地鐵盾構施工地表建筑物監測與BP變形預測

吳廣蘭

(邵陽學院城鄉建設學院，湖南 邵陽 422000)

0 引言

近年來，地鐵作為緩解我國城市交通壓力的重要手段得到了如火如荼的發展。地鐵施工穿越的大多是城市繁華區段，明挖施工對現有交通影響太大，因此人們提出了隧道盾構施工法，解決了地鐵建設的重大難題[1]。但是根據土力學的相關原理，盾構施工過程往往會打破原有土體的靜力平衡而引起地表下沉甚至建筑物結構性破壞[2]。某市地鐵一號線在火車站站—博愛路站區間穿越京滬鐵路，該區段地表有軌道、站臺、站房等，該市火車站也在進行車站提質改造，運行鐵軌、站臺以及燃氣供水等各類城市地下管線相互影響因素較多，施工復雜且難度較大。因此，進行自動化監測分析，為建設、運營單位提供及時、可靠的監測信息，了解地表重要建筑物變形，對降低事故發生概率具有重要意義，再輔之以預測技術則能夠預判建構筑物的安全狀況，可進一步實現優化技術方案、提高施工水平目標。

1 BP人工神經網絡變形預測模型

神經網絡是基于人腦神經的研究，是1965年由人工智能之父John McCarthy提出。它是由許多節點彼此相連而構成，是對人腦思維的模仿，每一節點都是一個激發函數，會對外界的信號刺激作出響應。人們基于對神經網絡的基礎研究，為各類理論、實踐的研究提出了人工神經網絡模型，該模型最基礎的結構是由互相連接的三層結構——輸入層(Input)、隱含層(Hidden)、輸出層(Output)構成[3-4]。

目前，在工程領域應用最廣泛的屬BP神經網絡，該模型一般采用隨機的加權和偏差，將模擬結果與現實數據對比分析模型誤差，可以通過均方誤差(MSE)進行模型性能評價，利用均方根誤差(RMSE)進行預測效果評價。BP神經網絡通過連續不斷的多次“學習”，完成模型參數的不斷優化，獲得最小誤差的參數，這一功能尤其對于大數據時模型的學習效率會較好，因此它能很好處理復雜非線性的大數據序列[5]。

2 工程概況

論文依托工程為某市地鐵一號線火車站—博愛路區間項目，該區間盾構施工環境是整條線路最為特殊的，該區間地表除了有一般的道路、建筑，還有既運營火車站和京滬鐵路。京滬鐵路為Ⅰ級客貨混運鐵路，設計時速160 km/h，軌道采用碎石道床。車站南側為龍門大廈、行包房等大面積的建(構)筑物，經過查閱資料和實地調查，大部分建筑采用基礎形式為埋深僅2.8 m～4.0 m的柱下獨立基礎。

工程實踐經驗表明，盾構施工必然會造成上覆土體擾動，甚至嚴重影響地表建筑物安全。盾構施工引起的巖土體應力變化擴展到地表后會從地基承載力、結構基礎、建構筑三個方面影響上部建筑物結構穩定，根據施工斷面與地表建筑所處的相對位置，將盾構主要階段劃分為盾構掘進中和盾尾脫出后，盾構施工對地表建筑物影響區域也劃分為擾動區和彈性區，其影響示意圖如圖1所示[6-7]。

由圖1可以分析出，如果盾構施工的擾動影響力較大可能會導致地表建構筑物發生沉陷、開裂、傾斜等事故。本工程區間近距離下穿京滬鐵路股道、站臺、行包房、雨棚等建構筑物，基本都屬于盾構穿越期的受影響物，如何及時掌握地鐵建設過程對這些建筑物的影響、評估建筑物的安全穩定性成為該工程建設過程中迫切需要研究的問題。

3 施工變形自動化監測及數據處理

3.1 測量機器人自動化監測

基于地鐵盾構區間施工下穿鐵路處于運營階段復雜特殊情況，本項目采用的是Leica TM30型測量機器人進行自動化監測。徠卡TM30精度高、自動化程度高，可確保全天候無間斷工作，能及時發現監測對象細微變化；同時，該款測量機器人具備的長距離的自動精確照準大幅增加了監測半徑；而且TM30可以安裝TPS機載隧道測量軟件，結合Leica GeoMos自動監測軟件可智能便捷的完成各類監測任務[8]。在確定使用測量機器人的基礎上設計了監測方案。

1)重點監測對象：既有鐵路軌道、行包房等建筑沉降與裂縫、雨棚柱沉降與傾斜監測、地表的沉降等。

2)監測點布設：軌枕每條股道為1條監測軸線、1個監測斷面，雨棚柱、站臺柱每處測點2個，各類建筑根據其形狀并結合圖1所示的與隧道的相對位置確定監測點的位置，重點是建筑的外墻角、柱身、外形突出部等。

3)監測周期與頻率。具體監測過程中，重點監測盾構穿越擾動區的鐵路軌枕及鄰近建(構)筑物，盾構切口進入道床前階段每3 h監測1次,盾構穿越階段每2 h監測1次，盾構穿越后視監測變量發展情況合理調整監測頻次直至變形穩定，一般要求跟蹤監測3個月以上。本區間盾構施工歷時18 d，考慮工后沉降分析和安全監測要求又對工后進行了90 d的持續跟蹤監測。

4)信息反饋與報送。在工程實施過程中，自動獲取監測數據后利用“監測信息管理系統”完成信息管理，及時將各類變化量、速率通過易讀性成果進行反饋。尤其對監測值出現預警狀況的，達到預警值甚至超過警戒值的，不僅要注重效率，而且要以曲線規律圖、安全監測分析報告等形式進行科學報送。

3.2 監測數據處理分析

在獲取原始監測數據后，為提高數據的有效性利用小波去噪技術進行降噪處理，即選擇sym4小波函數進行3層分解實現去噪，整理得到部分變形較大數據如表1所示。

由表1可知，盾構下穿火車站站—博愛路站區間期間，地表的京滬鐵路軌枕、火車站站臺、雨棚柱等均出現了變形，有軌枕的沉降、路基位移、雨棚柱傾斜出現過累計變化量較大的情況，但總體變化趨勢較緩。其中，最大軌枕和路基沉降位于6道穿越正上方，累計最大變形3.6 mm；最大站臺垂直限界位于5站臺穿越中線偏東，累計最大變形3.2 mm，達到控制值的80%；最大雨棚柱傾斜位于9站臺穿越中線偏東地道口，傾斜度達到3.65‰，但各監測點變形總體處于安全范圍，尤其是盾構施工超過變形影響范圍后即趨于穩定。

表1 部分代表性監測項目的最大累計變形

結合監測和現場巡視的情況，工后3個月獲取的各監測對象變形速率處于0.01 mm/d～0.04 mm/d之間，滿足規范要求；其數據變形規律也表明盾構施工3個月后地表建構筑物基本處于安全狀況。

4 結構變形預測分析

4.1 基于MATLAB建立BP神經網絡模型

1)確定模型層數。利用MATLAB建立BP模型首要步驟即設置模型層數。前文已經分析BP神經網絡的層數必須有最基礎的輸入層、隱含層和輸出層，增加隱含層的數量會在一定程度上增加模型的準確性，但會使得函數之間的關系越來越復雜，需要更多的修正周期。因此，此次分析采用三層神經網絡結構[9]，該模型的拓撲結構如圖2所示。

2)選擇節點。BP神經網絡分析模型節點過多，學習所需時間增加，導致過度擬合，而節點數量太少，模型的準確性就會下降[10]。目前，一般按照式(1)來確定BP神經網絡隱含層節點數。

(1)

其中,m為輸入層的節點數；n為輸出層的節點數；a為0～10之間的常數。

一定范圍內增加a值能夠提高預測結果的準確性，但是所需訓練時長會大幅增加，在保證精度的前提下，本文取a為9，得到隱含層的節點數為11。

3)歸一化處理。為了實現BP神經網絡預測的目標，必須要采用激活函數對每層的神經元進行激活，即利用Sigmoid函數對輸入量進行歸一化處理，計算公式如式(2)所示[11]。歸一化處理具體做法就是利用公式，將函數的輸入輸出范圍選為[0.1，0.9]或[0.2，0.8]進行計算。

(2)

其中，x為未經處理的神經網絡輸入值；xp為經過平滑處理后的神經網絡輸入值;xmin為網絡輸入最小量；xmax為網絡輸入最大量。

4.2 預測結果分析

建立BP神經網絡模型后進行網絡訓練，當訓練次數達1 000次或達到設定精度時，就會被強制終止，基于BP神經網絡模型訓練和計算的流程如圖3所示。

為了進一步分析BP模型預測效果，以最典型的軌道及路基沉降最大點——6道穿越正上方PGZ605沉降進行分析，得到沉降實測變形曲線與BP神經網絡模型的預測曲線對比圖如圖4所示。

根據預測過程的訓練效果、模型分析相關度以及沉降點PGZ605實測值與預測值對比圖分析可知，軌道6道最大沉降點PGZ605點在前10期處于加速變形期，因為這一階段仍處于施工期，對地表建構筑的變形依然影響很大，甚至出現不穩定性，BP神經網絡模型預測數據與其基本吻合。第10期之后到30期之間沉降值增速變緩但總體增加，而進入30期之后數據總體趨于穩定，這與實際施工階段十分吻合。

分析了圖4中沉降點PGZ605近60期的實際沉降變化情況，又基于這些已有數據利用BP神經網絡模型預測了之后20期的沉降數據，顯示沉降點已經趨于穩定，與實際情況基本吻合，驗證了該工程的安全狀況良好和BP神經網絡模型預測效果較好，該方法具有良好的實用性。

5 結語

1)基于實踐性研究發現，地鐵盾構施工雖然便捷，但在盾構施工期對地表建筑物依然會產生較大影響，施工期間對建筑物必須進行合理的監測和防護加固，才能確保地表建筑物安全。

2)對于上覆地表為既有運營鐵路的盾構施工，采用自動化監測系統可以讓鐵路連續正常運行，不僅可以保證監測精度，還可以大幅度提高效率和降低成本；測量機器人TM30基于TCA2003進行了諸多功能改進，測量精度可達亞毫米，在減弱各種測量誤差方面有了很大改進，在該類項目監測中具有良好效果。

3)監測點數據和沉降圖表明，盾構施工對其上部引起的變形基本都在安全范圍以內；基于BP模型預測的結構沉降情況與實際情況良好吻合，表明該方法具有較好的實用性，可以為類似工程技術方案設計提供經驗。