近年来,随着上海城市轨道交通迅速发展,地铁建设工程的要求和难度越来越高,地铁深基坑受到地质条件、施工条件和外界其他因素的影响,成为了一个灰色、模糊、随机的系统。特别是在上海软土地区,地铁深基坑工程不仅涉及土力学中的基本强度、稳定、变形理论,还包含了土与结构的相互作用、渗流等水力学范畴的问题,此外,开挖时还会产生时空效应,所以这些因素给深基坑工程安全施工带来了不小的难度,而基坑变形控制作为控制基坑安全的一个重要措施,因此,准确而合理的预测基坑下一阶段的变形,对现场施工有着很好的实际意思。由于基坑工程动态非线性特点,加之内部和外部参数的不确定性,致使为基坑工程系统选择合适的建模预测方式是一个十分困难的事。因此,人们不得不寻求解决问题的新途径。神经网络由于具有自适应性、非线性和容错性强等特点,特别适合于处理各种非线性问题。它可以通过大量样本的学习来抽取出隐含在样本中的因果关系。由于深基坑工程具有高度非线性动态特性,各类监测数据间的联系也较为复杂,难以用具体的数学公式表示出,因此神经网络理论为深基坑预测工作提供了一条十分有效的途径。不同于数学建模的是,神经网络不需要建立数学模型,而是直接通过现场获得的监测数据来建立模型,从而避开了复杂的数学分析过程;同时,神经网络可以处理含有噪声和许多不确定因素的数据,以建立高度非线性的函数关系,事先不需要假设输出变量与输入变量之间的关系,而是通过样本的学习,实现输入与输出的非线性映射。本文选择动态递归神经网络来建立预测模型,同以前常用的静态网络(例如BP、RBF等)相比,更贴近深基坑动态非线性系统的特点,预测精度和效果明显优于静态网络。此外,由于基坑开挖会使得监测数据出现突变值,网络必须重新训练以适应新的样本数据,因此,本文还引入了混沌序列理论中的相空间重构技术,对动态递归神经网络预测模型的短期预测进行优化修正,建立新的预测模型,提出了基坑工程预测确定嵌入滞时τ和嵌入维数m二个重要参数的方法,并经工程实例分析,短期预测误差明显减小,整个新模型对基坑的短期预测得到了较好的效果。本文以上海地铁车站深基坑工程为背景,主要研究了以下内容:(1)从工程应用的角度,结合动态递归神经网络的特点,探讨了基坑工程变形预测建模的神经网络方法,阐述了Elman网络的基本原理、与静态网络相比的优势及特点,重点讨论了Elman动态递归神经网络的结构设计、数据的准备、训练网络及评价网络预测性能等内容;(2)研究神经网络预测方法在基坑变形上的适用性,总结了影响预测效果的几个因素,特别是数据样本的采集和数据变形“突变”的因素对模型预测效果的评价,并基于这些问题,引入了相空间重构的思想;(3)结合相空间重构理论,在Elman网络模型的基础之上,对时序数列进行重新定义,并结合工程实际,提出了相空间重构理论中的嵌入滞时τ和嵌入维数m二个重要参数,将修正后的预测结果与之前的预测结果进行对比,分析了预测对比效果;