大型地下空间综合交通枢纽中巨型斜柱长期沉降的监测及预测分析

2024-03-22王森禹丽峰艾鹏鹏关渭南黄永虎邓钱瀚

科学技术与工程 2024年5期

王森, 禹丽峰, 艾鹏鹏, 关渭南, 黄永虎, 邓钱瀚

(1.深圳市地铁建设集团有限公司, 深圳 518000; 2.中铁四局集团第五工程有限公司, 九江 332000; 3.华东交通大学土木建筑学院, 南昌 330000)

随着中国城市化进程的快速发展,城市交通拥堵问题日趋严重,使得地下空间综合交通枢纽体系的发展需求日益增长。深圳市黄木岗大型地下空间综合交通枢纽采用巨型斜柱的新型结构体系,由于斜柱整体较长、自重大且受施工条件的限制,无法一次施工就位,因此该体系具有结构形式和施工环境复杂等特点,其施工安全由多种因素影响。斜柱作为该体系的关键结构构件,其沉降数据综合反映了体系在多因素作用下的安全情况,故斜柱的累计沉降量的监测和准确预测对确保工程施工安全具有重要意义。

目前,已有相关学者对结构沉降量的监测与预测做了大量研究。在结构沉降的监测方面,窦炳珺等[1]结合杭州市某盾构掘进实际工程的地表竖向位移监测数据,总结了硬岩地区盾构掘进对周边环境的影响规律;李文聪[2]以地铁车站为研究对象,对中洞法施工各施工工序引起的地表沉降变形规律进行了分析,为施工单位采取控沉措施提供参考依据;闫振虎等[3]探究小净距隧道中夹岩柱稳定性,对拱顶进行了沉降监测,为最小安全净距提供参考;田江涛等[4]对新建车站施工方法进行研究,并监测了既有车站轨道结构沉降,采用不同的方法控制沉降量;夏曾银等[5]通过对结构柱隆沉变化实测数据进行分析研究,监测结构柱的沉降变化规律,结果表明,需避免差异沉降引起结构梁板产生变形开裂问题;曹程明等[6]以特殊土岩组合地层深基坑工程为背景,并结合沉降监测数据对基坑变形规律进行研究,提供控制沉降的方法。在结构沉降的预测方面,江文金等[7]提出了基于时间序列与时间卷积网络的滑坡位移预测模型,结果表明该模型具有较高的预测精度;薛艳杰[8]建立基于灰色最小二乘支持向量机的基坑变形时序预测模型,预测土层深基坑沉降,防止因地表沉降造成不必要损失;王德法等[9]提出改进的变权缓冲灰色模型,并以高填方机场地表沉降数据预测为例,验证所提改进模型的有效性;李翔宇等[10]认为隧道变形的稳定可控是地铁安全运营的重要保障之一,建立多种神经网络预测模型,对比模型效果及精度,选出最适用于盾构隧道长期沉降预测模型;侯明华等[11]提出了麻雀搜索算法优化Elman 的地面沉降量预测方法,并为组合模型的建立提供了一种新思路;黄虎城等[12]基于地表沉降数据建立Elman模型,预测精度较高,能够为研究区地面沉降的防治工作起到一定的辅助预警作用;邓传军等[13]使用粒子群优化反向传播(back propagation,BP)神经网络进行建筑物沉降预测,优化后模型预测精度优于传统预测模型;韩春鹏等[14]基于最优权重法将灰色GM(1,1)及二次曲线模型进行组合,对地基的远期沉降进行预测,探究模型的适用性;冯小婷等[15]以成都地铁17号线换乘站为例,采用4种智能算法对不同监测参数与监测点位在开挖阶段及盾构施工阶段的地表高程变形进行预测。

以上研究表明,结构沉降能够在一定程度上反映整体结构的安全状态,运用神经网络模型预测结构的沉降具有辅助预警作用。现以深圳黄木岗大型地下空间综合交通枢纽的12轴巨型斜柱为例,通过自动化监测系统开展斜柱沉降监测,分析斜柱长期沉降规律并划分预警等级,将GA-BP神经网络算法引入斜柱沉降预测,利用斜柱沉降的观测数据,构建GA-BP神经网络模型并对斜柱的沉降进行预测,对比分析BP神经网络和GA-BP神经网络模型的准确性,进而根据预测的结果更好地指导斜柱施工工作。

1 工程概况

黄木岗综合交通枢纽坐落于笋岗西路、泥岗西路、华富路、华强北路五叉路口,为既有7号线、新建14号线以及规划24号线三线换乘枢纽。14号线沿华富路和泥岗西路地下敷设,为地下三层叠侧车站,与既有7号线同台换乘;规划24号线沿笋岗西路地下敷设,为地下四层车站,与7、14号线形成节点换乘,如图1所示。

图1 黄木岗大型综合地下交通枢纽地理位置

为满足现代建筑地下综合交通枢纽空间一体化要求,形成特色、活力的建筑空间,本项目摒弃传统的梁、柱体系,如图2所示,采用巨型大倾角斜柱的新型结构体系,由于斜柱整体较长、自重大且受施工条件的限制,其施工安全由多种因素影响。斜柱作为该体系的关键结构构件,其沉降数据综合反映了体系在多因素作用下的安全情况,故针对斜柱的累计沉降量的监测和准确预测进行实时监测以确保工程施工安全。

图2 大型综合地下交通枢纽立面图

1.1 斜柱沉降监测系统

轨道交通24号线主体结构永久柱采用巨型型钢混凝土斜柱,如图3所示,巨型型钢混凝土斜柱分布于24号线及两端地下空间,呈鱼腹式布设在5～31轴,共25组50根。因监测结果规律一致,仅结合西区12轴的1根斜柱测点布置介绍斜柱沉降监测系统。

图3 巨型斜柱平面布置图

斜柱沉降监测系统由数据采集系统、云服务器平台、用户终端组成,如图4所示。数据采集系统由自动化全站仪、反光片等组成,测点布置如图5所示,施工现场12-1斜柱监测点如图6所示,将反光片作为测点,布置在与V柱刚性连接的顶板表面。数据采集系统负责各监测点的数据采集,经由无线传输系统将斜柱沉降数据上传至云服务器平台,云服务器平台进行斜柱沉降数据的综合处理,通过互联网实现与电脑、手机等终端通信,可随时随地观察斜柱沉降数据的变化。

图4 自动化监测系统

图5 测点布置方案

图6 施工现场12-1#斜柱的监测点

1.2 斜柱沉降分析

巨型型钢混凝土斜柱数量多,施工周期长,且该结构主要作为承重柱承担竖向荷载,其安全性将影响整体施工进程,通过现状可知,结构沉降能够一定程度反映整体结构的安全状态,斜柱沉降分析及预测具有重大的工程意义。

根据《城市轨道交通地下工程建设风险管理规范》(GB 50652—2011)[16]和施工现场要求,项目设置三级预警,红色预警为预警最大限值、橙色预警为80%预警最大限值、黄色预警为60%预警最大限值。如表1所示,斜柱沉降预警最大限值为±32 mm,正值为斜柱向上隆起,负值为斜柱向下下沉。

表1 预警等级划分表

监测数据较多,仅选取12轴监测数据进行分析,取12轴斜柱的体系转换施工当天为第一期数据(2022年4月14日),并选取后续119期数据进行斜柱施工后的累计沉降量分析。如图7所示,4月14日—6月1日, 斜柱的累计沉降量在-6.0～0.6 mm小幅度波动,处于安全状态;6月2—30日,斜柱的累计沉降量不断增加,最大沉降量为-18.2 mm,处于安全状态;7月1日—8月15日,斜柱的累计沉降量下降至黄色预警值-19.2 mm,然后在-20.8～-18.6 mm小幅度波动。由此可见,斜柱施工后,长期的沉降规律为先在安全状态内小幅波动,随着施工后时间延长,地上结构施工进程不断推进,地下空间的斜柱受到的荷载不断增大,其累计沉降值增大至黄色预警状态,施工过程结束,最后斜柱累计沉降在安全状态与预警状态之间小幅波动。为保证斜柱整体结构的安全性,采用已有的斜柱沉降观测数据,构建神经网络模型并对斜柱的沉降进行预测,预测未来斜柱的累计沉降量是否超过预警值,便于调整施工方案和监测方案,为后期施工安全提供保障。

图7 监测数据变化过程

2 斜柱长期沉降预测研究

以6期数据为一组(前5期数据为网络输入,第6期数据为网络输出),以此类推,共有119期数据,如表2所示。利用前109期数据构建滚动式模型,并构建训练样本集和测试样本集,形成BP神经网络沉降预测模型、GA-BP神经网络沉降预测模型,再用神经网络模型预测最后10期数据。

表2 斜柱累计沉降监测数据

2.1 建立BP神经网络模型

BP神经网络是一种按误差方向反传播的多层前馈神经网络[17],由输入层、隐藏层和输出层3个部分组成,各层内有不同的神经元数量。如图8所示,将数据Xi输入网络中,隐含层通过激活函数等将数据进行处理,若满足误差需求,则通过输出层输出Yk,若未满足误差需求,则调节各层的权值W,将数据返回到输入层重新进行输入,如此循环往复,直至满足误差要求,数据从输出层输出。

图8 BP神经网络结构图

隐藏层的神经元数量对预测模型是至关重要的,设置合适的神经元数量能提高模型的计算精度,而在评估模型数据的精度时,均方误差越低,表示模型预测效果越好,故通过循环得出不同隐含层节点数训练集的均方误差,如表3所示,当隐含层节点数为6,训练集的均方误差最小,表示神经网络沉降预测模型的拟合效果最好。

表3 不同隐含层节点数对应的均方误差

隐含层选用Tansig激活函数,输出层选用线性Purelin激活函数,训练函数选用Trainglm激活函数。隐含层节点数为6,学习速率一般选取为[0.01,0.08],本文选0.01。网络目标误差选取0.000 01,最大训练次数设置为1 000。

2.2 建立GA-BP神经网络模型

BP神经网络的初始阈值与权值是随机生成的,这往往会导致结果陷入局部极小值而非全局最小值。为了提升BP神经网络的计算精度,遗传算法(genetic algorithm,GA)可用于对BP神经网络进行优化[18]。通过GA算法的优化,获取最优初始阈值和权值。GA优化BP神经网络具体步骤如图9所示,首先确定初始化种群规模和适应度函数,然后经过选择、交叉和变异,评价每一代的适应度,最终获得最优阈值和权值。

图9 基于GA-BP模型的预测流程图

采用均方误差评价种群中各个体的适应度,GA-BP神经网络模型适应度值的变化如图10所示,可以看出,适应度值迭代到45代后达到较低水平并保持不变,因此迭代次数设置为50。

图10 GA-BP模型适应度值变化图

GA-BP神经网络模型的激活函数、学习速率、目标误差、最大学习次数等设置与BP神经网络一致。遗传进化中选择采用轮盘赌法,交叉概率的常用取值范围为[0.25,1],本文选取0.8,变异概率的常用取值范围为[0.001,0.1],本文选取0.05。

2.3 预测对比分析

将BP神经网络与GA-BP神经网络沉降预测模型的评价指标进行比较,相关指标预测结果如表4所示。可以看出,BP神经网络预测结果中最大绝对误差为1.934 0 mm,最小绝对误差为0.181 7 mm;GA-BP神经网络预测结果的最大绝对误差为1.263 6 mm,最小绝对误差为0.030 7 mm。

表4 斜柱沉降模型预测结果

预测模型效果如表5所示,对比BP神经网络,GA-BP神经网络的平均绝对误差、均方误差、均方误差根、平均绝对百分比误差分别减少了0.247 6 mm、0.348 5 mm、0.247 5 mm和1.238 3%。

表5 两种模型的预测模型效果比较

图11为累计沉降量实测与预测结构对比曲线,从图11(a)实测值与预测值的对比图可看出,GA-BP神经网络预测模型的预测值更接近实测值。神经网络预测模型的绝对误差如图11(b)所示,相比于传统的BP神经网络,GA-BP神经网络预测模型的预测误差更接近0。实测值与预测值的预警等级如表6所示,按照表1的标准,将实测值与预测值进行预警等级划分,对比发现,在10个预测值中,BP神经网络的预测值所处预警等级与实测值一致的有3个,而GA-BP神经网络所处预警等级与实测值一致的有7个。从预测值与实际值的对比、预测误差、预警等级看出,GA-BP神经网络的预测精度更高。