基坑變形智能監(jiān)測(cè)及預(yù)測(cè)模型融合技術(shù)研究

摘要：為研究基坑變形智能監(jiān)測(cè)及預(yù)測(cè)模型融合技術(shù)，文章基于實(shí)際工程，在現(xiàn)場(chǎng)試驗(yàn)中采用自動(dòng)化監(jiān)測(cè)專用設(shè)備，實(shí)現(xiàn)了深層水平位移自動(dòng)化監(jiān)測(cè)，并采用兩種機(jī)器學(xué)習(xí)算法KNN和RBF對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)分析。結(jié)果表明：自動(dòng)化監(jiān)測(cè)設(shè)備可以很好地完成深層水平位移監(jiān)測(cè)，極大提高了基坑監(jiān)測(cè)的效率，保證了基坑施工的安全；KNN對(duì)基坑監(jiān)測(cè)數(shù)據(jù)的預(yù)測(cè)比RBF更加準(zhǔn)確，后續(xù)可將KNN算法程序?qū)氲阶詣?dòng)化監(jiān)測(cè)程序中，實(shí)現(xiàn)水平位移的提前預(yù)測(cè)與不斷校準(zhǔn)完善。

關(guān)鍵詞：基坑；變形；自動(dòng)化監(jiān)測(cè)；預(yù)測(cè)模型；融合技術(shù)

中圖分類號(hào)：U412.6

0 引言

近年來(lái)，城市建筑的擴(kuò)張導(dǎo)致工程項(xiàng)目多樣化，不再局限于地面。因此，城市地下空間的利用大幅增加，大量基坑工程應(yīng)運(yùn)而生［1-5］。同時(shí)，基坑工程領(lǐng)域日益復(fù)雜，基坑監(jiān)測(cè)的重要性日益凸顯［6-10］，基坑監(jiān)測(cè)技術(shù)也逐漸從人工監(jiān)測(cè)向自動(dòng)化監(jiān)測(cè)轉(zhuǎn)變［11-13］。

與人工監(jiān)測(cè)相比，自動(dòng)化監(jiān)測(cè)采用多個(gè)傳感器與監(jiān)測(cè)設(shè)備建立連接，能夠從每個(gè)監(jiān)測(cè)儀器獲取實(shí)時(shí)數(shù)據(jù)。這有利于在全天候條件下對(duì)基坑進(jìn)行連續(xù)、全面的監(jiān)測(cè)。這種方法不僅可以節(jié)省人員費(fèi)用，還可以提高各個(gè)監(jiān)測(cè)點(diǎn)實(shí)時(shí)監(jiān)測(cè)的有效性和精度。此外，由于計(jì)算機(jī)技術(shù)的廣泛應(yīng)用，巖土工程領(lǐng)域也逐步采用了機(jī)器學(xué)習(xí)技術(shù)［14-18］。

然而，鮮有將兩種技術(shù)融合起來(lái)進(jìn)行應(yīng)用的案例。為此，本文基于現(xiàn)場(chǎng)自動(dòng)化監(jiān)測(cè)實(shí)測(cè)數(shù)據(jù)，結(jié)合兩種機(jī)器學(xué)習(xí)算法，初步探索一種基坑變形自動(dòng)化監(jiān)測(cè)及預(yù)測(cè)模型融合技術(shù)，以期將此技術(shù)應(yīng)用到基坑自動(dòng)化監(jiān)測(cè)領(lǐng)域中，實(shí)現(xiàn)基坑自動(dòng)化監(jiān)測(cè)及預(yù)測(cè)。

1 基坑變形智能監(jiān)測(cè)及預(yù)測(cè)模型的建立

1.1 基坑變形自動(dòng)化監(jiān)測(cè)

基坑監(jiān)測(cè)中采用的自動(dòng)監(jiān)測(cè)技術(shù)依賴于大數(shù)據(jù)和物聯(lián)網(wǎng)技術(shù)的融合。這種集成涉及各種傳感器的利用，其中中央監(jiān)控設(shè)備是核心組件。然后將收集到的數(shù)據(jù)傳輸?shù)奖O(jiān)控云平臺(tái)，進(jìn)行實(shí)時(shí)分析。通過(guò)將指定的控制值納入分析，監(jiān)控云平臺(tái)能夠產(chǎn)生實(shí)時(shí)預(yù)警。這種自動(dòng)化方法有效地解決了通常難以通過(guò)手動(dòng)方式克服的眾多挑戰(zhàn)。

本項(xiàng)目深層水平位移采用固定式測(cè)斜儀、全自動(dòng)測(cè)斜機(jī)器人進(jìn)行自動(dòng)化監(jiān)測(cè)，最后集成于自動(dòng)化監(jiān)測(cè)專用設(shè)備上。

1.2 預(yù)測(cè)模型的建立

本文將采用KNN和RBF兩種機(jī)器學(xué)習(xí)算法。

KNN算法常采用歐式距離對(duì)樣本點(diǎn)與新樣本點(diǎn)之間的距離進(jìn)行度量：

2 工程應(yīng)用

2.1 工程概況

本文依托工程基坑位于白沙洲大道與南湖路交叉口西北角，周邊環(huán)境復(fù)雜，基坑北側(cè)距現(xiàn)狀白沙洲大道為11.6～20.9 m；西側(cè)距巡司河岸13.3 m，距巡司河管理用房5.1 m；南側(cè)距離現(xiàn)狀京廣鐵路走廊凈距29.3 m；基坑?xùn)|側(cè)距現(xiàn)狀南湖路約14.3～19.9 m，東側(cè)民房及商鋪與基坑最小凈距約15 m。

試驗(yàn)場(chǎng)地土的物理力學(xué)指標(biāo)見(jiàn)表1。

2.2 測(cè)點(diǎn)布置

在工程中，為了解基坑開(kāi)挖過(guò)程中圍護(hù)結(jié)構(gòu)側(cè)向變形，通常以圍護(hù)結(jié)構(gòu)附近測(cè)斜點(diǎn)土體深層水平位移來(lái)間接反映圍護(hù)結(jié)構(gòu)的側(cè)向變形。雖然在數(shù)值上可能與實(shí)際圍護(hù)結(jié)構(gòu)的變形略有不同，但整體規(guī)律較為吻合，也有利于測(cè)點(diǎn)的保護(hù)和數(shù)據(jù)的量測(cè)。為分析基坑變形規(guī)律，本文選取了1個(gè)測(cè)斜點(diǎn)ZQT11。

2.3 結(jié)果分析

圖1為測(cè)點(diǎn)的水平位移圖，按照時(shí)間順序選取了開(kāi)挖過(guò)程中的12個(gè)時(shí)間步。

從圖1可以看出，測(cè)點(diǎn)的水平位移隨著開(kāi)挖的進(jìn)行總體呈現(xiàn)增大的趨勢(shì)，且水平位移總體較小，基坑未發(fā)現(xiàn)明顯變形。

本次測(cè)斜數(shù)據(jù)總量為300，將其中80%作為訓(xùn)練數(shù)據(jù)，20%作為預(yù)測(cè)數(shù)據(jù)。數(shù)據(jù)的輸入?yún)?shù)依次為測(cè)點(diǎn)深度、時(shí)間步、重度、壓縮模量、粘聚力、內(nèi)摩擦角。數(shù)據(jù)的輸出參數(shù)為測(cè)點(diǎn)水平位移。訓(xùn)練集和測(cè)試集數(shù)據(jù)結(jié)果比較如圖2～4所示，指標(biāo)評(píng)價(jià)結(jié)果見(jiàn)表2。

由圖2可以看出，KNN的訓(xùn)練集數(shù)據(jù)和RBF的訓(xùn)練集數(shù)據(jù)都很接近1∶1線，說(shuō)明數(shù)據(jù)的訓(xùn)練效果很好。從表2也可以反映出這個(gè)現(xiàn)象，KNN的均方根誤差（RMSE）和平均絕對(duì)誤差（MAE）分別為0.116 8和0.078 8，相關(guān)系數(shù)（R）為0.993 9；RBF的均方根誤差（RMSE）和平均絕對(duì)誤差（MAE）分別為0.128 0和0.104 9，而相關(guān)系數(shù)（R）卻達(dá)到了0.992 1，兩者訓(xùn)練數(shù)據(jù)的效果較為接近。

由圖3～4可以看出，KNN的測(cè)試集數(shù)據(jù)相比于RBF更加接近1∶1線，說(shuō)明本文KNN的訓(xùn)練效果更好，從表2也可以反映出這個(gè)現(xiàn)象，RBF的均方根誤差（RMSE）和平均絕對(duì)誤差（MAE）分別為0.573 9和0.388 0，相關(guān)系數(shù)（R）為0.986 6；KNN的均方根誤差（RMSE）和平均絕對(duì)誤差（MAE）分別為0.207 3和0.153 8，而相關(guān)系數(shù)（R）卻達(dá)到了0.993 4，比RBF提高了0.69%。從圖4還可以明顯看出KNN在幾個(gè)峰值點(diǎn)的預(yù)測(cè)明顯比RBF更加精準(zhǔn)。

綜上所述，本文采用KNN方法比RBF方法能更好地對(duì)自動(dòng)化監(jiān)測(cè)的水平位移進(jìn)行預(yù)測(cè)。后續(xù)可將RF算法程序?qū)氲阶詣?dòng)化監(jiān)測(cè)程序中，實(shí)現(xiàn)水平位移的提前預(yù)測(cè)與不斷校準(zhǔn)完善。

3 結(jié)語(yǔ)

本文研究了基坑變形自動(dòng)化監(jiān)測(cè)及預(yù)測(cè)模型融合技術(shù)，主要得出以下結(jié)論：

（1）本文自動(dòng)化監(jiān)測(cè)測(cè)點(diǎn)的水平位移隨著開(kāi)挖的進(jìn)行總體呈現(xiàn)增大的趨勢(shì)，且水平位移總體較小，基坑未發(fā)現(xiàn)明顯變形。

（2）在訓(xùn)練集中，KNN的訓(xùn)練集數(shù)據(jù)和RBF的訓(xùn)練集數(shù)據(jù)都很接近1∶1線，兩者的訓(xùn)練效果較為接近；在測(cè)試集中，KNN的相關(guān)系數(shù)（R）達(dá)到了0.993 4，比RBF提高了0.69%。此外，KNN在幾個(gè)峰值點(diǎn)的預(yù)測(cè)明顯比RBF更加精準(zhǔn)。

（3）本文采用KNN方法比RBF方法能更好地對(duì)自動(dòng)化監(jiān)測(cè)的水平位移進(jìn)行預(yù)測(cè)。后續(xù)可將RF算法程序?qū)氲阶詣?dòng)化監(jiān)測(cè)程序中，實(shí)現(xiàn)水平位移的提前預(yù)測(cè)與不斷校準(zhǔn)完善。本文提供了基坑變形自動(dòng)化監(jiān)測(cè)及預(yù)測(cè)模型融合技術(shù)思路，后續(xù)預(yù)測(cè)算法可根據(jù)研究需要不斷改進(jìn)完善。

參考文獻(xiàn)

［1］俞建霖，龔曉南.深基坑工程的空間性狀分析［J］.巖土工程學(xué)報(bào)，1999，21（1）：24-28.

［2］俞建霖，龔曉南.基坑工程變形性狀研究［J］.土木工程學(xué)報(bào)，2002（4）：86-90.

［3］俞建霖，龍 巖，夏 霄，等.狹長(zhǎng)型基坑工程坑底抗隆起穩(wěn)定性分析［J］.浙江大學(xué)學(xué)報(bào)（工學(xué)版），2017，51（11）：2 165-2 174.

［4］鄭 剛，蘇奕銘，刁 鈺，等.基坑引起環(huán)境變形囊體擴(kuò)張主動(dòng)控制試驗(yàn)研究與工程應(yīng)用［J］.土木工程學(xué)報(bào)，2022，55（10）：80-92.

［5］Zheng G，Su Y，Diao Y，et al. Field measurements and analysis of real-time capsule grouting to protect existing tunnel adjacent to excavation［J］.Tunnelling and Underground Space Technology，2022，122：104350.

［6］JGJ 120-2012，建筑基坑支護(hù)技術(shù)規(guī)程［S］.

［7］Mair，Robert J，Schwamb，et al. Fibre optic monitoring of a deep circular excavation［J］. Geotechnical Engineering，2014，167（2）：144-154.

［8］葉帥華，李德鵬.復(fù)雜環(huán)境下深大基坑開(kāi)挖監(jiān)測(cè)與數(shù)值模擬分析［J］.土木工程學(xué)報(bào)，2019，52（S2）：117-126.

［9］Wu J，Peng L，Li J，et al. Rapid safety monitoring and analysis of foundation pit construction using unmanned aerial vehicle images［J］.Automation in Construction，2021，128（9）：103706.

［10］徐前衛(wèi)，龔振宇，孫梓栗，等.滇中引水工程超深圓形基坑施工變形和內(nèi)力監(jiān)測(cè)結(jié)果分析［J］.土木工程學(xué)報(bào)，2022，55（6）：102-111.

［11］曹 權(quán)，李清明，項(xiàng) 偉，等.基坑群開(kāi)挖對(duì)鄰近既有地鐵隧道影響的自動(dòng)化監(jiān)測(cè)研究［J］.巖土工程學(xué)報(bào)，2012，34（S1）：552-556.

［12］黃海濱，曹 洪，梁衛(wèi)軍，等.基坑上跨已運(yùn)營(yíng)地鐵隧道的設(shè)計(jì)及實(shí)測(cè)分析［J］.巖土工程學(xué)報(bào)，2014，36（S1）：148-154.

［13］趙 峰.基于BIM的基坑工程自動(dòng)化監(jiān)測(cè)平臺(tái)研發(fā)［J］.煤田地質(zhì)與勘探，2018，46（2）：151-158.

［14］Altman，N. S. An introduction to kernel and nearest-neighbor nonparametric regression［J］. The American Statistician，1992，46（3）：175-185.

［15］楊 敏，任紅林.智能巖土工程的特點(diǎn)初探［J］.同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2000（6）：636-640.

［16］Hu C，Jain G，Zhang P，et al. Data-driven method based on particle swarm optimization and k-nearest neighbor regression for estimating capacity of lithium-ion battery［J］. Applied Energy，2014，129（9）：49-55.

［17］張?chǎng)┏放嘈?，?維，等.基于改進(jìn)KNN與基坑參數(shù)對(duì)地連墻變形預(yù)測(cè)研究［J］.華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，49（9）：101-106.

［18］Wei，M，Meng，W，Dai，F(xiàn)，et al. Application of machine learning in predicting the rate-dependent compressive strength of rocks［J］. Journal of Rock Mechanics and Geotechnical Engineering，2022，14（5）：1 356-1 365.

收稿日期：2024-03-18

作者簡(jiǎn)介：田久暉（1979—），碩士，高級(jí)工程師，主要從事市政方面的研究工作。