基于深度學習的軟基管廊結構性能預測

蔡丹丹 高 瑋 王 森 楊鵬宇 葛雙雙 馬鵬飛

(1.宿遷市高速鐵路建設發展有限公司, 江蘇 宿遷 223800;2.河海大學 土木與交通學院, 南京 210098;3.中交隧橋(南京)技術有限公司, 南京 211800;4.中交基礎設施養護集團有限公司 隧道養護技術研發中心, 南京 211800)

我國綜合管廊等大型地下結構建設起步晚,其設計、施工和運營期管理還不完善,特別是其運營期安全性能的評價問題亟待解決.我國東部軟土區域分布很廣,由于軟土變形量大,擾動后的長期狀態難以預測,這對埋設其中的管廊結構運營維護帶來較大困難.目前學者們在軟基地下管廊結構施工、運營病害治理研究等關鍵技術上已經有了一些研究.黃劍等[1]針對我國華東地區典型深厚軟土地基中的綜合管廊結構在運營狀態下的長期沉降變形進行了長達2年的現場監測研究;張超等[2]采用FLAC3D 數值方法對珠海橫琴區軟土地下綜合管廊工程的復合地基處理方案進行了研究;劉志軍等[3]結合廣州某軟土地下管廊結構工程,對基坑支護設計方案及其對施工的影響進行了分析;譚博等[4]針對福建平譚某綜合管廊試驗段軟土地基的處理方案進行了現場質量檢測研究;劉鋼波等[5]結合浙江溫州某綜合管廊工程,對深厚軟基地區綜合管廊地基處理技術進行了分析;王發玲等[6]采用midas GTS有限元軟件,建立滲流-應力耦合數值模型,對軟基綜合管廊的差異沉降進行了研究;阮丹等[7]基于數值模型,對綜合管廊軟土地基采用CFG 樁處治后的沉降特性進行了分析;陳宗燕[8]采用FLAC3D 軟件對不同施工階段軟基管廊路基的沉降特性進行了研究;楊友彬等[9]采用數值仿真方法針對軟土地區既有地鐵隧道對地下管廊結構施工的影響進行了分析;劉偉華等[10]采用FLAC3D 分析了河網區軟基綜合管廊結構在運營載荷等作用下關鍵部位應力的變化情況;程澤海等[11]采用ABAQUS數值方法對交通荷載作用下管廊結構的力學性狀進行了分析;黃運峰[12]通過MIDAS-GTS軟件對車輛荷載作用下綜合管廊的變形沉降進行了分析;李磊等[13]利用數值軟件與理論方法對車輛載荷作用下綜合管廊結構與土體的相互作用進行了研究;白旭峰等[14]采用ANSYS 軟件建立管廊土體相互作用模型,分析了車輛荷載作用下軟基綜合管廊結構的受力變形特征;段旭等[15]采用室內物理模型試驗對車輛荷載作用下綜合管廊結構的動力響應進行了研究.

從以上研究可以發現,目前針對軟基地下管廊結構的研究主要限于結構的施工變形預測和控制方面.此外,對車輛等外載荷下結構的受力及變形等已有了一些數值及室內實驗研究.近年來,隨著人工智能技術的發展,深度學習方法已被應用于管廊工程中[16-18],但目前的研究僅限于工程監測圖像的處理分析.因此,目前的研究尚缺乏運營期長期擾動作用對管廊結構安全性能預測評估的相關研究,尤其是基于深度學習模型的相關應用研究.

綜合管廊作為一種具有特殊城市功能的地下結構,具有其自身的功能性結構要求,同時也具有隱蔽性、復雜性等特點,我國沿海發達地區地下水位較高的河網軟基也給綜合管廊的全壽命安全管控提出了更高要求.因此,首先針對管廊結構安全預測問題,考慮現場監測大數據,采用深度學習網絡——深度置信網絡(deep b elief networks,DBN)進行研究,并為了解決其復雜網絡結構選擇等難題,利用全局優化算法——鯨 魚 算 法(whale optimization algorithm,WOA)對其進行優化設計,建立一種集成深度學習模型——WOA-DBN.其次,對依托軟基綜合管廊工程運營期的結構安全狀態進行現場實測研究,分析影響運營期管廊結構安全性能的主要因素,建立進行結構性能預測的大數據集.最后,基于現場監測信息組成的大數據集,采用WOA-DBN 建立運營期地下管廊結構擾動響應預測模型,為解決軟基綜合管廊結構運營期安全預測及控制提供指導.

1 深度學習模型的建立

1.1 深度置信網絡

DBN 由多個受限玻爾茲曼機(restricted boltzmann machine,RBM)堆疊而成,憑借其強大的數據特征提取能力而成為深度學習領域最常用的算法之一,被廣泛用于圖像識別和數據挖掘等領域[19-20].與傳統人工神經網絡相比,DBN 將訓練得到的權值用于其他相同結構網絡的參數初始值,因此,避免了初始化參數陷入局部最優和訓練時間過長的缺點,且由于其復雜的網絡結構,使其可以處理大數據問題.目前,DBN 已在巖土工程的大數據處理問題中證明了其良好的性能[21],因此,本文采用DBN 模型進行軟基綜合管廊運營期安全預測研究.

DBN 模型基本結構如圖1 所示.可見,DBN 由許多個RBM 基本單元一層一層嵌套組成[22].第一層的神經元是第一個RBM 的可見層,用于接收原始數據.第二層的神經元是第一個RBM 的隱含層,也作為第二個RBM 的可見層,依此類推,向上一層一層嵌套,最終形成包含多個隱含層的DBN 模型.

圖1 DBN 網絡結構

作為深度學習網絡,DBN 模型的訓練不同于傳統神經網絡,其訓練比較復雜,一般包括無監督和有監督兩部分,其流程如圖2所示.

圖2 DBN 網絡的訓練流程

由圖2可見,DBN 網絡的訓練可以分為前向預訓練和反向微調兩個階段.它們的具體實現如下:

1)前向預訓練階段:在該階段網絡進行無監督學習,因此,輸入的數據不帶有標簽,采用逐層貪婪算法,即利用原始輸入的數據訓練第一個RBM,得到相應的模型參數,然后保持該RBM 的模型參數不變,將其輸出的神經元狀態向量輸入到第二個RBM 中,以此類推.逐層貪婪算法將含有很多隱含層的DBN模型簡化成多個RBM 的訓練,簡化了計算過程,提高了模型訓練速度.該階段的數據不帶有標簽,從而,也提升了模型的數據挖掘能力.

2)反向微調階段:在該階段網絡進行有監督學習,因此,其中數據都帶有標簽.將原始數據輸入到模型中,模型會輸出預測數據,計算原始數據和預測數據的誤差大小,將所得誤差自上而下進行反向傳播,不斷改變連接權值和偏置,使誤差最小化.

1.2 鯨魚算法

WOA 是根據鯨魚圍捕獵物的行為而提出的算法[23].鯨魚圍捕獵物的過程采用螺旋氣泡網來捕食,以期達到最佳效果,因此,鯨群具有極高的群體智慧.在鯨魚優化算法中,每只鯨魚的位置代表一個解.在鯨魚群捕獵過程中,鯨魚有兩種行為,一種是收縮圈運動模式,所有的鯨魚都向著其他鯨魚前進;另一種是螺旋氣泡狩獵模式,鯨魚環形游動噴出氣泡來驅趕獵物.在每一次游動中,鯨魚們會隨機選擇這兩種行為來進行捕獵.在鯨魚進行包圍獵物的行為中,鯨魚將會隨機選擇是向著最優位置的鯨魚游去還是隨機選擇一只鯨魚作為自己的目標,并向其靠近.因此,鯨魚的行為模式包括收縮圈運動、螺旋氣泡狩獵和探索獵物3個模式,其位置更新公式如式(1):

鯨魚根據以上3種模式不斷調整自己的位置,直到達到最佳位置.

1.3 深度學習模型

DBN 網絡由多層RBM 組成,其結構非常復雜,因此,實際應用中有很多結構超參數需要人為確定,這些參數一般采用人工試算法確定.但試算法確定DBN 參數時,主要存在以下3個問題[24]:①需要搜索的參數太多,試算法實施非常困難;②搜索范圍小,所得結果只是小范圍的最優值,而不是網絡的真正最優參數;③試算法的實施缺乏科學理論依據.因此,為了解決人工搜索DBN 網絡超參數的缺點,采用優化算法進行參數選優是一條可行之路.而作為一種新型全局優化算法,WOA 可以用于模型超參數的優選研究,且其效果良好[25].因此,這里采用鯨魚算法——WOA 實現DBN 網絡超參數的自適應選擇,對原有DBN 模型參數進行優化,從而,建立新的深度學習網絡模型——WOA-DBN 模型.

WOA-DBN 模型建立的過程如圖3 所示,其具體實施步驟如下:

圖3 WOA-DBN 模型建立流程

1)輸入待優化的DBN 網絡超參數,本文采用4層隱含層的網絡結構,由于輸入層和輸出層根據求解問題確定,需要優選的參數主要包括:第1、2、3、4隱含層節點數分別為n1、n2、n3、n4,學習率η、預訓練迭代次數t1、優化訓練迭代次數t2.

2)隨機初始化鯨魚種群,并根據前人的研究經驗及試算給定最大迭代次數Tmax,鯨魚種群數N,螺旋線形狀常數b.

3)計算當前鯨魚種群中個體的適應度,即為優化參數的最終問題目標,并將適應度最大的個體所在的位置作為目標位置.

4)按照鯨魚算法內部公式,即公式(1),更新鯨魚個體的位置.

5)判斷當前迭代次數是否大于最大迭代次數,不滿足則返回步驟(3),反之進行下一步(6).

6)將適應度最大的鯨魚個體輸出,該鯨魚的位置就是優化后的DBN 網絡超參數.把這些網絡超參數代入DBN 模型,則可得到待解問題的最佳DBN 網絡模型.

2 軟基管廊工程及其現場實測

2.1 工程基本情況

江蘇省宿遷市高鐵商務區綜合管廊結構設計范圍為廣州路(發展大道-民便路)道路紅線寬度為40 m,單艙管廊長1 851 m;富康大道(廣州路-上海路)道路紅線寬度為35 m,單艙管廊長560 m.單艙管廊滿足電力、通信、給水管線入廊需求,廣州路單艙管廊沿道路中分帶下敷設,富康大道單艙綜合管廊沿道路側分帶下敷設,工程詳細布置如圖4所示.廣州路與富康大道的單艙管廊主線凈斷面均為3.0 m×3.5 m,管廊結構布置如圖5所示.

圖5 管廊布置橫斷面圖(單位:cm)

工程所處場地屬于徐淮黃泛沖積平原地貌區,廢古黃河道地貌單元,場地地勢平坦.場地工程地質橫斷面如圖6所示.由圖6可見,管廊工程所處土層主要包括下層軟土及上部填土,其中下層軟土主要包括淤泥質粉質黏土及粉質黏土.因此,該管廊工程屬于典型的軟基工程.

圖6 工程地質橫斷面圖

2.2 現場實測

由于此管廊工程屬于典型的軟基工程,其在載荷作用下會發生較大的變形,對工程安全造成較大影響.而工程所在地位于多條交通線路附近,會受到來往車輛荷載的反復影響.為了在工程現場測試運營期地下綜合管廊結構的擾動響應,在結構的底板中部、側墻中部、頂板中部依次埋設鋼筋應力計與混凝土應變計,并在管廊側墻不同深度處的土體中埋設接觸壓力監測傳感器.用于工程測試的傳感器埋設位置如圖7所示.

圖7 測試傳感器位置示意圖(單位:mm)

現場測量采集儀為宸途CT5808W 動靜態信號測試分析系統,該系統可調節的采集最大頻率為50 Hz,能夠捕捉傳感器在短暫時間內的力學性能變化.

為了進行現場實測,模擬正常雙向交通及單向交通狀態下車輛載荷的情況,在自東向西第二車道及對側車道開展車重分別為8.3、9及11 t的原位車輛荷載施加測試試驗.現場測試結果表明,埋設于結構頂板的傳感器對運營期間的車輛荷載微擾動反映明顯.因此,本文主要采用這些位置的測試結果進行研究.

現場測試得到的部分典型結果如圖8所示.

圖8 典型現場測試結果

根據工程實際情況、現場調研及實際測試數據的綜合分析,可以發現,車輛行駛速度、車載作用大小、車輛輪載中心與結構頂板跨中的橫向距離、車載分布對稱與否和運營時間是影響管廊結構響應的主要載荷擾動因素,而此管廊結構的擾動響應主要表現為結構頂板沉降和跨中水平應力.其中,結構頂板沉降根據頂板相應部位測試得到的混凝土應變結果計算,而跨中水平應力根據頂板結構跨中相應位置的鋼筋應力測試結果換算得到.因此,本文為了預測管廊結構的安全性,選取4個車輛運行載荷參數和1個運營時間參數作為影響因素,即預測模型的輸入變量;以結構頂部豎向位移和跨中水平應力值作為結構的響應因素,即預測模型的輸出變量,以此建立預測模型.根據預測模型輸入及輸出變量的要求,對現場測試數據進行整理建立訓練模型需要的數據集.由于現場測試數據集的數量龐大,為了說明測試數據集的形式,這里僅給出部分數據,見表1.

表1 部分測試數據集

表1中,第3列中的1代表載荷對稱,2代表載荷不對稱.每一行的數據都代表在前5個因素的擾動作用下,結構關鍵部位的2個基本響應.而每一行的數據為一個訓練模型的數據樣本,由多組數據樣本組成訓練模型的數據集.

3 基于WOA-DBN的管廊結構響應預測

3.1 WOA-DBN 模型計算過程

基于WOA-DBN 的結構豎向變形和跨中水平應力響應預測流程如圖9所示.

圖9 基于WOA-DBN 的管廊結構響應預測流程圖

由圖9可知,管廊結構響應預測的具體計算過程如下:

1)通過現場測試數據建立運營期管廊結構安全預測模型的數據集,也就是管廊結構運營期安全響應的測試數據集(包括結構的變形指標數據和結構的應力指標數據),本文采用現場模擬運營期一年的測試數據集.

2)對結構安全測試的現場數據集進行預處理,去除一些重復的數據及明顯異常的數據,并將數據集中所有的零值改為一個很小的數值(大于0),預處理后共得到15 376組有效數據.

3)考慮數據總量,對建模數據集進行劃分,以約80%組數據作為模型訓練集,其數量為12 110組,其余數據作為模型測試集(共3 266組).

4)通過鯨魚算法優化DBN 網絡超參數,根據優化結果建立DBN 預測模型.采用訓練集數據訓練確定模型內部參數,得到基于WOA-DBN 的結構頂板豎向位移和頂板跨中位置水平應力的預測模型.

5)將模型測試集中的載荷及運營時間數據代入得到的WOA-DBN 模型中,則可以得到相應的結構響應——豎向位移和跨中水平應力的預測結果.

3.2 預測模型評價指標

本文采用平方根均方誤差(ERMSE)、平均絕對誤差(EMAE)及相關系數(R)來衡量模型的預測精度.計算公式如式(2)～(4):

式中:y'i是第i個輸入數據對應的模型預測值;y'是模型預測值的平均值;y i是第i個輸入數據對應的實測值是實測值的平均值;N是預測樣本個數.

3.3 模型預測結果分析

采用訓練集進行計算可以得到優化后的WOADBN 模型,計算得到的DBN 網絡模型超參數最優值見表2.

表2 WOA-DBN 模型參數

基于優化得到的DBN 模型對測試集數據進行預測計算,得到的結構響應預測結果如圖10 所示.其中,為了比較,圖中也給出了實際現場測試結果.

圖10 基于WOA-DBN及DBN模型的管廊結構響應預測結果

由圖10可知,基于WOA-DBN 模型的管廊結構響應預測值與實測結果整體吻合較好.另外,根據預測值和實測值結果,根據公式(2)～(4)計算預測模型的評價指標ERMSE、EMAE及R.計算結果見表3.

表3 WOA-DBN 預測模型的評價指標

由表3可見,結構頂部沉降的ERMSE及EMAE值均不大,而R為0.974 2,接近1,說明預測效果良好.而結構跨中水平應力的ERMSE及EMAE值較大,分析原因可以發現,ERMSE及EMAE的計算結果與數據量級有關,而跨中水平應力數據的量級遠大于結構頂部沉降,因此,二者的計算結果差異較大.但R不依賴于數據量級,因此,其結果相對有效.實際上,對于結構跨中水平應力,其計算得到的R為0.6825,接近于0.7,說明其模型預測效果也較好.很明顯,結構頂部沉降的預測效果好于結構跨中水平應力,說明得到的WOA-DBN 預測模型對結構變形響應的預測效果更好.其原因為,管廊結構對運營載荷等擾動產生的位移響應比應力響應更加明顯,表現為圖10(a)的結果比圖10(b)的變化更加明顯.

為了說明WOA 優化DBN 模型超參數方法的優越性和可靠性,下面采用傳統方法確定DBN 模型超參數,并同樣進行結構響應的預測研究.傳統DBN 模型研究中,通常采用試驗試錯法確定模型超參數.其具體方法為:首先,根據經驗確定模型超參數的可能范圍;然后,通過試驗設計等方法確定幾組超參數組合,采用這些超參數組合進行預測計算;最后,比較不同超參數組合下模型的預測誤差,即比較模型評價指標,選擇預測誤差最小的參數組合作為預測模型的最終超參數取值.通過試驗試錯法確定的DBN 模型超參數匯總見表4.

表4 DBN 模型參數

采用表4確定的超參數建立DBN 模型對管廊結構響應進行預測,為了方便比較,其結果也繪制于圖10.另外,為了進行模型比較,計算傳統DBN 模型的評價指標,其值匯總見表5.

表5 傳統DBN 模型的評價指標

從圖10可見,WOA-DBN 模型的預測結果更加接近實際監測值,預測效果比傳統DBN 模型有顯著提高.而從表4和5可以發現,WOA-DBN 模型的預測誤差也明顯優于傳統DBN 模型,因此,采用WOA優化DBN 模型超參數可以顯著提高模型預測效果.

另外,需要說明的是,圖10為了更清晰地反映模型預測結果和實際結果間的誤差情況,把不同樣本對應的結構頂板跨中變形及結構頂板跨中水平應力散點人為連接形成了變化曲線,因此,圖中的變化曲線沒有實際意義.

可見,考慮運營車輛荷載等影響因素對地下管廊結構的擾動作用而建立的WOA-DBN 模型的預測效果較好,此研究可為基于大數據智能算法的運營期地下管廊結構安全響應動態預測提供一種有效的途徑.

4 結 論

本文針對軟基地下綜合管廊結構運營期擾動下的響應安全問題,首先,采用鯨魚算法和深度置信網絡建立了一個集成深度學習模型;然后,進行了典型工程——江蘇省宿遷市某地下管廊結構工程的現場實測研究;最后,基于其實測得到的結構響應數據集,采用建立的深度學習模型來預測地下管廊結構的變形和應力響應,進而評估管廊結構的動態安全性.研究所得主要結論有:

1)運營期軟基地下綜合管廊結構在載荷及時間等外部擾動因素的影響下產生的安全性能響應主要包括變形及其內部應力兩部分,其中結構頂部位移及其跨中應力是主要的結構安全響應.

2)深度置信網絡由于其獨特的結構及計算特點,可以對現場測試大數據進行良好的預測.但其復雜的結構及計算超參數較多,且采用傳統方法不易確定.而本文基于性能良好的優化方法——鯨魚算法可以對其進行自適應選擇,實踐證明其效果良好.

3)基于提出的WOA-DBN 預測模型可以對運營期管廊結構的動態安全狀態進行良好的預測,實際預測結構頂板沉降量平均絕對誤差為0.160 4,頂板跨中水平應力平均絕對誤差為12.372 6,二者均不大,可以滿足工程實際需要.

盡管本文提出的集成深度學習模型可以進行運營期地下管廊結構的安全性預測,但作為初步研究,模型建立采用的數據量并不很大,而且考慮的結構擾動因素也不是很全面,因此,基于實測擾動大數據,考慮更多載荷因素的運營期地下管廊結構安全性預測研究將是我們下一步的工作.