大型地下空間綜合交通樞紐中巨型斜柱長期沉降的監測及預測分析

王森, 禹麗峰, 艾鵬鵬, 關渭南, 黃永虎, 鄧錢瀚

(1.深圳市地鐵建設集團有限公司, 深圳 518000; 2.中鐵四局集團第五工程有限公司, 九江 332000; 3.華東交通大學土木建筑學院, 南昌 330000)

隨著中國城市化進程的快速發展,城市交通擁堵問題日趨嚴重,使得地下空間綜合交通樞紐體系的發展需求日益增長。深圳市黃木崗大型地下空間綜合交通樞紐采用巨型斜柱的新型結構體系,由于斜柱整體較長、自重大且受施工條件的限制,無法一次施工就位,因此該體系具有結構形式和施工環境復雜等特點,其施工安全由多種因素影響。斜柱作為該體系的關鍵結構構件,其沉降數據綜合反映了體系在多因素作用下的安全情況,故斜柱的累計沉降量的監測和準確預測對確保工程施工安全具有重要意義。

目前,已有相關學者對結構沉降量的監測與預測做了大量研究。在結構沉降的監測方面,竇炳珺等[1]結合杭州市某盾構掘進實際工程的地表豎向位移監測數據,總結了硬巖地區盾構掘進對周邊環境的影響規律;李文聰[2]以地鐵車站為研究對象,對中洞法施工各施工工序引起的地表沉降變形規律進行了分析,為施工單位采取控沉措施提供參考依據;閆振虎等[3]探究小凈距隧道中夾巖柱穩定性,對拱頂進行了沉降監測,為最小安全凈距提供參考;田江濤等[4]對新建車站施工方法進行研究,并監測了既有車站軌道結構沉降,采用不同的方法控制沉降量;夏曾銀等[5]通過對結構柱隆沉變化實測數據進行分析研究,監測結構柱的沉降變化規律,結果表明,需避免差異沉降引起結構梁板產生變形開裂問題;曹程明等[6]以特殊土巖組合地層深基坑工程為背景,并結合沉降監測數據對基坑變形規律進行研究,提供控制沉降的方法。在結構沉降的預測方面,江文金等[7]提出了基于時間序列與時間卷積網絡的滑坡位移預測模型,結果表明該模型具有較高的預測精度;薛艷杰[8]建立基于灰色最小二乘支持向量機的基坑變形時序預測模型,預測土層深基坑沉降,防止因地表沉降造成不必要損失;王德法等[9]提出改進的變權緩沖灰色模型,并以高填方機場地表沉降數據預測為例,驗證所提改進模型的有效性;李翔宇等[10]認為隧道變形的穩定可控是地鐵安全運營的重要保障之一,建立多種神經網絡預測模型,對比模型效果及精度,選出最適用于盾構隧道長期沉降預測模型;侯明華等[11]提出了麻雀搜索算法優化Elman 的地面沉降量預測方法,并為組合模型的建立提供了一種新思路;黃虎城等[12]基于地表沉降數據建立Elman模型,預測精度較高,能夠為研究區地面沉降的防治工作起到一定的輔助預警作用;鄧傳軍等[13]使用粒子群優化反向傳播(back propagation,BP)神經網絡進行建筑物沉降預測,優化后模型預測精度優于傳統預測模型;韓春鵬等[14]基于最優權重法將灰色GM(1,1)及二次曲線模型進行組合,對地基的遠期沉降進行預測,探究模型的適用性;馮小婷等[15]以成都地鐵17號線換乘站為例,采用4種智能算法對不同監測參數與監測點位在開挖階段及盾構施工階段的地表高程變形進行預測。

以上研究表明,結構沉降能夠在一定程度上反映整體結構的安全狀態,運用神經網絡模型預測結構的沉降具有輔助預警作用。現以深圳黃木崗大型地下空間綜合交通樞紐的12軸巨型斜柱為例,通過自動化監測系統開展斜柱沉降監測,分析斜柱長期沉降規律并劃分預警等級,將GA-BP神經網絡算法引入斜柱沉降預測,利用斜柱沉降的觀測數據,構建GA-BP神經網絡模型并對斜柱的沉降進行預測,對比分析BP神經網絡和GA-BP神經網絡模型的準確性,進而根據預測的結果更好地指導斜柱施工工作。

1 工程概況

黃木崗綜合交通樞紐坐落于筍崗西路、泥崗西路、華富路、華強北路五叉路口,為既有7號線、新建14號線以及規劃24號線三線換乘樞紐。14號線沿華富路和泥崗西路地下敷設,為地下三層疊側車站,與既有7號線同臺換乘;規劃24號線沿筍崗西路地下敷設,為地下四層車站,與7、14號線形成節點換乘,如圖1所示。

圖1 黃木崗大型綜合地下交通樞紐地理位置

為滿足現代建筑地下綜合交通樞紐空間一體化要求,形成特色、活力的建筑空間,本項目摒棄傳統的梁、柱體系,如圖2所示,采用巨型大傾角斜柱的新型結構體系,由于斜柱整體較長、自重大且受施工條件的限制,其施工安全由多種因素影響。斜柱作為該體系的關鍵結構構件,其沉降數據綜合反映了體系在多因素作用下的安全情況,故針對斜柱的累計沉降量的監測和準確預測進行實時監測以確保工程施工安全。

圖2 大型綜合地下交通樞紐立面圖

1.1 斜柱沉降監測系統

軌道交通24號線主體結構永久柱采用巨型型鋼混凝土斜柱,如圖3所示,巨型型鋼混凝土斜柱分布于24號線及兩端地下空間,呈魚腹式布設在5～31軸,共25組50根。因監測結果規律一致,僅結合西區12軸的1根斜柱測點布置介紹斜柱沉降監測系統。

圖3 巨型斜柱平面布置圖

斜柱沉降監測系統由數據采集系統、云服務器平臺、用戶終端組成,如圖4所示。數據采集系統由自動化全站儀、反光片等組成,測點布置如圖5所示,施工現場12-1斜柱監測點如圖6所示,將反光片作為測點,布置在與V柱剛性連接的頂板表面。數據采集系統負責各監測點的數據采集,經由無線傳輸系統將斜柱沉降數據上傳至云服務器平臺,云服務器平臺進行斜柱沉降數據的綜合處理,通過互聯網實現與電腦、手機等終端通信,可隨時隨地觀察斜柱沉降數據的變化。

圖4 自動化監測系統

圖5 測點布置方案

圖6 施工現場12-1#斜柱的監測點

1.2 斜柱沉降分析

巨型型鋼混凝土斜柱數量多,施工周期長,且該結構主要作為承重柱承擔豎向荷載,其安全性將影響整體施工進程,通過現狀可知,結構沉降能夠一定程度反映整體結構的安全狀態,斜柱沉降分析及預測具有重大的工程意義。

根據《城市軌道交通地下工程建設風險管理規范》(GB 50652—2011)[16]和施工現場要求,項目設置三級預警,紅色預警為預警最大限值、橙色預警為80%預警最大限值、黃色預警為60%預警最大限值。如表1所示,斜柱沉降預警最大限值為±32 mm,正值為斜柱向上隆起,負值為斜柱向下下沉。

表1 預警等級劃分表

監測數據較多,僅選取12軸監測數據進行分析,取12軸斜柱的體系轉換施工當天為第一期數據(2022年4月14日),并選取后續119期數據進行斜柱施工后的累計沉降量分析。如圖7所示,4月14日—6月1日, 斜柱的累計沉降量在-6.0～0.6 mm小幅度波動,處于安全狀態;6月2—30日,斜柱的累計沉降量不斷增加,最大沉降量為-18.2 mm,處于安全狀態;7月1日—8月15日,斜柱的累計沉降量下降至黃色預警值-19.2 mm,然后在-20.8～-18.6 mm小幅度波動。由此可見,斜柱施工后,長期的沉降規律為先在安全狀態內小幅波動,隨著施工后時間延長,地上結構施工進程不斷推進,地下空間的斜柱受到的荷載不斷增大,其累計沉降值增大至黃色預警狀態,施工過程結束,最后斜柱累計沉降在安全狀態與預警狀態之間小幅波動。為保證斜柱整體結構的安全性,采用已有的斜柱沉降觀測數據,構建神經網絡模型并對斜柱的沉降進行預測,預測未來斜柱的累計沉降量是否超過預警值,便于調整施工方案和監測方案,為后期施工安全提供保障。

圖7 監測數據變化過程

2 斜柱長期沉降預測研究

以6期數據為一組(前5期數據為網絡輸入,第6期數據為網絡輸出),以此類推,共有119期數據,如表2所示。利用前109期數據構建滾動式模型,并構建訓練樣本集和測試樣本集,形成BP神經網絡沉降預測模型、GA-BP神經網絡沉降預測模型,再用神經網絡模型預測最后10期數據。

表2 斜柱累計沉降監測數據

2.1 建立BP神經網絡模型

BP神經網絡是一種按誤差方向反傳播的多層前饋神經網絡[17],由輸入層、隱藏層和輸出層3個部分組成,各層內有不同的神經元數量。如圖8所示,將數據Xi輸入網絡中,隱含層通過激活函數等將數據進行處理,若滿足誤差需求,則通過輸出層輸出Yk,若未滿足誤差需求,則調節各層的權值W,將數據返回到輸入層重新進行輸入,如此循環往復,直至滿足誤差要求,數據從輸出層輸出。

圖8 BP神經網絡結構圖

隱藏層的神經元數量對預測模型是至關重要的,設置合適的神經元數量能提高模型的計算精度,而在評估模型數據的精度時,均方誤差越低,表示模型預測效果越好,故通過循環得出不同隱含層節點數訓練集的均方誤差,如表3所示,當隱含層節點數為6,訓練集的均方誤差最小,表示神經網絡沉降預測模型的擬合效果最好。

表3 不同隱含層節點數對應的均方誤差

隱含層選用Tansig激活函數,輸出層選用線性Purelin激活函數,訓練函數選用Trainglm激活函數。隱含層節點數為6,學習速率一般選取為[0.01,0.08],本文選0.01。網絡目標誤差選取0.000 01,最大訓練次數設置為1 000。

2.2 建立GA-BP神經網絡模型

BP神經網絡的初始閾值與權值是隨機生成的,這往往會導致結果陷入局部極小值而非全局最小值。為了提升BP神經網絡的計算精度,遺傳算法(genetic algorithm,GA)可用于對BP神經網絡進行優化[18]。通過GA算法的優化,獲取最優初始閾值和權值。GA優化BP神經網絡具體步驟如圖9所示,首先確定初始化種群規模和適應度函數,然后經過選擇、交叉和變異,評價每一代的適應度,最終獲得最優閾值和權值。

圖9 基于GA-BP模型的預測流程圖

采用均方誤差評價種群中各個體的適應度,GA-BP神經網絡模型適應度值的變化如圖10所示,可以看出,適應度值迭代到45代后達到較低水平并保持不變,因此迭代次數設置為50。

圖10 GA-BP模型適應度值變化圖

GA-BP神經網絡模型的激活函數、學習速率、目標誤差、最大學習次數等設置與BP神經網絡一致。遺傳進化中選擇采用輪盤賭法,交叉概率的常用取值范圍為[0.25,1],本文選取0.8,變異概率的常用取值范圍為[0.001,0.1],本文選取0.05。

2.3 預測對比分析

將BP神經網絡與GA-BP神經網絡沉降預測模型的評價指標進行比較,相關指標預測結果如表4所示。可以看出,BP神經網絡預測結果中最大絕對誤差為1.934 0 mm,最小絕對誤差為0.181 7 mm;GA-BP神經網絡預測結果的最大絕對誤差為1.263 6 mm,最小絕對誤差為0.030 7 mm。

表4 斜柱沉降模型預測結果

預測模型效果如表5所示,對比BP神經網絡,GA-BP神經網絡的平均絕對誤差、均方誤差、均方誤差根、平均絕對百分比誤差分別減少了0.247 6 mm、0.348 5 mm、0.247 5 mm和1.238 3%。

表5 兩種模型的預測模型效果比較

圖11為累計沉降量實測與預測結構對比曲線,從圖11(a)實測值與預測值的對比圖可看出,GA-BP神經網絡預測模型的預測值更接近實測值。神經網絡預測模型的絕對誤差如圖11(b)所示,相比于傳統的BP神經網絡,GA-BP神經網絡預測模型的預測誤差更接近0。實測值與預測值的預警等級如表6所示,按照表1的標準,將實測值與預測值進行預警等級劃分,對比發現,在10個預測值中,BP神經網絡的預測值所處預警等級與實測值一致的有3個,而GA-BP神經網絡所處預警等級與實測值一致的有7個。從預測值與實際值的對比、預測誤差、預警等級看出,GA-BP神經網絡的預測精度更高。

表6 實測值與預測值的預警等級對比

圖11 累計沉降量實測與預測結果對比

3 結論

巨型斜柱沉降監測是大型地下空間交通樞紐體系安全施工的重要環節,以深圳黃木崗大型地下空間綜合交通樞紐的12軸巨型斜柱為例,通過自動化監測系統開展了斜柱沉降監測,然后利用已有的斜柱沉降觀測數據,構建了神經網絡模型對斜柱的沉降進行預測。

(1) 長期監測發現,斜柱施工后,長期的沉降規律為先在安全狀態內小幅波動,隨著施工后時間增長,增大至黃色預警狀態,最后在安全狀態與預警狀態之間小幅波動。

(2)以109期實測數據建立BP神經網絡和GA-BP神經網絡模型,對比兩種預測網絡的精度發現,相較于傳統BP 神經網絡模型,GA-BP 神經網絡模型的預測精度有了顯著的提高GA-BP組合神經網絡更具有可靠性和有效性,對后續的施工具有指導價值。