针对深基坑变形受众多因素影响而具备的高度非线性和模糊性特点,以及传统预测模型处理复杂非线性数据精度不足问题,应用一种深度学习模型——长短期记忆(Long Short-Term Memory,LSTM)网络进行深基坑变形预测研究,旨在提高深基坑变形预测精度,为深基坑变形预测提供一种新型手段。研究发现,LSTM网络在深基坑变形预测中需要对优化算法的选择、超参数选取方法和多点预测等问题进行深入分析。主要研究内容和结论如下:(1)LSTM网络选用随机梯度下降、动量、Nesterov、AdaGrad、RMSProp和Adam优化算法分别进行建模,将预测结果进行对比分析。通过实例分析发现采用Adam优化算法的LSTM网络预测精度更高,更适用于深基坑变形预测。(2)鉴于LSTM网络训练需要大量样本数据,而深基坑工程施工前期监测数据较少,LSTM网络泛化能力易受限制,并影响其预测效果。文中在不增加LSTM网络时间深度前提下,通过在LSTM网络前加入前馈神经网络层,增加网络空间深度,提升模型特征提取能力,以增强LSTM网络泛化能力。(3)LSTM网络多以手动方式调节超参数,此方法效率低下,且过多依赖人力。针对这一问题,且考虑到LSTM网络训练超参数较少,选取方法存在一定规律,文中采用计算简便、可并行运算的多层网格搜索方法进行超参数优选。(4)监测点形变并不是孤立存在的,相邻监测点间存在一定联系性。基于改进LSTM模型,构建多点预测模型。多点预测模型可利用LSTM网络的自组织、自学习和自适应能力充分挖掘不同监测点时序数据间的内在规律及变化趋势,对变形体进行整体预测和分析。以武汉某地铁深基坑为例,得出几点结论:(1)以应用多层网格搜索超参数的LSTM网络和BP神经网络、GM(1,1)模型、时序建模预测法进行对比。结果表明,基于多层网格搜索法的超参数寻优更加高效、快捷,LSTM网络相比其它三种模型预测精度更高,更能反映深基坑变形规律。(2)以深基坑桩体竖向位移形变数据为例,分别选取126期(全部数据)、前60期和前30期数据构造成样本时序数据,并应用LSTM网络和改进LSTM模型对这三种时序数据进行训练和预测。结果表明,改进LSTM模型在监测数据相对较少时,仍能发挥其高效的预测能力,而LSTM网络模型随着训练样本减少,泛化能力降低,预测精度下降。(3)结合深基坑邻近建筑物监测数据,在改进LSTM模型基础上,分别对此建筑物变形时序数据进行多点预测和单点预测。结果表明,多点预测模型不仅预测效果更好,还能有效减少模型训练及预测消耗总时间。