物聯網環境下橋梁工程過渡段軟基路基沉降監測研究

曹輝輝

（中鐵十八局集團第一工程有限公司，河北 涿州 072750）

橋梁是我國重要的交通設施，在國民運輸經濟中具有重要作用。為保證橋梁工程的安全建設，在軟土地基施工時需加強軟基路基的沉降監測。在橋梁運營階段，車輛荷載以及各種事故也會導致橋梁的沉降，造成安全隱患，特別是橋梁過渡段的軟基路基，若發生沉降會導致橋梁的整體變形，嚴重影響橋梁的安全使用，因此有必要加強對軟基路基的沉降監測。

對此，眾多學者展開了研究，目前已經成熟的方法主要有：榮智等[1]采用可在監測過程中反映路基抗變形能力的回彈模量指標代替壓實度，對軟基路基沉降進行實時監測；宋中華等[2]對高精度全站儀和圧差式靜力水準儀進行分析，并根據分析結果對沉降監測方案進行布設。研究發現上述監測方法均在實踐中取得良好成效。由于傳統軟基路基沉降監測法獲取的監測數據中存在對沉降研究結果影響不利的噪聲數據，會造成沉降規律研究偏差。因此，基于上述研究成果和實際需要，開展物聯網環境下橋梁工程過渡段軟基路基監測方法研究，以期為同類型工程提供參考。

1 基于物聯網環境的橋梁軟基路基沉降監測

1.1 物聯網監測設備結構設計

物聯網圖像監測可直接觀測軟基路基的沉降變形，適用于橋梁過渡段軟基路基的沉降監測，不僅可獲取有效監測數據，且能清晰發現其沉降量[3]。目前沉降監測主要是觀測路基斷面的沉降變形，但路基軟基段因整體條件差，設備不合要求難以進行施工監測。因此，依現場情況對用于物聯網監測的設備進行方案設計，其測量情形見圖1。

圖1 監測系統示意

本研究設計的用于橋梁過渡段軟基路基沉降監測的新型物聯網監測方法主要包含兩方面：一是沉降變形監測終端，二是監控中心。監測終端主要裝置包括蓄電池、傾角傳感器等，數據存儲和光斑圖像采集可通過嵌入系統中的數字信號處理器來完成，它能使光斑的中心定位更精確。監測系統中的通訊設備主要使用GPRS。監控中心的構成主要包含報警裝置、圖像數據處理以及控制中心，其中修正靶面的位置不僅可有效計算出相關監測工程的沉降量，且能有效去除噪聲數據。系統運作時，將激光器置于橋梁軟基路基上，再放置好靶面，接收激光器發射的激光，最后在靶面上形成光斑[4]。觀測光斑位置，若發生改變，則可判定軟基路基發生沉降。具體監測過程見圖2。

圖2 監測過程

將沉降監測終端沿橋向放置于橋梁雙側，并將靶面放置于監測終端的正前方，完成設備的安裝后可直接用于橋梁軟基路基的沉降監測。

1.2 數據處理

由物聯網監測獲得的數據信息是一種變量，且隨時間變化。由于沉降監測環境惡劣，且一般在室外受自然條件影響，致使沉降數據中混雜較多的噪聲數據。這些噪聲數據對整體結果影響不大，但會影響對沉降規律的判斷[5]，間接對地基沉降監測觀測數值產生遮蓋效應，增加數據處理難度。因此在本研究的沉降監測方法中需對數據進行去噪處理。沉降監測噪聲數據包括高頻與低頻部分，主要存在于高頻數據中。為使監測數據更完善，采用小波神經網絡模型對沉降數據計算分析，去除無效噪聲數據。方法主要是閾值去噪法，也稱非線性去噪法，該法對于混入白噪聲數據的沉降監測數據較為適用。此法主要是設置閾值作為門限，低于門限的數據作為噪聲數據去除。

本研究所采用的嵌入式小波神經網絡模型，是一種嵌套小波變化和人工神經的模型（見圖3）。其主要工作原理是采用小波函數、尺度因子和平移因子取代傳統人工神經網絡中的激活函數、權值和閾值。假設沉降監測的樣本形式為{x(i),i=1,2,...,n}，樣本數值和預測值之間為非線性映射關系，進一步得到目標函數：

圖3 嵌入式小波神經網絡模型

式中，f為樣本與預測值之間的映射函數，k為大于0 的自然數，可依據嵌入式結構的小波神經網絡，分解連續小波函數。為提升去噪算法的收斂速度，需要進行訓練。訓練樣本數據為累計沉降值，10 次預測的平均值將是降低預測值隨機性的結果。模型通過預測結果的相對誤差和模型精度來評價。模型精度由下式給出：

式中，n表示預測值的個數。

由于本研究使用的嵌入式小波神經網絡使用的是神經網絡SCG 監督訓練算法模型，因此初始梯度通過自相關校正方法生成，自動設定閾值。

2 實驗與分析

2.1 工程概況

為驗證本設計的沉降監測方法，以A 市到B市鐵路站前5 標某橋梁施工段為背景，開展工程實踐分析。該工程中具有巖溶及巖溶水的部分主要有DK61+791 ～DK61+815、DK80+655 ～DK81+470、DK81+535 ～DK81+975 段，共計3 段巖溶路基，共長1 279 m。該工程主要涉及的地質概況見表1。

表1 工程地質概況

分別采用本設計橋梁過渡段軟基路基沉降監測方法和傳統監測方法進行測試，并對測試結果進行對比分析。

2.2 測點布置

將混凝土預制樁作為試驗基點，沿路基兩側且距線路中心50-200 m 范圍布設72 個基點用于監測，監測點的布設均應滿足規范要求。布設位置如圖4 所示。

圖4 沉降監測點位置示意

根據實際施工進度，以7 天為沉降監測周期，得到傳統監測方法和本設計方法下的兩組監測數據，通過數據處理，與監測點的實際沉降量進行對比分析。

2.3 實驗結果分析

兩種監測方法的測試結果對比分析如表2所示。

表2 監測結果分析

由表2 可知，本研究提出的累計沉降觀測方法相較于傳統觀測方法，技術上有較大改進和提升，觀測結果精度得到整體提高。采用本方法的觀測結果相較傳統方法的相對誤差整體上均較大，說明本研究提出的檢測方法精度相對有所提升。

為更直觀地反應兩種測試方法的測試結果，將表2 數據繪制成圖，得到本設計的監測方法與傳統監測方法的測試結果曲線（見圖5）。

圖5 兩種沉降監測方法測試結果對比

圖中更清楚展現了兩者的觀測趨勢，總體來看本研究提出的沉降監測方法所得觀測結果小于傳統觀測方法。經過噪聲數據去除，得到的曲線沒有突變，基本呈線性變化，所得的監測數據與實際沉降變形較為貼合，更便于研究沉降變化規律，同時也驗證了本觀測方法的科學性和合理性。

3 結語

針對目前橋梁過渡段軟基路基沉降監測方法中所存在的缺陷問題，設計了一種物聯網環境下的橋梁路基沉降監測方法。主要從物聯網監測設備、監測終端和監控中心等方面著手，通過GPRS通訊設備對目標展開監測，并開展監測設備的監測過程研究。針對噪聲數據，采用嵌入式小波神經網絡模型對監測數據閾值進行計算分析，得到有效監測數據，使得觀測的沉降數據更符合實際情況。經實驗驗證本設計監測方法具有一定的有效性。但本方法前期需要大量的樣本進行學習來建立模型而獲得閾值，對樣本數量要求高，且去噪中有時會出現發散情況，后續需進一步改進去噪算法，加快算法的收斂計算時間。