长株潭城际铁路沉降预测模型比较与基于Revit的可视化

2022-03-30彭博荣彭仪普孟非谭桢耀王萍淋

铁道科学与工程学报 2022年2期

彭博荣，彭仪普，孟非，谭桢耀，王萍淋

(1. 兰州交通大学土木工程学院，甘肃兰州 730000；2. 中南大学土木工程学院，湖南长沙 410075)

高速铁路的建设施工势必会引起路基的沉降变形，对于路基剩余沉降量的预测显得尤为重要。目前常见的预测方法有灰色系统模型[1]、支持向量机模型(SVM)[2−5]和BP 神经网络[6−8]等。李小刚等[1]将GM(1,1)模型结果与双曲线法、三点法预测结果对比发现GM(1,1)预测值与实测值更接近；郑志成等[2]将粒子群算法引入到支持向量机中对边坡变形进行了预测，提出了PSO-SVM 耦合模型；武雪玲等[3]针对滑坡灾害的非线性和不确定性特征，采用粒子群算法对支持向量机模型参数进行全局寻优，结果表明基于对象单元的PSO-SVM 预测精度较高；黄发明等[4]利用多变量PSO-SVM 模型预测滑坡地下水位，精度高于单变量PSO-SVM 模型；邓海波等[5]基于支持向量机建立成桥阶段挠度可靠度模型，结合优化后的粒子群算法计算结构运营阶段挠度可靠指标，结果表明基于SVM-PSO 算法的结构可靠度方法高效准确；谭卫雄等[6]建立了一种改进的ABC-BP 混合神经网络路面裂缝识别算法，该方法在收敛速度和准确度上优于基本的ABC-BP算法和BP 算法；王飞球等[7]构建基于BP 神经网络的跨既有线高速铁路桥梁施工安全风险评估模型，并以信江特大桥为研究对象进行实证评估，结果表明其综合风险与项目建设风险等级一致，模型和案例拟合度较好；凌同华等[8]提出一种基于改进粒子群算法和BP 神经网络的智能位移反分析方法，结合工程现场量测到的围岩位移信息，实现对隧道围岩力学参数的反演。由此可见，目前对于变形预测模型的研究相对成熟，但单一的变形预测已不能满足行业的发展需求。由于BIM 技术的兴起，将变形监测预测与BIM 结合的信息化管理需求已日益渐增。BIM 技术是一种应用于工程设计建造管理的数据化工具，被认为是继CAD 之后设计行业的二次革命[9]。国内外很多成功的案例也展示了BIM 技术在工程行业中的适用性和绝对优势，而BIM 技术已从最初的简单建筑行业运用扩展到各个工程建设领域。杨春等[10]将钢网架屋盖结构的监测数据解析后集成于BIM 三维模型中，指导结构的检修；王勇等[11]将建筑信息模型技术引入到建筑结构施工图设计中，开发了相应的施工图设计原型系统；WANG 等[12]提出了一个接口系统以支持现场级操作模拟，最终生成项目进度表；AHN 等[13]提出了全自动接口(FAI)和半自动接口(SAI)2 种方法来实现从CAD 到EnergyPlus 输入文件IDF 的信息转换；ZHANG 等[14]将BIM 技术与环境监测数据相结合，开发了基于BIM 技术的环境监测数据的可视化。综上所述，与BIM 技术融合的应用越来越多，但将BIM 与高速铁路建设施工阶段的沉降变形监测与预测结合起来的研究较少。因此，本文建立PSO-GM-SVR 变形预测模型，通过二次开发工具将实际工程的变形监测信息集成在Revit中，并利用PSO-GM-SVR 变形预测模型完成监测点剩余沉降量的预测及其可视化展示。

1 GM(1,1)模型

将监测值和日期作为样本值代入以上公式中进行计算，由于迭代次数较多，计算步骤经过C#语言编程后利用Matlab软件完成。

2 基于PSO的GM-SVR模型

2.1 PSO-GM-SVR模型

训练样本数据集R={(xi,yi),i∈n}，xi作为SVR 模型输入值，f(xi)作为SVR 模型输出值，yi为真实输出值。SVR 模型容忍f(xi)与yi之间有一定偏差，即差值在偏差范围内被认为预测正确。

引入SVR模型的线性回归函数：

为将非线性问题转换为线性问题，需要选择合适的核函数。由于高斯核函数适应任意分布的样本数据，具有性能稳定收敛域宽等优点，因此本文采取高斯核函数解决非线性问题，公式如下：

式中：i＝1,2,…,n。

从以上推导公式可知，模型的精度与不敏感参数ε，惩罚因子c和核函数参数σ有关。因此，为了保证模型的精度，采用粒子群算法(PSO)对3个参数进行参数寻优。粒子群算法基本公式如下：

式中：β为非负惯性因子；l为粒子更新次数；vi为粒子速度；xi为粒子位置；pbesti为当前个体粒子的最优解；gbest为全局最优解；c1，c2为学习因子，通常c1＝c2，取值范围为[0,2]；γ1，γ2为随机数，取值范围为[0,1]。

粒子根据以上公式进行位置更新，利用PSOGM-SVR 模型实现变形监测数据分析与预测具体步骤如下：

1)将GM模型计算得到的预测值与原始样本数据累减残差序列作为输入量到SVR模型中。

2)由于输入量的不同，因此将其归一化处理：

3)假设ε，c和σ，初始规定粒子群寻优范围。假设最大迭代次数为200；粒子维数为3；种群数量M=30；惯性因子β=1；学习因子c1＝c2＝1.8；模型根据以上假设参数值进行初始化粒子的速度与位置。

4) 利用均方误差作为适应度函数来度量粒子群个体的适应度，确定个体粒子的pbesti和粒子群的gbest，当均方误差越小说明误差越小即精度越高，适应度越好。均方误差公式如下：

式中：f(xi)为预测值；yi为原始样本训练值；m为样本数。

5) 将上一步得到的粒子速度与位置继续代入式(18)不断更新粒子的速度与位置，产生下一代种群；判断迭代次数是否达到最大，若达到，结束迭代，若没有，继续执行以上步骤；直至完成模型参数ε，c和σ寻优和得到最优解pbesti和gbest；最后执行PSO-GM-SVR 模型算法得到残差更正值序列。

2.2 精度判定

利用后验差检验法和相关系数对模型精度进行评定，后验差检验法是通过小误差概率P和后验差比值C来评价模型精度。

对变形预测模型的预测曲线进行线性相关分析，利用相关系数R进行评定，公式如下：

式中：X为模型输入值，即训练样本中的原始沉降值；Y为模型的输出值，即沉降量预测值；Cov(X，Y)为X与Y的协方差；Var[X]和Var[Y]分别为X和Y的方差。

2.3 案例分析

2.3.1 工程概况

新建铁路长株潭城际铁路与石长铁路联络线线路全长9.69 km，其中DK22+300～DK28+200 为双线， DK28+200～DK31+989.73 和 YDK28+200.00～YDK32+099.6 为2 条单线。设长沙西站、乌山站2座车站，其中乌山站为新建车站，全线位于长沙市望城区，东接长株潭城际长沙西站，西联石长铁路。

监测方案中将沉降变形测量点分为基准点、工作基点和沉降变形观测点3类，其中区段DK22+300～DK23+563.75 沉降变形观测点位布置情况如下：沉降板共布置5 个断面5 个沉降变形点，路基观测桩共布置18 个断面54 个沉降变形点，桥涵观测标共布置4 个断面24 个沉降变形点，路基沉降计共布置2 个断面2 个沉降变形点，其中沉降板监测点位布置情况如图1所示。

图1 沉降板监测点布置图Fig.1 Layout of settlement plate monitoring points

2.3.2 算例

案例分析以长株潭城际铁路与石长联络线为工程背景，选取路基段沉降板监测点0023230L1为研究对象；案例中采取到共29 期监测数据，选取前20 期(2019 年8 月23 日～2019 年10 月28 日)监测数据作为训练样本，后9 期(2019 年10 月31 日～2019年11月28日)监测数据作为预测检验样本；利用数值计算软件对模型完成迭代计算，迭代次数为50时模型残差收敛。

为了说明PSO-GM-SVR 变形预测模型在高速铁路沉降变形预测中运用的可行性，分别将GM，GM-SVR 和PSO-GM-SVR 模型下的预测结果和原始结果进行对比分析。模型精度等级及相关系数如表1 所示；模型变形预测趋势图如图2 所示；模型残差值对比图如图3所示。

表1 模型精度等级及相关系数Table 1 Model accuracy grade and correlation coefficient

图2 模型变形预测图Fig.2 Model deformation prediction

图3 模型残差值对比Fig.3 Comparison of model residual values

结合以上图表可知，不等时距GM(1,1)模型最大残差值为0.66 mm，GM-SVR 模型最大残差值为0.18 mm，优化的PSO-GM-SVR模型最大残差值为0.1 mm，相对于不等时距GM(1,1)模型，GM-SVR和PSO-GM-SVR 模型精度更高，模型精度提高一个级别，且优化的PSO-GM-SVR 模型精度最高；不等时距GM(1,1)模型、GM-SVR 模型以及优化的PSO-GM-SVR 模型的相关系数分别为98.55%，99.54%和99.94%，相关程度都较好。

综上所述，与不等时距GM(1,1)模型和GMSVR 模型相比，优化的PSO-GM-SVR 模型精度和相关度都更好，对于高速铁路沉降变形预测效果最好。

3 可视化表达

首先通过Revit API 开发接口基于Revit 平台开发一套应用于高铁沉降变形监测的程序，作为插件集成在Revit 视图中；同时建立基础三维模型，将变形监测信息作为模型的非几何信息集成到三维模型中，完成变形监测信息的可视化表达。

3.1 开发流程

API 为Application Programming Interface 的简称，即应用程序编程接口，是以函数调用的方式为开发人员提供访问的能力[15]。本文运用C#语言作为Revit 的二次开发工具，在.NET 环境中利用API 接口将SQL sever 数据库和高铁变形监测程序插件集成到Revit 中，经过代码编写和API 在Revit的内部编译，最终加载到Revit中实现功能。

3.2 基础模型的建立

模型建立内容主要包括几何信息和非几何信息。模型的几何信息由简单的线条堆积，构成三维的基础模型，为非几何信息提供载体。本文高速铁路三维基础模型采用有砟轨道，结构示意图如图4所示。

图4 模型结构示意图Fig.4 Schematic diagram of model structure

非几何信息是模型的核心，非几何信息包括变形监测的属性信息和变形信息，其中属性信息包括测点里程、测点编号等；变形信息包括测量时间、测点高程等。非几何信息在记入基础模型的时候需要统一的标准格式和信息，以便监测信息的准确导入、记录和分析共享。

本文采用IFC 2x3版本和IFD标准1.0版层级结构，对于IFD1.0 版已有编码保持不变，对于空缺的信息进行扩展。表2为高铁沉降变形监测中按照标准扩充的内容。

表2 编码标准扩充内容Table 2 Code standard extension

3.3 数据库配置

将监测信息集成到SQL 数据库时可从变形趋势、变形预测和预警提示3个方面进行信息结构表格设计，主要包括工程项目信息表、变形监测类型表、变形监测数据表和超限预警数据表等，每一个表格选择一个主键作为主键索引。

例如，超限预警数据表用以记录超过最大沉降量的信息，包括单次超限和累积超限，将测点ID作为主键索引，主要字段内容如表3所示。

表3 超限预警数据Table 3 Overrun warning data

3.4 可视化功能

针对监测信息可视化需求，将监测插件分为数据表达和变形预测2 个模块,其中数据表达包括变形趋势图和预警提示。

用户选取任意监测点后，系统便通过识别唯一的ID 并根据主键索引载入SQL 数据库中的沉降变形监测表，并读取数据库中的沉降变形监测信息绘制出变形趋势图，以长株潭城际铁路与石长联络线为工程背景，选取监测点0029186D1 为研究对象，绘制其变形趋势图，如图5所示；在预警界面根据规范输入预警限值后，可显示单次沉降量和总沉降量超限情况。

图5 监测点0029186D1变形趋势Fig.5 Deformation trend of monitoring point 0029186D1

变形预测用于工程完成所有监测工作之后的评估工作，将已有监测值输入优化PSO-GM-SVR变形预测模型中得到该点剩余沉降量以完成预测分析，选取监测点0023120L1为研究对象，绘制其单次沉降变形趋势图，如图6所示，其含义表示每次的沉降变化量。由图6可知，前期单次沉降值变化较大，后期单次沉降值逐渐较小并趋于稳定。