拓寬路基不均勻沉降控制與變形預測技術研究

摘要：以二廣高速公路洛陽城區段拓寬工程為例，分析公路拓寬施工中的土工柵格加筋技術和預應力管樁技術，對新老路基的沉降量進行監測，并建立了基于BP神經網絡的變形預測模型，對拓寬路基的變形進行預測分析。研究結果表明：土工柵格加筋技術和預應力管樁復合地基技術，能夠有效的控制路基的沉降量，最大沉降值為5.89mm，橫向邊坡變動率為0.74%。BP神經網絡預測模型的相對誤差為1%左右，全程預測的數據偏差在0.1mm以內，精度較高，滿足工程領域估算要求。

關鍵詞：拓寬路基；不均勻沉降；土工柵格；預應力樁；變形預測

0 " 引言

近年來國內多條高速公路已經進行了拓寬改建，但是普遍存在新老路基沉降不均勻的問題，影響行車舒適性和快捷性，降低了道路通行能力[1]。

高速公路拓寬工程亟需解決新老路基差異沉降問題，以保證新老路基之間可靠銜接。本文以二廣高速公路洛陽城區段拓寬工程為例，分析公路拓寬施工中的土工柵格加筋技術和預應力管樁技術，對新老路基的沉降量進行監測，并建立了基于BP神經網絡的變形預測模型，對拓寬路基的變形進行預測分析。

1 " 工程概況

二廣高速公路洛陽城區段拓寬工程項目，起于朱家倉互通式立交以南處，終于彭婆樞紐互通式立交以北處，全線共33km。在原有四車道基礎上，兩側各加寬兩個車道，路基由原來的26m拓寬至42m，全段路基平均填土高度3.56m，最高填土高度9.6m。拓寬路段的地質情況如表1所示。拓寬路段的路基多為填方路基，對老路基填土鉆探結果如表2所示。

2 " 拓寬路基不均勻沉降控制技術

2.1 " 土工柵格加筋技術

路基是公路的承重結構，承受面層傳下來的車輛荷載，必須保證路基足夠的強度和應力擴散性能。土工格柵由聚丙烯、聚氯乙烯等聚合物壓制而成，變形模量大，抗拉強度高，抗老化性能好[2]。土工柵格加筋路堤布置如圖1所示。

土工格柵自身與填土之間的摩擦以及網孔與土體之間的咬合，可以束縛路基填料，增大路基的剛度模量，減小路基的側向變形。此外，土工格柵具有一定的張力和延展性，能使路基與土工格柵形成一個連續柔性結構，可以分散路面傳遞的載荷，使得更多范圍內的土體參與抵抗變形，使路基所受的應力均勻化[3]。

2.2 " 預應力管樁復合地基處治技術

預應力管樁強度高，能有效向深層土體傳遞載荷。由于管樁和路基填料之間的剛度相差較大，管樁和填料之間產生拱形效應，路基填料的載荷傳遞至樁帽，增大了樁體承受的載荷，減小了路基土體承受的載荷[4]，從而提高了預應力管樁復合地基的承載力。

為了充分發揮管樁的作用，在樁帽的頂部鋪一層碎石加筋墊層，使其形成樁網墊層復合地基，克有效降低加固區的沉降變形量。預應力管樁復合地基結構如圖2所示。

2.3 " 沉降監測

工程質量控制要求按照輕微沉降等級進行控制，橫向邊坡變動率以0.15%作為控制上限。路基單側拓寬8m，允許的最大沉降量為12mm。拓寬路基的沉降標準見表3所示。

施工過程中，每隔200m設置一組斷面沉降量監測裝置。路基施工結束后開始監測，前10天，每天監測一次沉降量。之后，每2天監測一次沉降量。監測數據顯示，最大沉降量發生在新舊路基交界處偏向新路基大概1m左右的位置。最高填土高度9.6m處的監測數據如表4所示。為了便于分析沉降量變化趨勢，將沉降量監測數據繪制成曲線，如圖3所示。

由表4數據可知，拓寬路基的最大沉降量為5.89mm，小于表2中的允許值12mm，路基施工合格。最大沉降量處的橫向邊坡變動率為0.74%，是輕微沉降等級的一半。由圖3沉降量變化曲線可以看出，施工結束前期，沉降量較大。施工結束30天后，沉降變慢，并且逐漸趨于平穩。由此可見，應用的土工柵格加筋技術和預應力管樁技術，對控制路基沉降效果良好。

3 " 拓寬路基變形預測技術

路基拓寬工程最為常見的問題是新老路基沉降不均勻，為了提前預判路基的變形情況，事先預測并制定針對性的變形控制措施，對路基的沉降變形進行預測具有重要意義。BP神經網絡算法能夠快速、準確的處理非線性數據，非常適合對新舊路基的差異沉降進行估算和預測。

3.1 " BP神經網絡原理

BP神經網絡具有誤差反向傳播學習的自適應能力，可分為輸入層、隱含層和輸出層，每層之間通過節點直接映射，形成類似神經元的網絡拓撲結構[5]。通過對數據的初始化、訓練，逐步逼近解析的目標值，直到目標函數值達到設定標準。BP神經網絡具有自適應能力，適用于非線性目標值逼近等數據分析領域。三層BP神經網絡的拓撲結構如圖4所示。

BP神經網絡模型的輸入層可連續表示為Ｘ1，Ｘ２，Ｘ３，…Ｘｎ，神經網絡的輸出層可連續表示為Ｙ１，Ｙ２，…Ｙｍ，輸入層和輸出層之間，通過映射的方式直接連接。Ｗｉ為輸入層-隱含層的權重系數，Ｗｊ則是隱含層-輸出層的權重系數，系數的大小決定了該數據的重要程度。上述神經網絡模型，輸入層有ｎ個神經元，輸出層有ｍ個神經元，則可以產生ｎ至ｍ的單向映射關系。

神經網絡迭代訓練的基本原理是求解誤差函數，得到目標值。為了獲得最優值，通常是求解誤差函數的最小值。為了快速得到最優解，最初的迭代訓練可人為設定誤差閾值，例如10e-4，達到該值即可結束訓練。

3.2 " 神經網絡結構搭建

3.2.1 " 神經網絡結構參數的設置

在工程估算領域，設置一個隱含層的BP神經網絡，已經能夠滿足精度要求。通過設定一個具體的3層神經網絡，即可進行迭代訓練。確定BP神經網絡的基本結構后，輸入層神經元的數目由初始樣本數據決定，輸出層的神經元數目由尋優目標個數決定。隱含層所需要的神經元數目由下式（1）計算得到：

（1）

式中：ｎ為輸入層的神經元數量，ｍ為輸出層的神經元數量，可根據需要設定具體個數，均必須取整數。α為由經驗確定的變量，通常取2～10，可取非整數值。一般來講，隱含層神經元數不小于輸入層神經元數，且不大于輸入層神經元與輸出層神經元數量之積。

3.2.2 " 神經網絡結構函數的選取

隱含層的計算函數選用線性激活函數tansig（），輸出層選用單極性S函數logsig（）；訓練函數則選用自適應學習率的梯度下降函數traingda（），可以加快神經網絡的迭代訓練速度，在較短時間內收斂，得到最優解。經過上述步驟后，典型結構的BP神經網絡結構即搭建完成。通過Matlab仿真環境，加載樣本數據后，即可進行迭代訓練。

3.3 " 樣本數據訓練

以監測數據作為訓練數據，設定BP神經網絡迭代訓練9000次，訓練過程的誤差曲線如圖5所示。前400次訓練過程中，相對誤差下降速度非常快，反映出BP神經網絡學習能力非常強。400～8000次之間，相對誤差下降較為緩慢。8000次之后，相對誤差為2×10e-4，且基本不再變化，說明訓練結果已經穩定，得到了最佳預測模型。

3.4 " 路基變形預測分析

運用上述訓練測試完成的路基沉降變形預測模型，對上述表4中的偶數監測期的數據進行預測，驗證BP神經網絡模型的有效性，預測值如表5所示。為了對比分析，將相對誤差取絕對值，繪制曲線如圖6所示。

由表5和圖6可以看出，預測值和實際值差異很小，偏差絕對值在0.1mm以內，預測精度很高。預測數據最終的相對誤差穩定在1%以內，準確度達到99%以上，滿足工程領域估算的精度要求。

4 " 結語

本文以二廣高速公路洛陽城區段拓寬工程為例，對拓寬路基的變形進行了預測分析，得到如下結論：土工柵格加筋技術和預應力管樁技術能夠有效的控制路基的沉降量，最大沉降值為5.89mm，橫向邊坡變動率為0.74%，是輕微沉降等級的一半。BP神經網絡預測模型的相對誤差在1%左右，準確度達到99%以上，全程預測的數據偏差在0.1mm以內，精度較高，滿足工程領域估算的精度要求。

參考文獻

[1] 張凱樂.高速公路改擴建中路基加寬段差異沉降控制技術的應

用[J].交通世界，2022（25）：58-60.

[2] 閻玉菡，孫拴虎，齊海鵬等.高速公路新舊路基差異沉降控制

技術試驗研究[J].甘肅科技縱橫，2021，50（8）：55-57+71.

[3] 閔曉陽，陳斌，楊浩等.高速公路改擴建新舊路基差異沉降規

律及控制技術探究[J].建筑技術開發，2021，48（3）：159-160.

[4] 賀如意.高速公路加寬路基沉降差異及控制技術探討[J].工程

技術研究，2021，6（16）：87-88.

[5] 林國平.BP神經網絡算法預測路基邊坡滑坡變形的應用研究

[J].路基工程，2021（4）：99-103.