物联网环境下桥梁工程过渡段软基路基沉降监测研究

曹辉辉

（中铁十八局集团第一工程有限公司，河北 涿州 072750）

桥梁是我国重要的交通设施，在国民运输经济中具有重要作用。为保证桥梁工程的安全建设，在软土地基施工时需加强软基路基的沉降监测。在桥梁运营阶段，车辆荷载以及各种事故也会导致桥梁的沉降，造成安全隐患，特别是桥梁过渡段的软基路基，若发生沉降会导致桥梁的整体变形，严重影响桥梁的安全使用，因此有必要加强对软基路基的沉降监测。

对此，众多学者展开了研究，目前已经成熟的方法主要有：荣智等[1]采用可在监测过程中反映路基抗变形能力的回弹模量指标代替压实度，对软基路基沉降进行实时监测；宋中华等[2]对高精度全站仪和圧差式静力水准仪进行分析，并根据分析结果对沉降监测方案进行布设。研究发现上述监测方法均在实践中取得良好成效。由于传统软基路基沉降监测法获取的监测数据中存在对沉降研究结果影响不利的噪声数据，会造成沉降规律研究偏差。因此，基于上述研究成果和实际需要，开展物联网环境下桥梁工程过渡段软基路基监测方法研究，以期为同类型工程提供参考。

1 基于物联网环境的桥梁软基路基沉降监测

1.1 物联网监测设备结构设计

物联网图像监测可直接观测软基路基的沉降变形，适用于桥梁过渡段软基路基的沉降监测，不仅可获取有效监测数据，且能清晰发现其沉降量[3]。目前沉降监测主要是观测路基断面的沉降变形，但路基软基段因整体条件差，设备不合要求难以进行施工监测。因此，依现场情况对用于物联网监测的设备进行方案设计，其测量情形见图1。

图1 监测系统示意

本研究设计的用于桥梁过渡段软基路基沉降监测的新型物联网监测方法主要包含两方面：一是沉降变形监测终端，二是监控中心。监测终端主要装置包括蓄电池、倾角传感器等，数据存储和光斑图像采集可通过嵌入系统中的数字信号处理器来完成，它能使光斑的中心定位更精确。监测系统中的通讯设备主要使用GPRS。监控中心的构成主要包含报警装置、图像数据处理以及控制中心，其中修正靶面的位置不仅可有效计算出相关监测工程的沉降量，且能有效去除噪声数据。系统运作时，将激光器置于桥梁软基路基上，再放置好靶面，接收激光器发射的激光，最后在靶面上形成光斑[4]。观测光斑位置，若发生改变，则可判定软基路基发生沉降。具体监测过程见图2。

图2 监测过程

将沉降监测终端沿桥向放置于桥梁双侧，并将靶面放置于监测终端的正前方，完成设备的安装后可直接用于桥梁软基路基的沉降监测。

1.2 数据处理

由物联网监测获得的数据信息是一种变量，且随时间变化。由于沉降监测环境恶劣，且一般在室外受自然条件影响，致使沉降数据中混杂较多的噪声数据。这些噪声数据对整体结果影响不大，但会影响对沉降规律的判断[5]，间接对地基沉降监测观测数值产生遮盖效应，增加数据处理难度。因此在本研究的沉降监测方法中需对数据进行去噪处理。沉降监测噪声数据包括高频与低频部分，主要存在于高频数据中。为使监测数据更完善，采用小波神经网络模型对沉降数据计算分析，去除无效噪声数据。方法主要是阈值去噪法，也称非线性去噪法，该法对于混入白噪声数据的沉降监测数据较为适用。此法主要是设置阈值作为门限，低于门限的数据作为噪声数据去除。

本研究所采用的嵌入式小波神经网络模型，是一种嵌套小波变化和人工神经的模型（见图3）。其主要工作原理是采用小波函数、尺度因子和平移因子取代传统人工神经网络中的激活函数、权值和阈值。假设沉降监测的样本形式为{x(i),i=1,2,...,n}，样本数值和预测值之间为非线性映射关系，进一步得到目标函数：

图3 嵌入式小波神经网络模型

式中，f为样本与预测值之间的映射函数，k为大于0 的自然数，可依据嵌入式结构的小波神经网络，分解连续小波函数。为提升去噪算法的收敛速度，需要进行训练。训练样本数据为累计沉降值，10 次预测的平均值将是降低预测值随机性的结果。模型通过预测结果的相对误差和模型精度来评价。模型精度由下式给出：

式中，n表示预测值的个数。

由于本研究使用的嵌入式小波神经网络使用的是神经网络SCG 监督训练算法模型，因此初始梯度通过自相关校正方法生成，自动设定阈值。

2 实验与分析

2.1 工程概况

为验证本设计的沉降监测方法，以A 市到B市铁路站前5 标某桥梁施工段为背景，开展工程实践分析。该工程中具有岩溶及岩溶水的部分主要有DK61+791 ～DK61+815、DK80+655 ～DK81+470、DK81+535 ～DK81+975 段，共计3 段岩溶路基，共长1 279 m。该工程主要涉及的地质概况见表1。

表1 工程地质概况

分别采用本设计桥梁过渡段软基路基沉降监测方法和传统监测方法进行测试，并对测试结果进行对比分析。

2.2 测点布置

将混凝土预制桩作为试验基点，沿路基两侧且距线路中心50-200 m 范围布设72 个基点用于监测，监测点的布设均应满足规范要求。布设位置如图4 所示。

图4 沉降监测点位置示意

根据实际施工进度，以7 天为沉降监测周期，得到传统监测方法和本设计方法下的两组监测数据，通过数据处理，与监测点的实际沉降量进行对比分析。

2.3 实验结果分析

两种监测方法的测试结果对比分析如表2所示。

表2 监测结果分析

由表2 可知，本研究提出的累计沉降观测方法相较于传统观测方法，技术上有较大改进和提升，观测结果精度得到整体提高。采用本方法的观测结果相较传统方法的相对误差整体上均较大，说明本研究提出的检测方法精度相对有所提升。

为更直观地反应两种测试方法的测试结果，将表2 数据绘制成图，得到本设计的监测方法与传统监测方法的测试结果曲线（见图5）。

图5 两种沉降监测方法测试结果对比

图中更清楚展现了两者的观测趋势，总体来看本研究提出的沉降监测方法所得观测结果小于传统观测方法。经过噪声数据去除，得到的曲线没有突变，基本呈线性变化，所得的监测数据与实际沉降变形较为贴合，更便于研究沉降变化规律，同时也验证了本观测方法的科学性和合理性。

3 结语

针对目前桥梁过渡段软基路基沉降监测方法中所存在的缺陷问题，设计了一种物联网环境下的桥梁路基沉降监测方法。主要从物联网监测设备、监测终端和监控中心等方面着手，通过GPRS通讯设备对目标展开监测，并开展监测设备的监测过程研究。针对噪声数据，采用嵌入式小波神经网络模型对监测数据阈值进行计算分析，得到有效监测数据，使得观测的沉降数据更符合实际情况。经实验验证本设计监测方法具有一定的有效性。但本方法前期需要大量的样本进行学习来建立模型而获得阈值，对样本数量要求高，且去噪中有时会出现发散情况，后续需进一步改进去噪算法，加快算法的收敛计算时间。