基于自適應的高海拔地區心墻填筑進度仿真

陳廷才，胡 超，徐 盛，周宜紅

(1.三峽大學水利與環境學院，湖北 宜昌 443002； 2.水電水利規劃設計總院，北京 100120)

我國西南地區水能資源豐富，隨著開發程度的推進，近年來逐步轉向地質條件復雜、地震烈度高、自然環境惡劣、交通極度不便的高海拔地區。這些地區受缺氧、高寒、強輻射、高蒸發、大溫差等特殊氣象因素影響，給筑壩帶來極大干擾。堆石壩能直接利用當地材料，減少外來物資運輸壓力，且適應性強、抗震性能優良、經濟優勢明顯，在高海拔地區修建高壩使特高壩得到更廣泛的應用。目前有兩河口(壩高295 m)、雙江口(壩高312 m)、如美(壩高315 m)等一批特高心墻堆石壩正在展開建設或設計工作。

高海拔地區心墻堆石壩施工條件復雜。心墻填筑是筑壩施工的關鍵控制環節，心墻有效施工時間短，施工不連續，強度不均勻，為現場施工進度控制和管理帶來挑戰[1-4]。

近年來，為做好工程施工進度控制和管理，多采用施工仿真方法對施工進度進行模擬，如王仁超等[5]運用自適應控制理論與方法建立了高堆石壩施工過程管理與施工控制模型；程嚴等[6]根據流水作業的基本原理和堆石壩填筑的施工特點，并考慮堆石壩土石方挖運對其壩面流水施工的影響，合理確定了壩面流水施工方案；申明亮等[7]系統分析了堆石壩填筑過程中不同分期和分區施工之間的相互聯系和制約關系，建立了具有一定通用性的壩體填筑施工模擬模型；鐘登華等[8-9]通過綜合考慮施工現場各項影響因素，建立了心墻堆石壩倉面施工進度動態控制模型，實現倉面施工進度的事前、事中控制，并結合系統仿真技術、數據庫技術、可視化技術、系統集成技術和實時監控技術，開展了高堆石壩施工仿真與優化理論和方法的研究。

然而，上述仿真研究多在施工前開展，仿真參數的設定受主觀因素影響較大，未隨填筑過程進行動態調整，難以反映現場施工條件的變化情況。心墻填筑過程不僅受倉面劃分、資源配置、施工方法等內部因素影響，也受氣象條件、料場供料、上壩路徑等外部因素影響[10]，且這些因素都是動態變化的，導致仿真預測過程和結果均與實際情況存在一定偏差。因此，需要綜合考慮高海拔地區的復雜約束條件，依據歷史數據，對仿真參數進行全過程的自適應調整，使仿真結果更貼近工程實際。

本文通過對心墻填筑過程復雜約束條件的分析和研究，綜合考慮了土料開采運輸過程、高海拔地區氣象條件，建立了基于自適應的高海拔地區特高心墻堆石壩心墻填筑進度仿真模型，工程實例應用表明，本文提出的仿真方法能夠反映施工現場實際情況，仿真進度偏差較小。

1 基于自適應的心墻填筑進度仿真模型

1.1 料源約束

特高心墻壩施工過程中，心墻填筑往往是多個料場供料，考慮料場布置、料源質量、供應方式、供應時序等因素，應在滿足工程用料質量的同時，盡量降低經濟成本[11]。復雜土料場土料開采模型[12-14]可用下式表示：

(1)

式中：Zmin為優化目標函數，表征最優開采方案；n為土料場數量；m為土料類別數量；Dij為第i個土料場第j類土料的開采成本，其與土料場位置、土料場覆蓋層等因素有關，通常用工時進行描述；Qij為第i個土料場第j類土料的質量效用系數；Tij為第i個土料場第j類土料在不同時間段內的時間效用系數；ω1、ω2、ω3為人工決策參數，且ω1+ω2+ω3=1。

1.2 氣象約束

高原地區氣象條件復雜多變，心墻填筑受氣象條件影響較大，氣象模擬精度是仿真模擬精度的關鍵要素之一。本文采用BP神經網絡算法根據歷史氣象數據[15-17]，對后續施工過程中降雨和溫度兩要素進行預測，形成每日數據，以判斷施工條件。BP神經網絡具有非線性映射能力，數學理論證明3層BP神經網絡能夠以任意精度逼近任何非線性連續函數，故本文采用3層BP神經網絡對氣象數據進行預測。歷史氣象數據由時間序列、降水量和溫度組成，首先將時間序列的起始值置為1，此后以天為單位依次遞增，并使用線性映射函數將時間、降水量和溫度值映射到0～1之間。設處理后的時間序列為ti，降水量和溫度隨時間分布序列分別為Pi和Ti，其中，i為序列號，且 1≤i≤k，k為歷史氣象數據長度。

利用數據序列ti、Pi和Ti構造BP神經網絡的輸入和輸出，本文采用錯位遞推的方式，對目標數據進行逐個預測。設預測時間序列長度為l，即共進行l次數據預測，則第j(1≤j≤l)次預測時，網絡的輸入數據為{t1+j,t2+j,…,ti+j,…,tk-1+j}，網絡輸出數據為{P2+j,P3+j,…,Pi+1+j,…,Pk+j}和{T2+j,T3+j,…,Ti+1+j,…,Tk+j}。由網絡輸入輸出數據結果可知，輸出數據相對于輸入數據，始終在時間序列上向后移動一位，在預測過程中，將已預測數據逐漸累加到訓練集中，即訓練集隨預測序列j的改變逐步加長。

使用3層BP神經網絡模型進行氣象數據預測，預測效果如圖1所示。圖1反映了用歸一化后的溫度數據對模型進行訓練和測試的效果，由測試結果可知，本文建立的BP神經網絡模型可用于長時間序列氣象數據的預測。

圖1 BP神經網絡模型測試結果

高原氣象條件對倉面施工的影響主要表現在3個方面：①當降水量達到0.5 mm時，倉面停止施工，并根據實際降雨情況，在雨停后等待一段時間才能復工；②當溫度低于0℃時，做防護施工，溫度低于-10℃時，停止施工，溫度回升后，根據實際倉面凍結情況，等待一段時間再復工；③在等待復工時段，風速會加快倉面水汽蒸發，縮短待工時長。氣象影響填筑施工分析流程如圖2所示(圖中P降水量，T為大氣溫度)。

圖2 氣象因素影響下填筑施工流程

1.3 仿真參數自適應調整模型

心墻填筑進度仿真模型中包含仿真參數自適應調整模型，調整的參數為浮動性較大的進度控制參數，如機械配置數量、料源供給強度等。自適應調整過程的有效時段是擁有實際填筑進度數據的時段，自適應調整過程以控制心墻實際填筑進度與仿真進度的誤差來實現[18]。仿真參數自適應調整模型如下式所示：

(2)

式中：Y為調整后的參數；Y0為調整前的參數；Ymin、Ymax分別為待調整參數的最小限定值和最大限定值；Sf為心墻實際施工進度；Ss為心墻填筑仿真進度；η為仿真參數微調系數。

仿真參數自適應調整流程如下：①獲取心墻實際填筑進度數據，將該數據設置為模型仿真的預期進度。②初始化仿真參數，設置仿真時間步長。③開始新一個單位步長內的填筑仿真。④該單位步長內的填筑仿真結束后，計算當前仿真進度與實際仿真進度(預期進度)的差值，在設置的允許進度誤差范圍內，當心墻填筑仿真進度超前于心墻實際填筑進度，則應降低填筑強度，即將控制參數調低；當心墻填筑仿真進度滯后于心墻實際填筑進度，則相應提高填筑強度，即將進度控制參數調高。參數調整完畢，將仿真進度歸零，以新參數重新進行該單位步長內的填筑仿真。當心墻填筑仿真進度與實際填筑進度相吻合時，則保持當前參數，進入下一單位步長的填筑仿真。⑤重復③和④，直至心墻仿真進度在時間上超過心墻實際填筑時間節點時，結束參數自適應調整過程，保持當前仿真參數，完成心墻填筑進度的全過程仿真。

心墻填筑仿真參數自適應調整流程如圖3所示。本文建立的仿真參數自適應調整模型可以在自適應調節機制的作用下，使仿真填筑進度與實際填筑進度的偏差始終在允許誤差范圍內。

圖3 仿真參數自適應調整流程

圖4 心墻填筑進度仿真流程

1.4 心墻填筑進度仿真流程

心墻填筑進度仿真流程如圖4所示。在該流程中，將各約束條件參數加載到倉面流水作業過程中。通過求解土料開采模型，獲得初始料源供給參數；利用BP神經網絡進行氣象數據預測，獲得初始氣象條件參數；通過倉面施工機械初始參數的配置和實際施工進度數據準備，獲得心墻填筑進度仿真的全部參數條件。心墻填筑仿真時，首先獲取倉面面積和填筑方量，將倉面分為A區和B區，分區進行施工資源配置(包括車輛、碾壓設備等)，再運用流水作業的施工方法進行填筑仿真。

2 工程應用

2.1 工程概況

采用構建的仿真模型對我國西南地區某水電站礫石心墻堆石壩心墻填筑進度進行仿真。該堆石壩最大壩高295 m，壩體總填筑量約4 300萬m3，其中心墻填筑工程量約442萬m3，堆石填筑3 900萬m3。工程施工階段共有5個料場為心墻填筑提供料源，分別為西地(1、2區)、蘋果園(A、B區)、亞中(A、B、C區)、瓜里(A、B1、B2區)、普巴絨(A、B區)；實施階段，增加普巴絨C區土料場。該堆石壩心墻頂寬6 m，頂高程2 874 m，心墻上下游坡均為1∶1.2，心墻底基座頂高程為2 582 m，順河向寬度為124 m，心墻施工過程中單倉分層厚度為0.3 m。

據當地氣象站1961—2014年實測資料統計，工程壩區多年平均降水量為746.1 mm；雨季(6—10月)降水量為694.2 mm，占全年的93%；歷年最大1日降水量為 70.6 mm。冬季施工主要集中在1月至2月上旬及11月下旬至12月。冬季平均出現0℃以下時段主要為1：00—11：00。對工程壩區2018年氣象數據進行統計，結合碾壓式土石壩施工停工標準及現場實際情況，將低于0℃記為低溫天氣，每10 d統計一次累計低溫天數，低溫天數和降水量統計結果如圖5所示。

圖5 2018年壩區氣象數據統計結果

2.2 心墻填筑進度仿真

本工程涉及5個土料場，共13個分區，每個區域土料分為3個類別，采用料源約束模型對復雜土料場進行土料開采規劃，結果如表1所示。由表1可見，各土料場的Ⅰ類土開采度最高，Ⅱ類土次之，Ⅲ類土由于質量較差，開采利用程度最低。

表1 復雜土料場開采規劃

本工程心墻開始填筑時間為2016年10月，計劃竣工時間為2021年11月。在進行心墻填筑進度仿真時，心墻實際填筑進度已過半，因此利用已填筑數據進行參數的自適應調整。利用本文建立的仿真模型對心墻填筑全過程進行仿真，并與實際填筑進度對比，結果如圖6所示。

圖6 心墻填筑進度仿真結果對比

由圖6可見，心墻實際填筑的時間進度已到2020年6月底，實際填筑高程為2 798 m。在圖6的Ⅰ區，仿真參數自適應調整模型處于成長期，在該時段內，仿真參數持續調整更新，仿真模型的自適應時長為180倉，累計學習次數為26次，學習時段主要分布在前60倉；在Ⅱ區，仿真參數自適應調整過程趨于穩定，幾乎不再進行調整更新；Ⅲ區為未施工部分，該部分計劃填筑強度與仿真填筑強度幾乎保持一致。最終仿真模型的竣工時間為2021年10月8日，計劃竣工日期為2021年11月18日，二者在時間進度上相差40 d，與實際的進度偏差為2.17%。

由于計算機仿真是在絕對理想條件下進行的，故仿真施工效率總高于實際施工效率，隨著仿真模型參數自適應調整次數的增加，該效率差會更低，保證了仿真進度的可靠性。

3 結 語

本文綜合考慮了心墻堆石壩心墻填筑過程中的倉面施工料源供給、高海拔地區氣象特征和倉面施工參數對施工進度的影響，在傳統仿真方法的基礎上，基于工程實際數據，建立了土料開采模型和BP神經網絡氣象預測模型，并利用仿真參數自適應調整模型進行全過程參數優化，以獲得較理想的仿真性能。將本文建立的心墻填筑進度仿真模型應用于我國西南地區某礫石心墻堆石壩心墻填筑進度管控，仿真結果與實際施工進度偏差僅為2.17%，相較于傳統仿真方法有明顯的提升。因此，本文提出的高海拔地區特高心墻壩心墻填筑進度仿真模型能夠更加真實地反映現場實際填筑進度，為現場施工進度分析、料源開采規劃和施工進度管理提供技術支持。