基于機器學習的混凝土建筑結構沉降預測及控制措施研究

0 引言

在混凝土建筑的建造及使用過程中，受多因素影響易引起沉降，進而造成建筑結構出現裂縫、傾斜等問題。這些問題不僅會削弱建筑物的結構強度，還會降低其使用壽命。在工程建設中，機器學習技術在混凝土結構沉降預測中的應用逐漸嶄露頭角。其中，支持向量機、神經網絡等算法因其強大的數據處理和模式識別能力，而被廣泛應用于沉降預測領域。這些算法能夠自動學習數據中的潛在規律，并據此進行預測。與傳統的預測方法相比，機器學習算法具有更高的預測精度和更強的泛化能力。近年來，已有諸多學者對此展開深入研究。唐均[1]主要針對高層建筑變形監測過程中如何合理應用沉降觀測展開深入探析，以期提高高層建筑的使用安全，降低不均勻沉降發生的概率。常巧梅[2以某高層住宅為研究對象，在闡述高層建筑物主體沉降觀測的工作程序、沉降觀測項目及方法、數據處理等基礎上，分析了建筑物沉降規律。王義緣等[3]以長春市某小區的建筑物為例，基于BP神經網絡模型建立了建筑物的沉降預測模型，并將模型預測的數據與實際觀測數據進行對比分析，驗證了BP神經網絡算法模型在預測建筑物沉降方面具有良好的效果。

本文采用理論分析和實測驗證等方法，構建了一個較為合理的混凝土建筑結構沉降預測模型。基于實測數據，對模型預測的有效性進行驗證，并針對性地提出沉降控制措施，以期為工程設計和施工提供科學依據，從而減少沉降帶來的危害。

1基于PSO-LSTM模型的序列預測理論

1.1粒子群優化

粒子群優化算法（PSO）是一種進化計算技術（evolu-tionarycomputation），在粒子群優化中，每個粒子代表一個潛在解，并在多維搜索空間中以一定的速度和方向移動。

假設在D維搜索空間中有 m 個粒子，共迭代 n 次，第i個 （i=1，2，…，m） 粒子的速度為 V_i=（v_i1，v_i2，…，v_iD）^T 位置為 X_i=（_Xi1，_Xi2，…，_XiD）^T 。第 i 個粒子至今為止搜索到的最優位置為 ，整個種群至今為止搜索到的最優位置為 g^best 。在粒子群優化中，每個粒子都有其當前速度、過去的最佳解決方案以及當前的全局最佳解決方案。基于這些信息，每個粒子的速度都會得到更新，其計算公式為：

V_i^k+1=ωV_i^k+c₁r₁（P_i^k-X_i^k）+c₂r₂（g^k-X_i^k）

式中： V_i^k 是第 i 個粒子在第 k 代的速度； X_i^k 是第 i 個粒子在第 k 代的位置； P_i^k 是第i個粒子在第 k 代的個體極值位置； gk 是第 k 代的全局極值位置， ω 是慣性權重，決定粒子對當前速度繼承的比例； c₁ 是個體學習因子， c₂ 是群體學習因子； 是[0，1]區間的隨機數。粒子的速度在 [-V_max，V_max] 范圍內變化，粒子的位置在[-X_max，X_max] 范圍內變化。

粒子的新位置是通過將其之前的位置與新計算的速度相加來確定的，通過重復這個迭代過程，算法可以找到最優解。其計算公式為：

X_i^k+1=X_i^k+V_i^k+1

1.2長短期記憶網絡

LTSM模型基于傳統的循環神經網絡優化而來，可用以解決長序列訓練期間的梯度消失和梯度爆炸的問題[4]。LSTM網絡結構由元胞狀態和遺忘門、輸入門和輸出門等門結構組成，

圖1LSTM單元結構

LSTM單元結構圖如圖1所示。

1.3PSO-LSTM模型原理

1.3.1模型融合理論基礎

PSO-LSTM模型是基于改進的粒子群優化和LSTM框架的融合構建。一般的LSTM模型在時間序列數據的處理上有很大優勢，但該神經網絡有許多超參數需要調節，如初始學習率n、學習率下降因子d、神經元數量n等。將LSTM神經網絡的超參數選擇作為PSO算法要解決的問題，PS0通過智能優化算法，能夠高效地搜索這些超參數的最佳組合，改進LSTM模型參數獲取不夠準確的問題，從而提高模型的性能[5]。

1.3.2數據處理流程

收集原始建筑結構沉降數據后，將這些數據進行輸入并進行歸一化處理，并劃分為訓練集和驗證集。采用max-min歸一化方法，將數據映射到[0，1］區間，確保數據尺度一致，為模型訓練奠定基礎。

1.3.3PS0算法優化流程

一是參數初始化。初始化PS0算法的基本參數，同時初始化粒子群的位置和速度。其中，粒子的位置和速度分別代表候選解在搜索空間中的具體數值和該解在每次迭代中的變化方向及幅度。二是LSTM超參數設定。初始化LSTM模型的初始超參數。三是適應度計算。將輸出數據與實際數據的均方誤差設置為適應度函數，通過訓練LSTM模型計算每個粒子的適應度值。四是極值更新與參數調整。PSO以LSTM的超參數作為粒子本身，根據適應度函數更新每個粒子的個體極值和全局極值。調整權重系數和學習因子，并根據新的權重系數和學習因子，更新粒子的位置和速度。五是迭代終止判斷。判斷是否達到預設的最小誤差或最大迭代次數。若未達到，則返回步繼續步驟1繼續迭代；若達到，則輸出最優超參數。

1.3.4模型架構設置

PSO-LSTM模型由輸入層、兩個隱藏層和輸出層構成，其中輸入層和輸出層的神經元個數均為3個。經PS0優化后的超參數用于初始化LSTM模型，最終完成模型性能評估。

2混凝土建筑結構沉降預測

2.1工程概況

本文以某高層混凝土建筑為研究對象，該工程為一幢主體地上10層、地下兩層的辦公樓，建筑主體采用鋼筋混凝土框架結構體系，樓蓋采用現澆梁板結構承重，屋蓋采用鋼網架結構。本工程采用旋挖鉆孔灌注樁 + 柱下獨立基礎，地基基礎設計等級為甲級。當建筑主體封頂竣工后，對其結構進行沉降觀測以保證混凝土建筑結構安全穩固。

2.2建筑結構沉降數據收集

本次沉降觀測工作共布設了3個沉降觀測點，并結合實際工況，將各點均勻布設在建筑物外側，觀測儀器選用了精度較高的水準儀，測量方法選用靜力水準測量法[]。在為期360d的觀測周期中，累計進行11次觀測。此觀測方式可以對沉降值進行更準確的測定，從而對建筑物的沉降趨勢做出預測。

2.3 沉降預測

基于PSO-LSTM模型的時間序列預測理論，結合沉降觀測信息，對該混凝土建筑結構沉降進行預測。根據預測模型得出3個不同點位沉降量隨觀測周期的變化，模型預測各點位沉降變化曲線如圖2所示。從圖2可以看出，3個點位的沉降量均呈現持續下沉趨勢。從第10d的0.2mm左右發展到第360d的4mm，總沉降量在 3.7～3.9mm 之間。沉降過程可明顯分為兩個階段：前期（10～80d）沉降速率相對較緩，后期（150～360d）沉降速率明顯加快。3個監測點的沉降值走勢基本一致，最大沉降差不超過0.134mm ，表明結構沉降較為均勻，未出現明顯的差異性沉降。

圖2模型預測各點位沉降變化曲線

3模型預測結果分析

3.1 實測數據分析

3.1.1 沉降數據整體特征

3個監測點位（Z1、Z2、Z3）在360d內的沉降數據顯示，各點位沉降過程呈現出顯著的規律性變化，且變化趨勢高度一致，最大沉降量差異不超過 5% 。實測點位沉降變化曲線如圖3所示。

3.1.2沉降階段與曲線特征

沉降過程可分為4個明顯階段：緩慢沉降（10～30d）、加速沉降（30～110d）、穩定沉降（110～300d）和減緩沉降（300～360d），沉降過程整體性良好。沉降量變化曲線呈現非線性變化，S型曲線發展。中期階段（30～110d）沉降速率最快，后期階段（110～300d）沉降相對穩定，最終階段沉降速率逐漸減緩。

3.1.3沉降速率變化規律

沉降速率呈現“慢-快-穩定-減緩”的變化特征，初期沉降速率較低，中期沉降速率顯著增加，后期沉降速率趨于穩定并有所減緩，表明沉降過程在最終階段逐漸趨于平穩。最大沉降速率出現在80～150d階段，表明該階段沉降過程最為活躍。平均沉降速率隨周期變化圖如圖4所示。

3.2實測數據與預測結果對比分析

模型預測結果與實際測試結果在整體沉降趨勢上基本一致，均呈現非線性沉降特征。二者的沉降過程可劃分為兩個階段：緩慢沉降期（10～110d）和加速沉降期（150～360d）。模型預測結果與實際測試結果對比如表1所示。分析表明，在較短的觀測周期內，模型預測準確度高，誤差控制在 3% 以內。而觀測周期較長時，模型預測誤差略有增加，但仍將誤差控制在 7% 以內。如監測周期110d時，預測值與實測值的絕對誤差為 0.011lmm ，相對誤差為 1.38% ，預測結果略大于實測值，表明該模型在該階段的沉降預測結果偏于保守，誤差在工程允許范圍內（通常要求 lt;5% ）。總體而言，預測趨勢與實際沉降發展趨勢一致。能夠為混凝土建筑施工和后續維護提供可靠支持。

表1模型預測結果與實際測試結果對比

4控制措施

4.1優化設計方案

在混凝土建筑結構沉降預測的過程中，僅獲得預測結果是不夠的，有效地將預測結果轉化為實際的控制措施，是確保建筑結構安全和穩定性的關鍵。控制措施涉及混凝土配比調整、結構設計優化和監測系統建設等方面。例如，根據預測模型結果，在后續施工中合理調整混凝土配比和優化材料比例，可有效降低潛在沉降風險。

4.2構建監測與維護體系

監測系統應由水準儀、光纖光柵傳感器及GNSS監測系統等構成。將監測點合理布置在建筑四角、關鍵結構節點等部位，實現對監測區域的有效監測，以此掌握主要控制參數的變化趨勢。此外，還需定期檢查建筑結構，及時維護微小裂縫，以確保監測數據的可靠性。

圖3實測點位沉降變化曲線

圖4平均沉降速率隨周期變化

4.3完善預警與應急處理機制

通過建立科學的預警分級制度和完善的應急預案，施工人員能及時發現潛在風險，快速響應突發情況，最大限度地降低安全隱患。

5結束語

綜上所述，本文采用PSO-LSTM模型對混凝土建筑結構沉降進行預測。通過對實測數據和預測結果的對比分析，發現兩者在整體沉降趨勢上高度一致，且預測誤差控制在 7% 以內。所提出的優化設計方案、監測與維護體系和預警與應急處理等控制措施，是確保建筑結構安全和穩定性的關鍵。本文的研究結果為混凝土建筑結構沉降預測提供了有效預測方案，并基于預測和實測數據給出合理的控制措施，具有較高的實用價值和推廣潛力。

參考文獻

[1]唐均.沉降觀測在高層建筑物變形監測中的應用探討[J].房地產世界，2021（20）：132-133+142.

[2]常巧梅.高層建筑物主體沉降觀測研究[J].科技創新與生產力，2022（8）：139-141+144.

[3]王義緣，郭美奇，姜俊亮，等.基于BP神經網絡模型算法在某建筑物沉降觀測中的應用研究[J].經緯天地，2022（6）：57-60+63

[4]李凡長，劉洋，吳鵬翔，等.元學習研究綜述[J].計算機學報，2021，44（2）：422-446.

[5]王啟貴，吳忠明，陳興紅.基于機器學習LSTM方法的大面積高填土沉降預測[J].工程勘察，2022，50（8）：41-45.

[6]莫佳德.沉降觀測在高層建筑物變形監測中的應用研究[J].科學技術創新，2024（22）：189-192.