吹填淤泥淺表層快速加固處理技術及神經網絡沉降預測方法

鞏 勝

(中鐵第四勘察設計院集團公司,湖北 武漢 430063)

吹填淤泥淺表層快速加固處理技術及神經網絡沉降預測方法

鞏 勝

(中鐵第四勘察設計院集團公司,湖北 武漢 430063)

選取廈門港海滄港區軟基處理工程為例,針對試驗區吹填淤泥的工程特性,運用淺表層快速加固處理技術對其進行加固處理,詳細介紹了該項技術的技術思路、作用機理以及與真空預壓法的區別,評價這項技術的加固效果。然后利用Matlab軟件編制了BP網絡、RBF網絡,Elman網絡時序預測模型程序對加固后試驗區的沉降量進行預測研究,從預測結果看,Elman網絡的預測精度最高,其次為BP網絡,相對最差的是RBF網絡,Elman網絡的反饋型網絡結構使其具有更好的時序預測能力。

吹填淤泥;沉降預測;人工神經網絡

目前人們通過吹填造陸來滿足港口建設的需要,但用做工程填料的砂、土等不可再生資源經過多年的開采已經非常緊缺,與此同時,沿海工程建設從海底挖掘出大量的淤泥卻作為廢棄物處理,如能將其用于吹填造陸,則將是變廢為利、一舉兩得的好辦法。例如深圳大鏟灣圍海造陸工程、深圳機場擴建工程等均由原計劃的填砂造陸改變為吹填淤泥造陸。吹填淤泥造陸不但可以節約砂、土等不可再生資源,而且有利于環保,處理方法合適且比較經濟,但由于吹填淤泥固有的工程特性,特別是表層,其含水量極高,處于流動狀態,強度和承載力極低,各種施工設備無法進行施工,必須待淺表層有一定的承載力后方可進行,所以在利用一般軟基處理方法加固軟弱地基之前,需先對淺表層進行加固。本文選題源于廈門港海滄港區軟基處理工程,該工程運用一種淺表層快速加固處理技術對吹填淤泥淺表層進行了加固處理,效果顯著,針對試驗區所運用的淺表層快速加固處理技術,文中分析了該法的作用機理與加固效果,并結合現場沉降監測數據采用人工神經網絡對運用該法加固的試驗區進行沉降預測研究。

1 研究區吹填淤泥淺表層快速加固方案

1.1 淺表層快速加固處理技術思路

吹填淤泥屬于超軟弱土,針對現有技術加固淺表層超軟弱土地基時存在困難,吹泥區嘗試了一種新的淺表層快速加固方法,以稻草、蘆葦、雜草、土工編織物中的一種或一種以上作為排水墊層或者排水砂墊層,大大降低成本,縮短施工工期,施工后差異沉降小。淺表層超軟弱土快速加固處理技術包括如下步驟。

(1) 在超軟弱土上鋪設一層或多層格柵,垂直插入長度與超軟弱土淺表層厚度相當的塑料排水板或袋裝砂井,在格柵上鋪設排水墊層,并在排水墊層中沿水平方向鋪設濾管,然后覆蓋密封膜,形成淺表層超軟弱土快速加固裝置。

(2) 對步驟(1)形成的快速加固裝置內的超軟弱土層進行真空預壓處理,持續時間一個月左右。

經過步驟(2)的真空預壓處理后,超軟弱土的抗剪強度會得到有效的提高,大型施工設備可以在其表面進行正常工作,為后續的地基整體加固實施提供施工條件。

圖1所示為淺表層超軟弱土快速加固裝置,它由密封膜、排水墊層、抽真空濾管、排水板或袋裝砂井、格柵層構成。施工過程中要在排水墊層的上部和側面覆蓋密封膜,而格柵層置于排水墊層底部,抽真空濾管水平安裝在排水墊層內,排水板或袋裝砂井垂直插入在超軟弱土中,其上端埋入排水墊層內。其中塑料排水板或袋裝砂井的長度L也代表有效加固深度,通常為數米,具體可以按照后期施工要求而定;抽真空期間,真空度由濾管、排水墊層和塑料排水或袋裝砂井進行傳遞,這樣就可以完成對有效加固深度內的超軟弱土的加固。

圖1 淺表層快速加固技術工法示意圖Fig.1 Schematic diagram of shallow surface rapid reinforcement technique1.密封膜;2.排水墊層;3.抽真空濾管;4.豎向排水井;5.格柵層;6.基底;7.超軟弱土;8.軟弱下臥層。

1.2 淺表層快速加固處理技術的作用機理

對于一種物理力學性質已知的飽和軟弱土,欲加速其固結的速度,必須具備兩個基本條件[1]:一是施加足夠大而穩定的外部荷載;二是提供足夠小的排水距離。針對吹填淤泥高含水率、低強度等物理特性,在真空預壓技術的基礎上,提出了淺表層超軟弱土快速加固處理技術。顧名思義,“快速加固”是指該方法比常規的淺表層處理技術更能縮短工期,并可達到預加固的目的。

淺表層快速加固處理技術的加固機理實質上與真空預壓法相同,在加固區地面利用真空泵抽真空產生負壓,這樣土體中的孔隙水壓力在壓差作用下會降低,形成負的超靜孔隙水壓力,即形成的孔隙水壓力小于原靜水孔隙水壓力,增量為負值,從而導致土體中的孔隙水發生不穩定滲流,不斷經豎向排水通道向上排出,最終被真空泵抽走。降低的孔壓轉變為土體的有效應力,在有效應力增加的情況下,土體固結壓密。這就是淺表層快速加固處理技術的作用原理,實際上就是真空度不斷沿土體深度方向傳遞在加固區內形成真空負壓,孔隙水不斷被抽走的過程。

1.3 與真空預壓法的區別

盡管淺表層快速加固處理技術與常規真空預壓法的加固機理相同,但由于前者的處理對象是流動狀、幾乎無承載力的浮泥,后者加固對象雖也為軟弱粘土,但通常具備一定的強度及承載力,可滿足正常施工的需要。因此兩者在施工工藝方面存在區別,如表1所示。

1.4 試驗區淺表層快速加固技術應用情況

廈門港海滄港區的試驗區利用該項技術處理吹填淤泥,吹泥區淺表層快速加固裝置完成以后,于2007年5月21日開始抽真空加固,5月24日膜下真空度基本達到了70 kPa以上,以后真空度穩定在68～84 kPa之間,滿足設計要求,也說明在吹填淤泥淺表層采用密封技術措施有效,2007年6月15日卸載,抽真空時間達25 d。

表1 快速加固處理技術與常規真空預壓法比較Table 1 Comparison of rapid reinforcement technology and conventional vacuum preloading method

運用淺表層快速加固技術對吹填淤泥淺表層進行處理后,加固效果顯著。在將近一個月的時間內,使原本呈流動態的吹填淤泥淺表層發生了較大的沉降,圖2為監測點DB3與DB15的沉降隨時間變化曲線。可見,在快捷經濟的前提下,該項技術有著其他淺表層處理方法所不能比擬的優勢。

圖2 淺表層快速加固抽真空期間沉降隨時間變化曲線Fig.2 Settlement curvewhich change along with variation of time during shallow surface rapid reinforcement vacuumizing

2 沉降量的神經網絡預測

試驗區吹填淤泥經過淺表層快速加固技術強度得到較大的提高,如果能進行相應的沉降預測,對后續施工有一定的指導意義。本文通過人工神經網絡[2]對試驗區經過淺表層加固處理的淤泥的沉降量進行擬合與預測,對比實測數據,評價神經網絡方法預測的情況。

2.1 數據處理

為了提高模型的預測精度,在預測前對沉降數據進行等時距轉化[3]和歸一化處理。采用spline插值法[4]對這兩監測點的原始數據進行等時距轉化,具體做法是在Matlab平臺上采用spline插值函數(三次樣條插值函數)與interp1函數編制程序進行插值變換生成等時距序列。完成等時距轉化后,在訓練前對實測沉降數據進行歸一化處理,即將輸入輸出數據映射在[-1,1]范圍內,訓練結束后,將仿真輸出再反歸一化到原數據范圍,這樣得到的結果較為理想。歸一化方法較多,本文歸一化處理是在Matlab平臺上調用函數來進行處理,歸一化函數為mapminmax函數。

2.2 不同神經網絡預測方法對比分析

針對試驗區淺表層快速加固處理階段,分別用BP網絡、徑向基RBF網絡[5]及Elman網絡[6]對試驗區監測點DB3沉降進行擬合與預測。在Matlab[7]上編寫了相應的軟基沉降時間序列預測模型程序,程序設計流程見圖3。

圖3 神經網絡時序預測模型程序流程圖Fig.3 Program flow chart of neural network timing prediction model

經過調試,其中模型階數即輸入層單元數P取5,即按照時間先后順序依次取6個等間距時刻的沉降實測值,其中前5個作為輸入矢量,第6個作為輸出矢量。BP網絡與Elman網絡的隱層單元數按照1987年Hecht-Nielsen提出的“2P+1”法確定[8],其中P為輸入層單元數。故隱層單元數為11,這兩個網絡的輸入層—隱層的傳遞函數都為purelin,隱層—輸出層的傳遞函數都為purelin,訓練函數均為traingdx,網絡性能目標即訓練誤差均設為0.001,最多訓練次數均為100 000次,這樣便于比較兩個網絡預測結果;RBF網絡利用函數newrbe創建一個精確RBF神經網絡,它會自動選擇隱層單元數,該網絡中需要調節徑向基函數分布密度spread,通過對spread不斷地調節嘗試,網絡會達到相應的預測結果。

試驗區在5月24日以后真空度穩定在68～84 kPa之間,表明荷載基本恒定,對沉降實測數據進行間隔為一天的等時距轉化后,選取5月24日—6月8日的16個沉降實測值進行學習訓練,選輸入層單元數p=5,則訓練樣本為11個,訓練完成后檢驗精度,如果精度滿足預測精度要求,則對6月9日—15日的7天沉降進行預測。下面就監測點DB3展開討論。

監測點DB3三種網絡的學習訓練結果見表2。

表2 淺表層快速加固處理DB3三種網絡學習訓練結果Table 2 Three kinds of neural network training results of DB3 in shallow surface rapid reinforcement

從表3可以看出,BP網絡、RBF網絡及Elman網絡學習訓練的沉降擬合值都與實測值很接近,相對誤差都很小,平均相對誤差分別為1.31%,0,1.40%,均<5%,模型精度為“好”。尤其是RBF網絡,其擬合值與實測值基本相同,擬合精度極高,可見它在函數逼近能力方面優于BP網絡與Elman網絡,并且在程序運行過程中,RBF網絡學習速度也快于BP網絡與Elman網絡,充分體現出其最優泛函逼近及收斂速度較快的特點。BP網絡和Elman網絡擬合的相對誤差相差無幾,擬合比較理想,三種網絡均可以用于后期預測。

監測點DB3隨后7天的預測結果列于表4中。為了更直觀地顯示出三種網絡的擬合預測情況,利用Matlab編程的三種網絡的訓練預測結果依次分別見圖4、圖5、圖6,三種網絡的預測結果對比圖及相對誤差對比見圖7、圖8。

從表3及圖4-圖6中可以看出,BP網絡、RBF網絡及Elman網絡的預測曲線都與實測曲線基本吻合。通過三種網絡的對比(圖7)可見,預測結果比較理想,預測平均相對誤差依次分別為0.42%、0.69%、0.39%,均<5%(圖8)。不過預測精度并非呈現學習訓練時擬合精度一樣的規律,雖然RBF網絡擬合精度最高,但在預測方面的表現并沒有BP網絡和Elman網絡優秀,三種網絡預測精度排序為:Elman網絡>BP網絡>RBF網絡。Elman網絡預測精度最高,應該與它的網絡結構有關,因為它是一種反饋型神經網絡,它所建立的時間序列預測模型是動態的,可以更好地反應沉降隨時間的變化情況;BP網絡與RBF網絡都屬于靜態時間序列預測,它們是前向型神經網絡,至于BP網絡為何優于RBF網絡,可能是因為沉降預測曲線是較有規律的收斂曲線,而RBF網絡更適合解決波動大且復雜的非線性曲線,另外RBF網絡分布密度spread的選取具有一定的隨機性,需要不斷調試才能達到較理想結果,預測精度較低也可能與之相關。此次RBF網絡訓練及預測結果,其分布密度spread設定為0.75。

圖4 淺表層快速加固處理階段DB3 BP網絡預測圖Fig.4 BP neural network prediction graph of DB3 in shallow surface rapid reinforcement period

圖5 淺表層快速加固處理階段DB3 RBF網絡預測圖Fig.5 RBF neural network prediction graph of DB3 in shallow surface rapid reinforcement period

圖6 淺表層快速加固處理階段DB3 Elman網絡預測圖Fig.6 Elman neural network prediction graph of DB3 in shallow surface rapid reinforcement period

圖7 淺表層快速加固處理階段DB3三種網絡預測對比圖Fig.7 Three neural network prediction graph of DB3 in shallow surface rapid reinforcement period

圖8 DB3三種網絡訓練預測相對誤差對比圖Fig.8 Relative error comparison of three neural network training prediction of DB3

3 結束語

采用三種神經網絡時序預測模型(BP網絡,RBF網絡,Elman網絡)對試驗吹泥區監測點DB3在快速加固處理階段的沉降進行了擬合預測,并與現場實測值進行對比,得出以下結論:

(1) 試驗區運用的淺表層快速加固處理技術,雖然加固機理與真空預壓法相同,但處理對象是流動狀、幾乎無承載力的吹填淤泥,這點有別于常規真空預壓法的處理對象,另外施工工藝方面也有著較大區別。通過在試驗區的應用情況,結果表明采用淺表層快速加固處理技術加固效果顯著并且較為合理經濟。

(2) 人工神經網絡對試驗區經過淺表層加固處理的淤泥的沉降量進行擬合與預測,利用Matlab編制出網絡相對應的時序預測程序,相比傳統的預測方法,沒有假定沉降發展模式,最大限度地減少了人為因素造成的預測誤差。時序預測模型進行短期預測時,在訓練樣本數即參與擬合的實測值個數,BP網絡與Elman網絡隱層神經元個數、傳遞函數及訓練函數都相同的前提下,從前期訓練看,RBF網絡的擬合精度極高,遠遠優于擬合精度相差無幾的BP網絡與Elman網絡;但從預測結果總體來看,Elman網絡的預測精度是最高的,其次BP網絡,相對最差的是RBF網絡。可見Elman網絡的反饋型網絡結構具有更好的時序預測能力。

[1] 唐弈生.天津新港真空預壓加固軟土地基典型工程總結[R].天津:交通部一航局科研所,1983.

[2] 張立明.人工沉降網絡的模型及其應用[M].上海:復旦大學出版社,1993.

[3] 秦亞瓊.基于實測數據的路基沉降預測方法研究及工程應用[D].長沙:中南大學,2008.

[4] 孟德光,岳祖潤,李敬平.灰色模型在軟土地基沉降預測中的應用[J].國防交通工程與技術,2004(4):51-54.

[5] 李長冬,唐輝明,胡斌,等.小波分析和RBF神經網絡在地基沉降預測中的應用研究[J].巖土力學,2008,29(7):1917-1922.

[6] 朱紅霞.神經網絡模型在高速公路軟基沉降預測中的應用[D].天津:天津大學,2004.

[7] 葛哲學,孫志強.神經網絡理論與MATLABR2007實現[M].北京:電子工業出版社,2007.

[8] Hecht-Nielsen R.Applications of counterpropagation networks[J].Neural Networks,1988,1(2):131-139.

.

(責任編輯：陳姣霞)

Shallow Surface Rapid Reinforcement Technology of Dredger Fill and ArtificialNeural Network Settlement Prediction Method

GONG Sheng
(ChinaRailwaySiyuanSurveyandDesignGroupCo.,LTD.,Wuhan,Hubei430063)

The author took the soft foundation treatment project of Haicang Port Area of Xiamen Port for an instance,and adopted reinforcement treatment by shallow surface rapid reinforcement technology based on the engineering characteristics of dredger fill in experiment plot.In the paper,it also introduced the technical ideas,mechanism of the technology and the difference with vacuum preloading method in detail,in order to evaluate the reinforcement effect.in the meantime,BP neural network,RBF neural network and Elman neural network timing prediction model program have been established by using MATLAB to predict and research the settlement after reinforcement in this plot.From the prediction results,the highest prediction accuracy is Elman neural network,the second is BP neural network,the relative worst is the RBF network.The feedback network structure of Elman makes it have better timing prediction capability.

dredger fill; settlement prediction; artificial neural network

2016-10-21;改回日期:2016-11-10

鞏勝(1986-),男,工程師,地質工程專業,從事地質路基相關工作。E-mail:563856886@qq.com

P642

A

1671-1211(2017)02-0213-06

10.16536/j.cnki.issn.1671-1211.2017.02.019

數字出版網址:http://www.cnki.net/kcms/detail/42.1736.X.20170314.0820.006.html 數字出版日期:2017-03-14 08:20