关于围护墙的侧向变形通常呈现一定的分布规律，其分布特征与墙体材料性质、围护结构形式、支撑条件等密切相关，并伴随开挖施工过程而变化，这方面工作国内外文献已有广泛报道，例如∶
唐孟雄和赵锡宏（1996）采用抛物线方程来近似拟合围护墙体变形曲线，根据实测数据，采用最小二乘法来计算曲线方程中的参数。
徐中华（2007）收集了上海地区 300多个基坑工程实例，给出了支护结构与主体地下结构相结合的墙后地表最大沉降的变化范围和平均值，并指出了地表最大沉降值与围护结构最大水平位移的经验公式。
Roboski和Finno（2006）根据芝加哥一个基坑工程的监测数据，采用补误差函数来近似拟合围护墙后地表纵向沉降曲线，并基于经验公式，对东京、台北和芝加哥地区的其他工程进行了预测，取得了较好的效果。
罗智勇（2010）通过对上海市地铁换乘站的连续墙侧向位移分析研究得到，连续墙侧向位移呈现中间小，两头大的趋势，最大水平位移出现在距离开挖面上部几米的位置上。赵丽华和徐刚（2013）通过对大连市的地铁车站深基坑变形特性实测数据的分析研究，探讨了基坑围护结构位移、地表沉降的变形特性。
关于基坑周边地表沉降性状及预测方法的研究，Peck（1969）在第九届国际土力学与基础工程会议的报告上，根据美国芝加哥、挪威奥斯陆等地的现场地表观测资料，提出的无因次曲线（图 1-3），可用以得到下沉的数量级及沉降分布曲线，主要基于柔性支护结构体系提出的，其将图形分为三个区域。其中Ⅰ区对应于砂土和硬黏土，地表沉降最小，最大沉降小于1%H;Ⅱ区和Ⅲ区是根据坑底抗隆起稳定系数及坑底以下软土的厚度而定，其最大沉降量可达（1%～3%）H。
Clough 和 Denby（1977）认为坑后地表横向沉降的分布形式取决于沉降量的大小，沉降小时，离开围护结构的沉降量最大;当沉降量较大时，最大沉降位置发生在紧靠围护结构顶部的地面处。
徐方京和谭敬慧（1993）等分析了坑外地层移动的影响范围，提出地下连续墙后地表沉降曲线可以采用 Reyleigh 分布函数来表示。
白云和刘千伟（1995）根据现场实测成果，运用综合分析和函数逼近方法分析了软土深基坑外侧土体的位移场，理论分析过程考虑了墙体刚度、支撑时间、支撑预应力和刚度、基坑宽度和硬土层距地表的深度等多种因素对计算值的影响。
李佳川和夏明耀（1995）采用空间 8 节点非协调等参元有限元手段对地下连续墙基坑分段开挖的空间效应进行了数值分析，结合实测结果，得到了上海地区长条形地铁深基坑工程墙后的地表纵向沉降的分布规律，并提出了沉降传递系数的概念，用以预测地表以下土体的纵向沉降。
Hsieh 和 Ou（1998）提出了将地表沉降区域划分为主要影响区域和次要影响区域。从基坑边到 2 倍基坑开挖深度属于主要影响区，2～4 倍基坑开挖深度属于次要影响区。主要影响区由于沉降曲线比较陡，对周边环境的影响比较大，而次要影响区由于沉降曲线比较缓，对周围环境的影响相对较小。对于凹槽型坑外地表沉降，最大沉降量位于距离墙后 0.5H（H为基坑开挖深度）处，紧靠墙体处的沉降为最大沉降的 0.5 倍。
侯学渊和陈永福（1989）对基坑开挖引起周围地基土沉降进行了理论计算，得出沉降范围与墙体入土深度大体相等。基坑开挖刚结束时，地表沉陷的总面积与支护结构侧移面积之比约为0.6;孔压完全消散后墙体侧移基本上没有变化，而地表沉陷面积却增加较多，其比值达到 0.85;地表沉陷曲线与墙体侧移曲线形状存在一定的相关性，主要有两种∶一种"三角形"，另一种是"抛物线形"。
地表沉陷范围可取围护墙后滑动棱体的宽度。对"三角形"地表沉陷模式来说，地表沉陷范围为z。=H。tan²（45°一g/2），最大沉陷发生在基坑边缘处;对于"抛物线形"地表沉陷，侯教授借用 Peck 教授估算隧道上方地表沉陷的指数函数给出了相应的估算式。
支持向量机在岩土工程反分析中的研究现状：
岩土工程是土木工程的一个重要分支且是一门非常复杂的系统工程。
岩土工程中的问题具有高度非线性、不确定性、随机性和模糊性特点，并且大多数是"数据有限"的，很难用确定的数学模型来表示，智能岩石力学中的专家系统方法在领域知识获取方面存在一定"瓶"，人工神经网络方法的推广能力又较差。支持向量机（support vector machine，简称 SVM）可以很好地解决以上问题，为岩土工程领域的智能化研究提供了一条新途径。
SVM 是基于小样本和结构风险最小化的一种学习方法，通过对样本的学习即可获得因变量和自变量之间复杂的非线性映射关系，因此建模无需太多数据，也不必明确因变量与自变量之间的关系，非常适合小样本的岩土工程问题，并且具有很强的推广能力。近年来，国内外学者致力于SVM在岩土工程应用研究中，创造性地提出了一系列的 SVM 模型，取得了的很大的成功。
赵洪波（2007）针对边坡可靠性问题，将 SVM与一阶二次矩结合，建立了安全系数与随变量之间的映射关系。徐飞等（2009）针对硐室围岩的变形预测，提出 ACA-SVM，用 ACA搜索 SVM的参数，滚动预测围岩变形量，提高了预测的准确性，将该方法用于锦屏一级水电站工程硐室变形预测。针对影响边坡稳定的主要因素提出了 ACO-LSSVM 模型，采用 ACO优化搜索LSSVM参数，提高了预测精度。董辉等（2011）以范例推理进行相似范例的检索，为 SVM预测建模提供工程先验知识。通过对通渝隧道 K19＋994 断面拱顶下沉进行预测验证了模型的优越性，但是要建立完备的范例库具有一定难度。张明远等（2012）基于 SVM和独立量分析（ICA）建立了超大直径钢管桩极限承载力的预测模型 ICASVM-Q，预测效果明显优于以原始数据作为学习样本的 SVM 模型。
岩土工程问题是一个复杂的系统工程问题，现有的工作都没有考虑所有的影响因素。所以，随着人们对岩土工程问题认识的深入，有必要考虑各种因素影响下的参数识别问题，以及每一种因素对参数识别的影响程度，这是一个重要且符合实际的研究方向。现阶段的参数识别是以唯一性作为前提的，所得出的参数是平均意义上的参数，对参数的识别还有很多工作要做。在 SVM应用中，还未有充分利用SVM的统计学习理论进行统计意义上的研究，应力图从本质上对其力学行为有一定的了解。