基于 LSTM 深度学习模型的大跨度多孔框架桥顶进预测技术研究
2021-03-02吴英昊
吴英昊
(中铁二十四局集团有限公司北京分公司,北京 100163)
0 引言
框架桥在下穿铁路顶进时,往往会因为左右受力不均而出现轴线偏移的现象,若不及时纠偏,则极容易出现轴线偏移超限致使框架桥偏离顶推线路而出现工程质量事故和安全事故。而针对框架桥顶进时的纠偏措施,传统的方法是依据监测到的轴线偏差数据判别框架桥的顶进姿态走势,等到框架桥顶进轴线偏差达到预警数值之后,通过有针对性地调整顶力配置来实现纠偏[1]。这种纠偏行为由于经验性较强且需要发生较为明显的轴线偏移后才能被触发,可以被认作是“限值纠偏”。“限值纠偏”致使纠偏工作始终处于被动状态,得不到尽早开展,从而引起纠偏工作量的增加或是纠偏效果的不理想。
为解决“限值纠偏”所带来的纠偏行为不及时的问题,可采取的方法之一是加强顶进施工时对框架桥姿态的监测频次,尽可能获取更多的姿态偏差数据,通过加大对姿态偏差样本量的采集和分析来缩小对其的预测误差。但这种纠偏方式仍然会受到主观因素和经验因素的影响,对作业人员的综合素质要求较高。若作业人员主观太保守,则会增加作业难度,消耗过多顶力资源;反之则容易出现框架桥偏差超限的质量、安全事故。
基于以上问题,要尽可能消除纠偏措施中的人为干扰因素,可以引入机器学习的方法,即依据实时框架桥顶进姿态监控数据,得到顶进时间序列上的轴线偏差值,通过深度学习模型对轴线的偏差趋势进行预判,进而再触发纠偏行为。这种方法将传统的“限值纠偏”转化为“趋势纠偏”,使得纠偏工作的开展更为及时,纠偏效果也更为优异。
1 工程概况
芦东路下穿京沪铁路框架桥工程位于北京市大兴区,与既有京沪铁路相交处铁路里程为 K30+511,道路里程为 K6+964.72,道路轴线与铁路交角 为 59.7°。所采用的框架桥为五孔连体式结构,孔径为(4.8-11-13-13-11)m,跨度为 58.1 m,长度为 39.8 m。
该框架桥宽度大、孔数多,采用全断面同时顶进。由于其下穿的京沪铁路为繁忙干线铁路,为确保顶进施工时列车的行车安全并缩短对铁路的封锁时间,工程基于深度学习算法,研发出了可以预判出框架桥姿态变化趋势的 LSTM(Long Short-Term Memory,长短时记忆)模型。该模型通过处理所收集到的框架桥轴线偏差数据并对其进行分析学习,从而消减了人为经验因素对轴线偏差分析的干扰,使得对轴线未来走向的研判更为及时、准确和快捷。
2 两种深度学习方法概述
2.1 循环神经网络(RNN)概述
深度学习作为机器学习领域的一个分支,是指通过构建具有多个隐藏层的深度神经网络模型[2],并利用大量数据训练模型来学习数据间的复杂有效的信息,试图去寻找数据的内部结构特征,继而发现变量之间的真正关系。
循环神经网络(RNN,Recurrent Neuron Network)是深度学习技术的一种,主要用于时间序列数据的处理[3]。时间序列数据可以理解为按照时间顺序所收集到的数据,这类数据可以描述现象随时间变化的情况。在工程施工中,所有随着时间变化的数据都可以看作是时间序列数据,当然也包括框架桥顶进的轴线偏差。
之所以 RNN 可以用于时间序列的处理,是因为 RNN 中的网络单元具有“记忆”的功能,即神经元在某时刻的输出会被“记忆”,并且将影响到后续的信息输出。RNN 网络结构如图 1 所示。
图1 RNN 网络结构示意图
然而,RNN 模型在处理过长的时间序列数据时,对于序列上较远的节点,因计算其联系时会出现矩阵的连乘,网络中每个节点的梯度会因为连乘而出现指数级的增大或缩小,所对应的会引起深度学习过程不稳定或者预测效果不精确,因此,这种方法存在一定弊端。为解决这一问题,LSTM 模型应运而生。
2.2 长短时记忆神经网络(LSTM)概述
LSTM 是在 RNN 的基础上发展起来,其核心的改进就是通过引入了可控的自循环神经单元,从而产生让误差梯度能够得以长时间可持续流动的路径,避免产生梯度弥散或者爆炸等影响模型计算收敛速度,甚至无法收敛的问题。这使得它相比于循环神经网络,能够在更长的时间跨度内跟踪数据变化规律信息,更加适合于处理时间序列的分析预测。
LSTM 结构主要由输入门(input gate)、遗忘门(forget gate)、输出门(output gate)以及一个记忆单元(ct)组成[4]。其中,负责将信息传递到记忆单元的结构为输入门,决定从记忆单元输出的信息的结构为输出门,遗忘门则控制所输入的信息哪些被保留,哪些被抛弃。LSTM 结构所具有的门限构造是其与 RNN 结构的本质区别,也正是因此,LSTM 结构可以完成对长期信息的保留或者丢弃。
LSTM 中的三个门限可以用 Sigmoid 函数来表示,其取值范围为[0,1],当其值为 0 时,则表示没有信息通过;当其值为 1 时,则表示信息全部通过。
借助于遗忘门对信息的过滤功能和输入门对信息的添加功能,记忆单元可以实现记忆信息的实时更新。此外,t时刻的单元的状态会受到(t-1)时刻单元状态的影响,这又体现了 LSTM 的自循环特性[5]。由此可见,LSTM 对于时间序列的分析预测,相较于 RNN 而言,更为精确。LSTM 重复模块的结构如图 2 所示。
图2 LSTM 细胞的结构示意图
3 基于 LSTM 模型对框架桥轴线偏差的预测
3.1 预测方法研究
借助于 LSTM 模型,将框架桥轴线偏差的实时测量数据作为输入的时间序列,对该数据逐层进行分析并归纳特征,可以分析出框架桥轴线的未来发展趋势。本工程框架桥轴线偏差的预测的 LSTM 模型包括输入层、隐藏层、输出层、网络训练等部分[6],具体如图 3 所示。
图3 基于 LSTM 模型对框架桥轴线偏差趋势的预测流程
3.2 顶进及预测的实施
以芦东路下穿京沪铁路框架桥顶进时中线偏差为数据来源,纠偏前的轴线偏差实测值及预测值如图 4 所示。在数据统计中,正值表示偏于设计中心轴线行进方向以左,负值表示偏于设计中心轴线行进方向以右。
图4 纠偏前框架桥轴线偏差情况
分析图 4 可得,框架桥初顶时,由于其处于预制滑板上,所受到的顶力均匀且侧面没有摩阻力,桥体的轴线偏差基本稳定,但仍然会出现轻微偏向的情形,这是由于滑板施工的平整度偏差所引起的。
在框架桥脱离滑板前,前后端轴线均向右偏移;而当框架桥前端刚离开滑板时,前后端轴线突然向左偏移且变化较大。这是因为当框架桥脱离滑板后,桥体左前部分的刃脚和部分底板已经接触土体,但由于大部分桥体还在滑板上,土体与滑板对框架桥产生了不同的摩阻力,从而引起了桥体的横向位移。特别是当框架桥整体离开滑板后,摩阻力的突变导致前端轴线的最大偏差达到了 10 cm,但在调整了左右侧顶力大小后,左右顶力的不均对桥体产生了遏制其逆时针偏移的顺时针力偶,致使框架桥姿态偏差得到了调整。
在框架桥完全吃土顶进后的第 30 镐时,框架桥轴线逐渐出现绕着中心点顺时针旋转的偏位趋势(轴线后端向左偏位、同时前端向右偏位)。通过 LSTM模型的预测结果发现,若不进行纠偏,框架桥后端轴线的偏差将在第 34 镐时超出 5 cm 的限值,并且会进一步发展至-8.4 cm(第 38 镐时前端轴线的偏差)、9.8 cm(第 38 镐时后端轴线的偏差)。因此应当在顶进至 34 镐时对框架桥进行纠偏,纠偏之后轴线偏差情况如图 5 所示。
图5 第 34 镐纠偏后框架桥轴线偏差情况
在第 34 镐实施了纠偏动作后,轴线前后偏差值有所减小并逐步收敛在了 5 cm 的限值以内,说明纠偏效果良好。
框架桥在第 34 镐~第 60 镐期间整体的轴线偏差基本稳定。然而,当在第 61 镐时,桥体轴线的顺时针转动偏差又进一步增大,根据 LSTM 模型的预测结果,若不采取纠偏措施继续顶进,当在第 65 镐时,桥体前后端轴线的偏差均将超限,而在第 70 镐时,轴线前端的偏差将达到 -10 cm,后端的偏差的将达到 10 cm。因此现场在第 65 镐对框架桥进行了第二次纠偏,第 65 镐纠偏之后轴线偏差的实测值及预测值如图 6 所示。从图 6 可以看出,实施纠偏后控制住了偏差增大的发展趋势,并且直至顶进结束,框架桥的轴线偏差均保持在了相对稳定的状态。
图6 第 65 镐纠偏后框架桥轴线偏差情况
4 结语
芦东路下穿京沪铁路框架桥工程在框架桥顶进作业中,基于 LSTM 深度学习模型,提出了框架桥顶进姿态的智能预测技术。该技术通过对往期镐次框架桥姿态实时监控数据的学习,能够有效掌握时序数据的发展变化规律,并快速准确分析研判出框架桥轴线偏差的发展趋势,为后续纠偏动作的实施提供参考依据。借助于本技术的应用,芦东路下穿京沪铁路框架桥工程在顶进施工期间,桥体轴线的最终就位实测值相较于设计值,前端向右偏移了 3.5 cm,后端向左偏移了 1.3 cm,前后端轴线的相对偏差和两端轴线的各自绝对偏差均在 5 cm 的设计限值以内,不仅实现了框架桥的精准就位,更进一步确保了顶进施工的铁路运营安全。Q