基于 LSTM 深度學習模型的大跨度多孔框架橋頂進預測技術研究

吳英昊

（中鐵二十四局集團有限公司北京分公司，北京 100163）

0 引言

框架橋在下穿鐵路頂進時，往往會因為左右受力不均而出現軸線偏移的現象，若不及時糾偏，則極容易出現軸線偏移超限致使框架橋偏離頂推線路而出現工程質量事故和安全事故。而針對框架橋頂進時的糾偏措施，傳統的方法是依據監測到的軸線偏差數據判別框架橋的頂進姿態走勢，等到框架橋頂進軸線偏差達到預警數值之后，通過有針對性地調整頂力配置來實現糾偏［1］。這種糾偏行為由于經驗性較強且需要發生較為明顯的軸線偏移后才能被觸發，可以被認作是“限值糾偏”。“限值糾偏”致使糾偏工作始終處于被動狀態，得不到盡早開展，從而引起糾偏工作量的增加或是糾偏效果的不理想。

為解決“限值糾偏”所帶來的糾偏行為不及時的問題，可采取的方法之一是加強頂進施工時對框架橋姿態的監測頻次，盡可能獲取更多的姿態偏差數據，通過加大對姿態偏差樣本量的采集和分析來縮小對其的預測誤差。但這種糾偏方式仍然會受到主觀因素和經驗因素的影響，對作業人員的綜合素質要求較高。若作業人員主觀太保守，則會增加作業難度，消耗過多頂力資源；反之則容易出現框架橋偏差超限的質量、安全事故。

基于以上問題，要盡可能消除糾偏措施中的人為干擾因素，可以引入機器學習的方法，即依據實時框架橋頂進姿態監控數據，得到頂進時間序列上的軸線偏差值，通過深度學習模型對軸線的偏差趨勢進行預判，進而再觸發糾偏行為。這種方法將傳統的“限值糾偏”轉化為“趨勢糾偏”，使得糾偏工作的開展更為及時，糾偏效果也更為優異。

1 工程概況

蘆東路下穿京滬鐵路框架橋工程位于北京市大興區，與既有京滬鐵路相交處鐵路里程為 K30+511，道路里程為 K6+964.72，道路軸線與鐵路交角 為 59.7°。所采用的框架橋為五孔連體式結構，孔徑為（4.8-11-13-13-11）m，跨度為 58.1 m，長度為 39.8 m。

該框架橋寬度大、孔數多，采用全斷面同時頂進。由于其下穿的京滬鐵路為繁忙干線鐵路，為確保頂進施工時列車的行車安全并縮短對鐵路的封鎖時間，工程基于深度學習算法，研發出了可以預判出框架橋姿態變化趨勢的 LSTM（Long Short-Term Memory，長短時記憶）模型。該模型通過處理所收集到的框架橋軸線偏差數據并對其進行分析學習，從而消減了人為經驗因素對軸線偏差分析的干擾，使得對軸線未來走向的研判更為及時、準確和快捷。

2 兩種深度學習方法概述

2.1 循環神經網絡（RNN）概述

深度學習作為機器學習領域的一個分支，是指通過構建具有多個隱藏層的深度神經網絡模型［2］，并利用大量數據訓練模型來學習數據間的復雜有效的信息，試圖去尋找數據的內部結構特征，繼而發現變量之間的真正關系。

循環神經網絡（RNN，Recurrent Neuron Network）是深度學習技術的一種，主要用于時間序列數據的處理［3］。時間序列數據可以理解為按照時間順序所收集到的數據，這類數據可以描述現象隨時間變化的情況。在工程施工中，所有隨著時間變化的數據都可以看作是時間序列數據，當然也包括框架橋頂進的軸線偏差。

之所以 RNN 可以用于時間序列的處理，是因為 RNN 中的網絡單元具有“記憶”的功能，即神經元在某時刻的輸出會被“記憶”，并且將影響到后續的信息輸出。RNN 網絡結構如圖 1 所示。

圖1 RNN 網絡結構示意圖

然而，RNN 模型在處理過長的時間序列數據時，對于序列上較遠的節點，因計算其聯系時會出現矩陣的連乘，網絡中每個節點的梯度會因為連乘而出現指數級的增大或縮小，所對應的會引起深度學習過程不穩定或者預測效果不精確，因此，這種方法存在一定弊端。為解決這一問題，LSTM 模型應運而生。

2.2 長短時記憶神經網絡（LSTM）概述

LSTM 是在 RNN 的基礎上發展起來，其核心的改進就是通過引入了可控的自循環神經單元，從而產生讓誤差梯度能夠得以長時間可持續流動的路徑，避免產生梯度彌散或者爆炸等影響模型計算收斂速度，甚至無法收斂的問題。這使得它相比于循環神經網絡，能夠在更長的時間跨度內跟蹤數據變化規律信息，更加適合于處理時間序列的分析預測。

LSTM 結構主要由輸入門（input gate）、遺忘門（forget gate）、輸出門（output gate）以及一個記憶單元（ct）組成［4］。其中，負責將信息傳遞到記憶單元的結構為輸入門，決定從記憶單元輸出的信息的結構為輸出門，遺忘門則控制所輸入的信息哪些被保留，哪些被拋棄。LSTM 結構所具有的門限構造是其與 RNN 結構的本質區別，也正是因此，LSTM 結構可以完成對長期信息的保留或者丟棄。

LSTM 中的三個門限可以用 Sigmoid 函數來表示，其取值范圍為［0，1］，當其值為 0 時，則表示沒有信息通過；當其值為 1 時，則表示信息全部通過。

借助于遺忘門對信息的過濾功能和輸入門對信息的添加功能，記憶單元可以實現記憶信息的實時更新。此外，t時刻的單元的狀態會受到（t-1）時刻單元狀態的影響，這又體現了 LSTM 的自循環特性［5］。由此可見，LSTM 對于時間序列的分析預測，相較于 RNN 而言，更為精確。LSTM 重復模塊的結構如圖 2 所示。

圖2 LSTM 細胞的結構示意圖

3 基于 LSTM 模型對框架橋軸線偏差的預測

3.1 預測方法研究

借助于 LSTM 模型，將框架橋軸線偏差的實時測量數據作為輸入的時間序列，對該數據逐層進行分析并歸納特征，可以分析出框架橋軸線的未來發展趨勢。本工程框架橋軸線偏差的預測的 LSTM 模型包括輸入層、隱藏層、輸出層、網絡訓練等部分［6］，具體如圖 3 所示。

圖3 基于 LSTM 模型對框架橋軸線偏差趨勢的預測流程

3.2 頂進及預測的實施

以蘆東路下穿京滬鐵路框架橋頂進時中線偏差為數據來源，糾偏前的軸線偏差實測值及預測值如圖 4 所示。在數據統計中，正值表示偏于設計中心軸線行進方向以左，負值表示偏于設計中心軸線行進方向以右。

圖4 糾偏前框架橋軸線偏差情況

分析圖 4 可得，框架橋初頂時，由于其處于預制滑板上，所受到的頂力均勻且側面沒有摩阻力，橋體的軸線偏差基本穩定，但仍然會出現輕微偏向的情形，這是由于滑板施工的平整度偏差所引起的。

在框架橋脫離滑板前，前后端軸線均向右偏移；而當框架橋前端剛離開滑板時，前后端軸線突然向左偏移且變化較大。這是因為當框架橋脫離滑板后，橋體左前部分的刃腳和部分底板已經接觸土體，但由于大部分橋體還在滑板上，土體與滑板對框架橋產生了不同的摩阻力，從而引起了橋體的橫向位移。特別是當框架橋整體離開滑板后，摩阻力的突變導致前端軸線的最大偏差達到了 10 cm，但在調整了左右側頂力大小后，左右頂力的不均對橋體產生了遏制其逆時針偏移的順時針力偶，致使框架橋姿態偏差得到了調整。

在框架橋完全吃土頂進后的第 30 鎬時，框架橋軸線逐漸出現繞著中心點順時針旋轉的偏位趨勢（軸線后端向左偏位、同時前端向右偏位）。通過 LSTM模型的預測結果發現，若不進行糾偏，框架橋后端軸線的偏差將在第 34 鎬時超出 5 cm 的限值，并且會進一步發展至-8.4 cm（第 38 鎬時前端軸線的偏差）、9.8 cm（第 38 鎬時后端軸線的偏差）。因此應當在頂進至 34 鎬時對框架橋進行糾偏，糾偏之后軸線偏差情況如圖 5 所示。

圖5 第 34 鎬糾偏后框架橋軸線偏差情況

在第 34 鎬實施了糾偏動作后，軸線前后偏差值有所減小并逐步收斂在了 5 cm 的限值以內，說明糾偏效果良好。

框架橋在第 34 鎬～第 60 鎬期間整體的軸線偏差基本穩定。然而，當在第 61 鎬時，橋體軸線的順時針轉動偏差又進一步增大，根據 LSTM 模型的預測結果，若不采取糾偏措施繼續頂進，當在第 65 鎬時，橋體前后端軸線的偏差均將超限，而在第 70 鎬時，軸線前端的偏差將達到 -10 cm，后端的偏差的將達到 10 cm。因此現場在第 65 鎬對框架橋進行了第二次糾偏，第 65 鎬糾偏之后軸線偏差的實測值及預測值如圖 6 所示。從圖 6 可以看出，實施糾偏后控制住了偏差增大的發展趨勢，并且直至頂進結束，框架橋的軸線偏差均保持在了相對穩定的狀態。

圖6 第 65 鎬糾偏后框架橋軸線偏差情況

4 結語

蘆東路下穿京滬鐵路框架橋工程在框架橋頂進作業中，基于 LSTM 深度學習模型，提出了框架橋頂進姿態的智能預測技術。該技術通過對往期鎬次框架橋姿態實時監控數據的學習，能夠有效掌握時序數據的發展變化規律，并快速準確分析研判出框架橋軸線偏差的發展趨勢，為后續糾偏動作的實施提供參考依據。借助于本技術的應用，蘆東路下穿京滬鐵路框架橋工程在頂進施工期間，橋體軸線的最終就位實測值相較于設計值，前端向右偏移了 3.5 cm，后端向左偏移了 1.3 cm，前后端軸線的相對偏差和兩端軸線的各自絕對偏差均在 5 cm 的設計限值以內，不僅實現了框架橋的精準就位，更進一步確保了頂進施工的鐵路運營安全。Q