线性相关（R²>0.8）。统计分析表明，偏差系数（截距与斜率）及测量误差均服从高斯分布，验证了将偏差分解为随时间变化项与零均值残差项的合理性。

案例研究2：台北国家企业中心(TNEC)项目。研究人员将该框架应用于此独立案例。通过构建Bi-LSTM代理模型替代有限元计算，实现了高效贝叶斯更新。结果显示，随着监测数据的不断同化，土体参数与偏差系数的后验分布逐渐收紧，预测值与实测值显著趋近。短期预测（后续三个阶段）的平均绝对误差(MAE)从19.5–26.6毫米降至0.3–2.7毫米，降幅达85%–99%；长期预测（最终阶段）误差从31.4毫米降至2.3–26.2毫米，降幅为17%–93%。分析表明，模型偏差是不确定性的主要来源，其相对贡献（约0.68–0.72）高于测量误差（约0.28–0.32）。

讨论与结论部分指出，相比常数偏差假设，引入线性时间依赖偏差模型显著提升了预测性能。虽然单一阶段的监测异常可能干扰线性演化规律，但总体上该方法优于常数偏差及二次非线性偏差模型。研究同时指出，先验偏差的变异系数(COV_ε)对预测结果敏感，需结合场地条件谨慎选取。研究人员总结认为，该框架成功量化了软土开挖中模型偏差的时间效应，通过Bi-LSTM与MCMC的高效结合，解决了传统方法无法兼顾参数不确定性与时效偏差的难题。该成果不仅提升了深基坑变形预测的精度与可靠性，还为自适应施工管理提供了理论依据，未来有望拓展至隧道掘进及堤坝建设等其他涉及时效性土体行为的岩土工程领域。