第124期基于机器学习的深基坑安全评估研究

52监测网 › 首页 › 行业资讯› 专家报告

第124期基于机器学习的深基坑安全评估研究

2021-5-26 11:48

收藏分享邀请

【52监测网】第124期基于机器学习的深基坑安全评估研究

52监测网专家报告分享-第124期

《基于机器学习的深基坑安全评估研究》

洪成雨深圳大学土木与交通工程学院

未来地下城市研究院/未来地下城市研究院智能基础设施研究中心

深圳市地铁地下车站绿色高效智能建造重点实验室

研究院介绍

深圳大学未来地下城市研究院由我国著名地下工程与隧道工程专家、中国工程院院士陈湘生教授创建并担任院长，秉持为人类生态文明建设做出原创性贡献的宗旨，致力保护和建设美好生态环境的目标，立足探索城市地下空间开发和土地资源利用的途径。

深圳大学未来地下城市研究院“智慧基础设施研究中心”整合先进的科学研究方法和技术，提升城市基础设施规划、设计、建造、运营和维护管理中智慧化水平。“深圳市地铁地下车站绿色高效智能建造重点实验室”致力于将人工智能、大数据、云计算、边缘计算、物联网、先进的通讯技术应用于地铁车站规划、设计、建造和运营的全生命周期。通过传感器采集的信息，实时监控、测量、处理分析和预警，实现地铁车站的全域感知、泛在互联和管理决策。

内容介绍

一、研究背景

近年来典型的基坑事故案例：2018年2月，佛山2号线事故、2018年3月，杭州4号线施工塌方、2019年6月，南京基坑崩塌事故、2019年7月，青岛地铁1号线事故……

由上可见，发生坍塌、撞击的重大事故比例较高，而较大比例的事故主要源于地质条件复杂、超挖施工、管理不到位。

基坑安全的智能预测预警与安全评估：缺乏基于自主知识产权的BIM构建基坑安全监测平台；融合人工智能算法建立在线监测平台进行基坑监测信息的IoT实时性预测预警不足；基于监测平台进行在线的基坑安全性实时评估研究较少；

岩土仪表与监测（基坑监测）：现场监测传感器的稳定性问题（传感器的工作原理、材料、封装方式）；基坑现场监测传感器与监测基体的耦合性（混凝土支撑、钢支撑、土体、水位）；基于不同工况与基坑周边环境（如基坑周边建筑物重要性）的基坑安全量化分级研究不足。

二、传感器监测机理研究

1.监测传感器的界面效应

(1) 传感器与被测基体接触机理-假设

• 传感器层与胶结层的机械特性相同；

• 传感器与被测体无相对滑移；

• 传感器与粘结层应变梯度相同；

• 粘结层中剪应力随着厚度呈线性变化。

(2) 传感器“固定层”的受力平衡：

（rf ：光纤的半径；h ：胶贴厚度；δf、δa ：传感器层和胶结层的轴向应力；τf、τa、τg ：传感器层、胶结层和基体层的剪切应力；μf、μa、μg ：传感器层、胶结层与基体层的轴向位移；τaf、τag ：传感器层与胶结层界面之间、胶结层与基体界面之间的剪应力。）

(3) 被测基体上传感器的水平受力平衡：

考虑胡克定律：

边界条件：

（Ef、Ea ：传感器层和胶结层的弹性模量；Gf、Ga、Gg ：传感器层、胶结层和基体的剪切模量；2L ：传感器的固定长度；D：传感器的固定宽度；Hi：中间层对基体的影响深度。）

应变传递比例越大，监测传感器的分辨率和精度越高！

(4) 传感器与被测基体的应变传递系数

2.不同试验中的应变传递系数

3.不同参数对应变传递系数的影响

（1）考虑参数：尺寸参数（粘结层长度、宽度、厚度）；杨氏模量（基体模量、粘结层模量、传感器模量）

（2）尺寸参数：粘结层长度、宽度、厚度对应变传递系数的影响规律（以光纤传感器为例）；

参数化研究表明，传感器固定长度、粘结厚度、粘合宽度对平均应变传递系数影响很大，实际监测应用中粘结长度、厚度建议分别>12毫米、<2毫米时可获得的应变传递系数大于0.8。

（3）模量参数：粘结层模量、传感器模量、基体层模量对应变传递系数的影响规律（以光纤传感器为例）；

• 传感器固定长度、粘结厚度、粘合宽度、粘合层模量和基体层模量互相作用影响平均应变传递系数。

• 粘结层和基体层的杨氏模量建议分别为1000至2000MPa、100至200GPa以上，获得的平均应变传递系数可大于0.8。

（4）综合参数：粘结层模量、基体层模量、粘结宽度对应变传递系数的影响规律；

• 粘结层模量、基体层模量、粘结宽度互相作用影响平均应变传递系数

• 粘结层杨氏模量和基体层的杨氏模量建议分别为大于1500MPa-2000MPa、大于60GPa时，获得的平均应变传递系数大于0.8。

应变传递系数越大，监测传感器的分辨率和精度越高！

三、基于机器学习的基坑关键参数预测

1.工程概况

深圳市城市轨道交通12号线位于深圳市南山区、宝安区，线路全长40.560km。全线采用地下敷设方式。线路起自南山区左炮台站，自南向北穿越蛇口自贸区、南山中心区、宝安中心区、福永片区、大空港及会展片区，终至宝安区海上田园东站。车站33座（土建范围27座，安装装修范围29座；长大车站7座、三层站7座、盖挖逆作法施工车站6座）；正线区间32条；出入场段线各一条、12/5联络线区间一条；机场东车辆段、赤湾停车场；主变电所2座。

海上田园东站为12号线终点站，位于民主大道与丰民路交叉口南侧，沿丰民路呈南北方向布置。与远期18号线车站于新沙路及丰民路交叉口采用“十”字型换乘方式；12号线施工时同期实施远期18号线地下三层的节点。

车站主体长为523m，标准段宽22.3m，为地下二层13m岛式车站。标准段结构高13.74m，盾构段14.63m,三层节点20.92m ，车站采用明挖法施工。

车站周边现状主要为未开发用地，与石围涌水质提升项目交叉，西侧为水上渔村，大里程110kv电力管群横跨车站基坑。

2.基坑工程现场监测

研究基坑区域为海上田园东站二期，基坑长242米，标准段款22.4米。考虑3个监测断面共9个监测参数的数据进行机器学习预测：

1. 同一断面2个沉降监测点

2. 同一断面2个水平位移监测点

3. 同一断面1个轴力监测点

4. 监测周期为1年，监测频率每周1次，自动化监测频率为10分钟每次。

3.机器学习预测算法

（1）非线性自回归模型（Nonlinear Autoregressivewith Exogenous Inputs Model，NARX)：NARX神经网络是基于带外源输入的非线性自回归神经网络）。NARX是一种用于描述非线性离散系统的模型。

（2）Elman人工神经网络：Elman人工神经网络是一种典型的动态递归神经网络，是在BP（Back Propagation）网络基本结构的基础上，在隐含层增加一个承接层，作为一步延时算子，达到记忆的目的，使系统具有适应时变特性的能力，增强网络的全局稳定性，比前馈型神经网络具有更强的计算能力，可解决快速寻优问题。

（3）GA-ANN算法：遗传算法以计算机模拟为主，对于一个最优化问题，一定数量的候选解（称为个体）可抽象表示为染色体，使种群向更好的解进化。

（4）BP-ANN算法：BP-ANN算法是一种梯度下降方法，旨在最大限度地减少网络计算的输出的总误差（或平均误差）。

4.监测数据的机器学习预测

• 基坑支撑系统轴力在前100天内逐步上升；

• 整个施工期与稳定期间沉降逐步上升（伴随中间一段稳定期）；

• 前200天3个测点的水平位移逐步增大，之后达到稳定状态。

• 基于4种机器学习算法（包括BP、GA-BP、NARX、Elman算法）进行轴力、沉降、最大水平位移的预测。