隧道施工地表鐵路路基變形監(jiān)測與預測方法

張健，李振華，侯學 （中鐵四局集團有限公司設計研究院，安徽 合肥 230022）

1 引言

隨著城市地鐵的高速建設，新建地鐵隧道下穿營業(yè)鐵路線路和場站已成為一種較為常見的工況。為了保證地鐵隧道的施工安全和既有鐵路運營不受影響，需要在隧道施工時對地表既有鐵路路基變形進行持續(xù)監(jiān)測，獲取鐵路路基的變形規(guī)律和特征，為施工安全提供數(shù)據(jù)支撐[1]。此外，對鐵路路基變形趨勢預測可以及時發(fā)現(xiàn)地鐵隧道施工造成的鐵路運營安全隱患，提前做好工程防治措施，保障鐵路的安全運營。

利用傳統(tǒng)的人工測量方法進行監(jiān)測數(shù)據(jù)采集時，只能在鐵路運營的空檔期進行，工作窗口時間較短，且人工觀測容易受天氣、觀測人員操作技能等因素的限制，不利于對既有鐵路實現(xiàn)長時間連續(xù)的監(jiān)測?；谥悄苋緝x的高精度智能監(jiān)測技術能夠實現(xiàn)7×24h無人值守的監(jiān)測數(shù)據(jù)自動采集和處理，不僅能夠保證監(jiān)測數(shù)據(jù)采集頻率，而且能夠通過數(shù)據(jù)質量控制策略保證數(shù)據(jù)采集的質量。

智能全站儀用于地鐵隧道監(jiān)測的研究越來越多，研究表明智能全站儀監(jiān)測技術可以獲得百米范圍內1mm 的測量精度[2]。隨著研究的深入，智能全站儀監(jiān)測技術在水利工程中也得到了應用和發(fā)展[3-4]，相關學者還開展了智能全站儀自動監(jiān)測系統(tǒng)的設計與開發(fā)[5-6]，闡述了自動化監(jiān)測技術的應用優(yōu)勢和前景。在開展自動化監(jiān)測技術研究的同時，變形預測也受到了重視和關注[7]。在人工智能背景下，BP（Back Propagation）神經網(wǎng)絡被廣泛應用于變形預測研究，并得到了改進和發(fā)展[8]，相關學者聯(lián)合遺傳算法（Genetic Algorithm，GA）和BP 神經網(wǎng)絡算法研究了GA 改進的BP 神經網(wǎng)絡預測模型[9-10]。

盡管國內外已有諸多學者開展了基于智能全站儀的監(jiān)測技術和變形預測模型的研究，但大多為獨立研究，且仍然存在較大的改進空間。本文結合合肥市地鐵4 號線下穿合肥東編組站項目監(jiān)測需求，提出了基于智能全站儀的自動化監(jiān)測方法，并融合GA-BP神經網(wǎng)絡變形預測模型，對鐵路變形趨勢進行預測，及早消除下穿隧道施工時存在的安全隱患，確保施工順利進行和鐵路安全運營。

2 智能全站儀自動監(jiān)測方法

智能全站儀能夠實現(xiàn)目標的自動搜索、識別、照準和讀數(shù)等功能，但監(jiān)測需要根據(jù)國家規(guī)范要求按照特定的方法進行。為此，需要開發(fā)智能監(jiān)測軟件來控制智能全站儀按照特定的監(jiān)測方案進行數(shù)據(jù)采集，為了保證數(shù)據(jù)采集的質量，規(guī)定角度和距離測量限差需要滿足表1 的要求。

表1 智能全站儀自動監(jiān)測系統(tǒng)數(shù)據(jù)采集限差

儀器選址、基準點與監(jiān)測點布設是實現(xiàn)自動化監(jiān)測的重要內容，為了保證監(jiān)測站儀器能夠觀測監(jiān)測區(qū)域的全貌，選取營業(yè)性50m 范圍外至高點或穩(wěn)定的建筑物上安置儀器，在遠離鐵路影響區(qū)域選取穩(wěn)定點布設基準點，確保監(jiān)測站與基準點通視性滿足后視定向的要求。監(jiān)測點采用斷面形式布設，以沿著鐵路軌道方向10m 間隔布設監(jiān)測斷面，每個監(jiān)測斷面應覆蓋地鐵下穿隧道施工影響區(qū)域30m 范圍內。在開展監(jiān)測時，安置在監(jiān)測站上的智能全站儀通過自動目標識別系統(tǒng)瞄準多個已知基準點，利用自由設站方法計算得到測站點監(jiān)測坐標，然后利用極坐標法觀測并解算各監(jiān)測點的三維空間直角坐標，再通過數(shù)據(jù)處理獲得監(jiān)測點變形量。測站點、基準點和監(jiān)測點布置見圖1所示。

圖1 監(jiān)測系統(tǒng)布置示意圖

3 GA-BP神經網(wǎng)絡變形預測模型

BP 神經網(wǎng)絡由輸入層、隱含層、輸出層組成，一般只有一個隱含層?？梢酝ㄟ^經驗公式（1）確定隱含層節(jié)點數(shù)。

式中，i、j、k分別表示模型的輸入層、隱含層和輸出層節(jié)點數(shù)；a一般取1～10之間的整數(shù)。BP 神經網(wǎng)絡包括前向傳播和反向傳播兩個主要步驟，兩個步驟循環(huán)進行直到輸出結果滿足誤差要求，訓練終止。

為了解決BP 神經網(wǎng)絡訓練效率低下和陷入局部極小點的缺點，可以通過GA 優(yōu)化BP 神經網(wǎng)絡算法，構建GA-BP神經網(wǎng)絡變形預測模型，模型構建步驟見圖2 所示。首先導入數(shù)據(jù)，確定GA 拓撲結構；然后對樣本進行編碼，確定適應度函數(shù)，通過遺傳進化算法優(yōu)化，當遺傳進化達到設定的迭代次數(shù)時，GA 結束，確定最優(yōu)個體；再代入BP神經網(wǎng)絡模型訓練，構建GA-BP神經網(wǎng)絡變形預測模型；最后利用該模型對變形趨勢進行預測。

圖2 GA-BP神經網(wǎng)絡變形預測模型構建步驟

4 監(jiān)測與預測結果分析

4.1 項目概況

合肥市地鐵4 號線區(qū)間隧道線路（天水路站至翠柏路站）從合肥東編組站下面穿越，合肥東編組站是樞紐內唯一技術作業(yè)站，主要承擔寧西鐵路、淮南鐵路、合九鐵路和樞紐內各站貨物列車到發(fā)、解編作業(yè)。在合肥市地鐵4 號線下穿隧道盾構施工期間，合肥東編組站仍然保持正常運營，每日通過列車較多。為了保證鐵路運營安全和地鐵隧道施工安全，需要對合肥東編組站鐵路路基等關鍵鐵路設施進行連續(xù)監(jiān)測。

4.2 鐵路路基監(jiān)測結果

在合肥市地鐵4 號線下穿合肥東編組站項目中，利用智能全站儀自動化監(jiān)測系統(tǒng)對鐵路路基進行了監(jiān)測。自盾構機進入距離施工區(qū)域30m 范圍內開始監(jiān)測，一直到盾構機的盾尾遠離鐵路股道群30m 后且不少于3 個月監(jiān)測結束。在盾構施工期間，以每日1 期的觀測頻率對鐵路路基監(jiān)測進行監(jiān)測。為了便于分析，選取了一個監(jiān)測斷面上的6 個監(jiān)測點（LJ1、LJ2、LJ3、LJ4、LJ5、LJ6）沉降數(shù)據(jù)進行了分析，如圖3 為鐵路路基監(jiān)測點30期的沉降變形曲線。

圖3 鐵路路基監(jiān)測點變形曲線

從圖3可以看出，展示的6個監(jiān)測點中，LJ1的變形最大，LJ6整體變形最小。這是因為LJ1 距離下穿隧道中線最近，從LJ1 到LJ6 距離下穿隧道中線距離逐步減小?？梢婅F路路基變形主要是由下穿隧道施工影響造成，因此加強下穿隧道施工時鐵路路基變形監(jiān)測對于保障鐵路運營安全具有重要意義。

4.3 變形預測模型應用

由于鐵路路基變形一般是不可逆的過程，如果一旦發(fā)生較大變形，可能會對鐵路運營和地鐵隧道施工造成安全威脅。為了提前一步發(fā)現(xiàn)可能存在的安全隱患，可以通過建立變形預測模型對鐵路路基變形趨勢進行預判。如果預測預測變形量過大時，可以提前采取工程防治措施，避免事故的發(fā)生。選取LJ1 和LJ2 點監(jiān)測數(shù)據(jù)作為基礎，以10 期數(shù)據(jù)為一期（前9 期為輸入?yún)?shù)，第10 期為輸出結果），以此類推，利用前25 期數(shù)據(jù)滾動式構建訓練和測試樣本。基于GA-BP 神經網(wǎng)絡模型構建鐵路路基變形預測模型，并利用該模型預測后5 期的變形值，并通過后5 期實測變形數(shù)據(jù)對預測模型精度進行評估。鐵路路基監(jiān)測點LJ1 和LJ2 的30 期監(jiān)測數(shù)據(jù)見表2和表3 所示。從監(jiān)測數(shù)據(jù)可以看出，鐵路路基監(jiān)測點LJ1和LJ2的30期累積最大沉降分別為5.3mm和4.5mm。

表2 鐵路路基監(jiān)測點LJ1變形數(shù)據(jù)

表3 鐵路路基監(jiān)測點LJ2變形數(shù)據(jù)

基于GA-BP 神經網(wǎng)絡的鐵路路基變形預測模型終止迭代次數(shù)設置為85，種群規(guī)模設置為80，變異概率設置為0.01，交叉概率設置為0.45，并采用輪盤賭法開展預測訓練，獲得了GA-BP神經網(wǎng)絡預測模型，并利用該模型預測了后5 期（第26～30 期）的變形數(shù)據(jù)。為了更加直觀展示變形預測結果，圖4 展示了LJ1 和LJ2 兩個監(jiān)測點的預測值與實測值的對比結果，從圖4 可以看出LJ1 和LJ2 兩個監(jiān)測點的預測結果與實測數(shù)據(jù)的趨勢基本保持一致，但也可以看出LJ1點的第27期預測結果出現(xiàn)了明顯偏差，主要是因為第27 期的實測數(shù)據(jù)明顯偏離了原有變形曲線趨勢，有一個顯著凸起，這可能是測量誤差或外界環(huán)境干擾造成的監(jiān)測數(shù)據(jù)突變，導致預測模型沒有發(fā)現(xiàn)這一變化。預測結果與實測數(shù)據(jù)的對比說明提出的預測模型能夠客觀真實地描述監(jiān)測目標的變形趨勢和規(guī)律，可以將其應用于實際工程變形預測中，為運營線路提供變形參考依據(jù)。

圖4 監(jiān)測點LJ1和LJ2變形預測結果與實測值對比

為了評估變形預測模型精度，利用絕對誤差和相對誤差指標對結果進行精度評定，以監(jiān)測點LJ1 和LJ2 第26～30期預測結果為基礎，計算了絕對誤差和相對誤差值。LJ1 和LJ2 兩個點的誤差精度指標見圖5所示。

圖5 監(jiān)測點LJ1和LJ2變形預測誤差分析

從圖5 可以看出，GA-BP 神經網(wǎng)絡變形預測模型對監(jiān)測點LJ1 點變形預測的相對誤差最小值為0.35%，最大值為3.66%，平均相對誤差為1.836%；對監(jiān)測點LJ2 點變形預測的相對誤差最小值為-0.70%，最大值為-3.53%，平均相對誤差為-1.877%。監(jiān)測點LJ1 變形預測絕對誤差最小值為-0.018mm，最大值為-0.183mm，平均絕對誤差為-0.0942mm；監(jiān)測點LJ2 變形預測絕對誤差最小值為0.031mm，最大值為0.152mm，平均絕對誤差為0.0562mm。監(jiān)測點LJ1 和LJ2 的相對誤差絕對值均小于5%，絕對誤差絕對值不超過0.2mm。從預測結果來看，提出的變形預測模型的精度整體較高，與實測變形值非常接近，對兩個不同監(jiān)測點預測趨勢整體較為一致，驗證了該模型的適用性，該模型可應用于后期同類工程項目的變形趨勢預測中，為施工安全提供數(shù)據(jù)支撐和決策服務。

5 結論與展望

地鐵下穿隧道盾構施工易對地表鐵路路基造成影響，導致鐵路路基發(fā)生變形。為了保障地鐵隧道施工和地表鐵路場站、線路的運營安全，本文提出了利用智能全站儀自動化監(jiān)測技術對鐵路路基進行持續(xù)變形監(jiān)測，獲得鐵路路基變形規(guī)律和特點。為了提前一步發(fā)現(xiàn)施工過程中存在的安全隱患，融合GA-BP神經網(wǎng)絡算法構建了鐵路路基變形預測模型，并結合合肥市地鐵4 號線下穿合肥東編組站這一實際工程項目的監(jiān)測數(shù)據(jù)對模型進行了測試和精度評估。結果表明，提出的監(jiān)測方法可以較好地完成自動化監(jiān)測任務，對監(jiān)測點實現(xiàn)無人值守的連續(xù)數(shù)據(jù)采集、數(shù)據(jù)傳輸和數(shù)據(jù)處理工作；變形預測模型預測精度較高，能夠滿足地鐵隧道下穿運營鐵路和場站項目應用的需要，為盡早消除工程中存在的安全隱患提供了新的手段，具有一定的可行性和參考價值。