摘 要：基坑工程的隐患发展成工程事故之前兆，必定表现在监测数据某些特征的异常变化，此时若据此及时采取相应的措施，便能够以很小的代价避免或降低工程风险。以地铁基坑工程的大量监测数据为基础，通过数据挖掘方法寻找工程风险和变形数据特征变化值之间的内在联系和相关规律，以形成量化的评判指标来识别和评价工程的危险程度，从数据分析的角度提供了一种发现和控制工程风险的办法。

　　0 前 言

　　大量工程实践表明，基坑工程发生的工程事故和工程隐患与监测数据的某种波动具有很强的相关性。

　　基坑在施工过程中表现的各种性态实质上由其内在的力学规律所驱动，可以断定通过监测数据的挖掘分析完全能找到表象数据所隐含的规律。因此以系统收集的数据为基础，研究基坑在施工过程中的变形规律，采用先进合理的数据分析手段，发现监测数据特征和工程危险之间的联系，对于控制今后工程的施工风险，是一项十分必要的工作。

　　数据挖掘(data mining)是一个很好的理念：从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的或忽视的、但又是潜在有用的信息和知识的过程。随着信息技术的高速发展，人们积累的数据量急剧增长，动辄以Mbytes 计，如何从海量的数据中提取有用的知识成为当务之急。数据挖掘就是为顺应这种需要应运而生发展起来的数据处理技术，是知识发现(knowledgediscovery in database)的关键步骤[1]。

　　计算机数据挖掘技术最早源于人工智能学习，于20 世纪 80 年代末逐渐开始发展，在各个领域的应用都取得良好的成果。它是目前解决海量数据分析、归纳、总结的有效途径之一。它的基本过程如图 1 所示。

　　在数据挖掘的准备阶段，需要完成数据的选择和采样、挖掘目标的确定;在数据挖掘的实施阶段，需要根据挖掘的目标进行数据的预处理和变换成易于挖掘的指标，以形成模式或模型;在数据挖掘的验证阶段，需要用数据验证挖掘得到的知识的可靠性和适用性。同时，数据挖掘是风险分析的数据基础，数据挖掘可以得到直接用于风险定量分析的大量数据，使风险判断更为科学准确。

　　1 数据挖掘的概念和方法

　　1.1 数据挖掘的方法

　　目前最常用的的数据挖掘方法有 6 种①神经网络方法，其缺点是“黑箱”性，人们难以理解网络的学习和决策过程。②遗传算法，该算法较复杂，收敛于局部极小的较早收敛问题尚未解决。③决策树方法，它的主要问题是：复杂概念的表达困难;同性间的相互关系强调不够;抗噪性差。④粗集方法，由于粗集的数学基础是集合论，难以直接处理连续的属性。而现实信息表中连续属性是普遍存在的。⑤统计分析方法,即利用统计学原理对数据库中的信息进行分析。⑥模糊集方法,即利用模糊集合理论对实际问题进行模糊评判、模糊决策、模糊模式识别和模糊聚类分析。一般模糊集合理论是用隶属度来刻画模糊事物的亦此亦彼性的。由于本文是针对大量确定性数据进行挖掘，因此适合采用统计分析法。

　　1.2 数据挖掘目标的确定

　　根据所采集的数据样本大小，本文以基坑稳定状态与测斜监测数据之间的相对关系作为数据挖掘的目标。以基坑工程的风险等级判断为目标，可分为以下3 种不同风险等级：

　　(1) 基坑放置期间的基本稳定平衡状态;

　　(2) 工程危险时的不可控失稳状态;

　　(3) 介于前两者之间的的危险但可控状态;其中基本稳定平衡状态最为常见，而工程危险相对其它两种状态发生的概率较小。

　　1.3 数据的选择和采样

　　兼顾数据的代表性、普遍性及有效性，对系统采集到的 17 个工程共 356 个测斜管的监测数据汇总，剔除其中有效数据量小于 26 天和明显无数据规律的测斜管数据，以余下的 193 孔共 11811 天次测斜管数据为供数据挖掘的样本数据。见表 1 所示。

　　2 基坑工程数据挖掘与风险识别

　　如上所述，基坑工程的风险预兆与监测数据的变化密切相关，通过对监测数据的挖掘分析，可以找到其内在联系的量化指标，从而

[1] [2] [3] [4] 下一页