基坑變形智能監測及預測模型融合技術研究

摘要：為研究基坑變形智能監測及預測模型融合技術，文章基于實際工程，在現場試驗中采用自動化監測專用設備，實現了深層水平位移自動化監測，并采用兩種機器學習算法KNN和RBF對監測數據進行預測分析。結果表明：自動化監測設備可以很好地完成深層水平位移監測，極大提高了基坑監測的效率，保證了基坑施工的安全；KNN對基坑監測數據的預測比RBF更加準確，后續可將KNN算法程序導入到自動化監測程序中，實現水平位移的提前預測與不斷校準完善。

關鍵詞：基坑；變形；自動化監測；預測模型；融合技術

中圖分類號：U412.6

0 引言

近年來，城市建筑的擴張導致工程項目多樣化，不再局限于地面。因此，城市地下空間的利用大幅增加，大量基坑工程應運而生［1-5］。同時，基坑工程領域日益復雜，基坑監測的重要性日益凸顯［6-10］，基坑監測技術也逐漸從人工監測向自動化監測轉變［11-13］。

與人工監測相比，自動化監測采用多個傳感器與監測設備建立連接，能夠從每個監測儀器獲取實時數據。這有利于在全天候條件下對基坑進行連續、全面的監測。這種方法不僅可以節省人員費用，還可以提高各個監測點實時監測的有效性和精度。此外，由于計算機技術的廣泛應用，巖土工程領域也逐步采用了機器學習技術［14-18］。

然而，鮮有將兩種技術融合起來進行應用的案例。為此，本文基于現場自動化監測實測數據，結合兩種機器學習算法，初步探索一種基坑變形自動化監測及預測模型融合技術，以期將此技術應用到基坑自動化監測領域中，實現基坑自動化監測及預測。

1 基坑變形智能監測及預測模型的建立

1.1 基坑變形自動化監測

基坑監測中采用的自動監測技術依賴于大數據和物聯網技術的融合。這種集成涉及各種傳感器的利用，其中中央監控設備是核心組件。然后將收集到的數據傳輸到監控云平臺，進行實時分析。通過將指定的控制值納入分析，監控云平臺能夠產生實時預警。這種自動化方法有效地解決了通常難以通過手動方式克服的眾多挑戰。

本項目深層水平位移采用固定式測斜儀、全自動測斜機器人進行自動化監測，最后集成于自動化監測專用設備上。

1.2 預測模型的建立

本文將采用KNN和RBF兩種機器學習算法。

KNN算法常采用歐式距離對樣本點與新樣本點之間的距離進行度量：

2 工程應用

2.1 工程概況

本文依托工程基坑位于白沙洲大道與南湖路交叉口西北角，周邊環境復雜，基坑北側距現狀白沙洲大道為11.6～20.9 m；西側距巡司河岸13.3 m，距巡司河管理用房5.1 m；南側距離現狀京廣鐵路走廊凈距29.3 m；基坑東側距現狀南湖路約14.3～19.9 m，東側民房及商鋪與基坑最小凈距約15 m。

試驗場地土的物理力學指標見表1。

2.2 測點布置

在工程中，為了解基坑開挖過程中圍護結構側向變形，通常以圍護結構附近測斜點土體深層水平位移來間接反映圍護結構的側向變形。雖然在數值上可能與實際圍護結構的變形略有不同，但整體規律較為吻合，也有利于測點的保護和數據的量測。為分析基坑變形規律，本文選取了1個測斜點ZQT11。

2.3 結果分析

圖1為測點的水平位移圖，按照時間順序選取了開挖過程中的12個時間步。

從圖1可以看出，測點的水平位移隨著開挖的進行總體呈現增大的趨勢，且水平位移總體較小，基坑未發現明顯變形。

本次測斜數據總量為300，將其中80%作為訓練數據，20%作為預測數據。數據的輸入參數依次為測點深度、時間步、重度、壓縮模量、粘聚力、內摩擦角。數據的輸出參數為測點水平位移。訓練集和測試集數據結果比較如圖2～4所示，指標評價結果見表2。

由圖2可以看出，KNN的訓練集數據和RBF的訓練集數據都很接近1∶1線，說明數據的訓練效果很好。從表2也可以反映出這個現象，KNN的均方根誤差（RMSE）和平均絕對誤差（MAE）分別為0.116 8和0.078 8，相關系數（R）為0.993 9；RBF的均方根誤差（RMSE）和平均絕對誤差（MAE）分別為0.128 0和0.104 9，而相關系數（R）卻達到了0.992 1，兩者訓練數據的效果較為接近。

由圖3～4可以看出，KNN的測試集數據相比于RBF更加接近1∶1線，說明本文KNN的訓練效果更好，從表2也可以反映出這個現象，RBF的均方根誤差（RMSE）和平均絕對誤差（MAE）分別為0.573 9和0.388 0，相關系數（R）為0.986 6；KNN的均方根誤差（RMSE）和平均絕對誤差（MAE）分別為0.207 3和0.153 8，而相關系數（R）卻達到了0.993 4，比RBF提高了0.69%。從圖4還可以明顯看出KNN在幾個峰值點的預測明顯比RBF更加精準。

綜上所述，本文采用KNN方法比RBF方法能更好地對自動化監測的水平位移進行預測。后續可將RF算法程序導入到自動化監測程序中，實現水平位移的提前預測與不斷校準完善。

3 結語

本文研究了基坑變形自動化監測及預測模型融合技術，主要得出以下結論：

（1）本文自動化監測測點的水平位移隨著開挖的進行總體呈現增大的趨勢，且水平位移總體較小，基坑未發現明顯變形。

（2）在訓練集中，KNN的訓練集數據和RBF的訓練集數據都很接近1∶1線，兩者的訓練效果較為接近；在測試集中，KNN的相關系數（R）達到了0.993 4，比RBF提高了0.69%。此外，KNN在幾個峰值點的預測明顯比RBF更加精準。

（3）本文采用KNN方法比RBF方法能更好地對自動化監測的水平位移進行預測。后續可將RF算法程序導入到自動化監測程序中，實現水平位移的提前預測與不斷校準完善。本文提供了基坑變形自動化監測及預測模型融合技術思路，后續預測算法可根據研究需要不斷改進完善。

參考文獻

［1］俞建霖，龔曉南.深基坑工程的空間性狀分析［J］.巖土工程學報，1999，21（1）：24-28.

［2］俞建霖，龔曉南.基坑工程變形性狀研究［J］.土木工程學報，2002（4）：86-90.

［3］俞建霖，龍 巖，夏 霄，等.狹長型基坑工程坑底抗隆起穩定性分析［J］.浙江大學學報（工學版），2017，51（11）：2 165-2 174.

［4］鄭 剛，蘇奕銘，刁 鈺，等.基坑引起環境變形囊體擴張主動控制試驗研究與工程應用［J］.土木工程學報，2022，55（10）：80-92.

［5］Zheng G，Su Y，Diao Y，et al. Field measurements and analysis of real-time capsule grouting to protect existing tunnel adjacent to excavation［J］.Tunnelling and Underground Space Technology，2022，122：104350.

［6］JGJ 120-2012，建筑基坑支護技術規程［S］.

［7］Mair，Robert J，Schwamb，et al. Fibre optic monitoring of a deep circular excavation［J］. Geotechnical Engineering，2014，167（2）：144-154.

［8］葉帥華，李德鵬.復雜環境下深大基坑開挖監測與數值模擬分析［J］.土木工程學報，2019，52（S2）：117-126.

［9］Wu J，Peng L，Li J，et al. Rapid safety monitoring and analysis of foundation pit construction using unmanned aerial vehicle images［J］.Automation in Construction，2021，128（9）：103706.

［10］徐前衛，龔振宇，孫梓栗，等.滇中引水工程超深圓形基坑施工變形和內力監測結果分析［J］.土木工程學報，2022，55（6）：102-111.

［11］曹 權，李清明，項 偉，等.基坑群開挖對鄰近既有地鐵隧道影響的自動化監測研究［J］.巖土工程學報，2012，34（S1）：552-556.

［12］黃海濱，曹 洪，梁衛軍，等.基坑上跨已運營地鐵隧道的設計及實測分析［J］.巖土工程學報，2014，36（S1）：148-154.

［13］趙 峰.基于BIM的基坑工程自動化監測平臺研發［J］.煤田地質與勘探，2018，46（2）：151-158.

［14］Altman，N. S. An introduction to kernel and nearest-neighbor nonparametric regression［J］. The American Statistician，1992，46（3）：175-185.

［15］楊 敏，任紅林.智能巖土工程的特點初探［J］.同濟大學學報（自然科學版），2000（6）：636-640.

［16］Hu C，Jain G，Zhang P，et al. Data-driven method based on particle swarm optimization and k-nearest neighbor regression for estimating capacity of lithium-ion battery［J］. Applied Energy，2014，129（9）：49-55.

［17］張雯超，史培新，劉 維，等.基于改進KNN與基坑參數對地連墻變形預測研究［J］.華中科技大學學報（自然科學版），2021，49（9）：101-106.

［18］Wei，M，Meng，W，Dai，F，et al. Application of machine learning in predicting the rate-dependent compressive strength of rocks［J］. Journal of Rock Mechanics and Geotechnical Engineering，2022，14（5）：1 356-1 365.

收稿日期：2024-03-18

作者簡介：田久暉（1979—），碩士，高級工程師，主要從事市政方面的研究工作。