隧道施工地表鐵路路基變形監測與預測方法

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監測，獲取鐵路路基的變形規律和特征，為施工安全提供數據支撐[1]。此外，對鐵路路基變形趨勢預測可以及時發現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。

利用傳統的人工測量方法進行監測數據采集時，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長時間連續的監測?；谥悄苋緝x的高精度智能監測技術能夠實現7×24h無人值守的監測數據自動采集和處理，不僅能夠保證監測數據采集頻率，而且能夠通過數據質量控制策略保證數據采集的質量。

智能全站儀用于地鐵隧道監測的研究越來越多，研究表明智能全站儀監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，智能全站儀監測技術在水利工程中也得到了應用和發展[3-4]，相關學者還開展了智能全站儀自動監測系統的設計與開發[5-6]，闡述了自動化監測技術的應用優勢和前景。在開展自動化監測技術研究的同時，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）神經網絡被廣泛應用于變形預測研究，并得到了改進和發展[8]，相關學者聯合遺傳算法（Genetic Algorithm，GA）和BP 神經網絡算法研究了GA 改進的BP 神經網絡預測模型[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測需求，提出了基于智能全站儀的自動化監測方法，并融合GA-BP神經網絡變形預測模型，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 智能全站儀自動監測方法

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

表1 智能全站儀自動監測系統數據采集限差

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

圖1 監測系統布置示意圖

3 GA-BP神經網絡變形預測模型

BP 神經網絡由輸入層、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）確定隱含層節點數。

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

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

圖2 GA-BP神經網絡變形預測模型構建步驟

4 監測與預測結果分析

4.1 項目概況

合肥市地鐵4 號線區間隧道線路（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、解編作業。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監測。

4.2 鐵路路基監測結果

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測系統對鐵路路基進行了監測。自盾構機進入距離施工區域30m 范圍內開始監測，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測進行監測。為了便于分析，選取了一個監測斷面上的6 個監測點（LJ1、LJ2、LJ3、LJ4、LJ5、LJ6）沉降數據進行了分析，如圖3 為鐵路路基監測點30期的沉降變形曲線。

圖3 鐵路路基監測點變形曲線

從圖3可以看出，展示的6個監測點中，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。為了提前一步發現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，避免事故的發生。選取LJ1 和LJ2 點監測數據作為基礎，以10 期數據為一期（前9 期為輸入參數，第10 期為輸出結果），以此類推，利用前25 期數據滾動式構建訓練和測試樣本?；贕A-BP 神經網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 期實測變形數據對預測模型精度進行評估。鐵路路基監測點LJ1 和LJ2 的30 期監測數據見表2和表3 所示。從監測數據可以看出，鐵路路基監測點LJ1和LJ2的30期累積最大沉降分別為5.3mm和4.5mm。

表2 鐵路路基監測點LJ1變形數據

表3 鐵路路基監測點LJ2變形數據

基于GA-BP 神經網絡的鐵路路基變形預測模型終止迭代次數設置為85，種群規模設置為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）的變形數據。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 兩個監測點的預測結果與實測數據的趨勢基本保持一致，但也可以看出LJ1點的第27期預測結果出現了明顯偏差，主要是因為第27 期的實測數據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境干擾造成的監測數據突變，導致預測模型沒有發現這一變化。預測結果與實測數據的對比說明提出的預測模型能夠客觀真實地描述監測目標的變形趨勢和規律，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。

圖4 監測點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 神經網絡變形預測模型對監測點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，為施工安全提供數據支撐和決策服務。

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測技術對鐵路路基進行持續變形監測，獲得鐵路路基變形規律和特點。為了提前一步發現施工過程中存在的安全隱患，融合GA-BP神經網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測數據對模型進行了測試和精度評估。結果表明，提出的監測方法可以較好地完成自動化監測任務，對監測點實現無人值守的連續數據采集、數據傳輸和數據處理工作；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。