基于深度学习的软基管廊结构性能预测

蔡丹丹 高 玮 王 森 杨鹏宇 葛双双 马鹏飞

(1.宿迁市高速铁路建设发展有限公司, 江苏 宿迁 223800;2.河海大学 土木与交通学院, 南京 210098;3.中交隧桥(南京)技术有限公司, 南京 211800;4.中交基础设施养护集团有限公司 隧道养护技术研发中心, 南京 211800)

我国综合管廊等大型地下结构建设起步晚,其设计、施工和运营期管理还不完善,特别是其运营期安全性能的评价问题亟待解决.我国东部软土区域分布很广,由于软土变形量大,扰动后的长期状态难以预测,这对埋设其中的管廊结构运营维护带来较大困难.目前学者们在软基地下管廊结构施工、运营病害治理研究等关键技术上已经有了一些研究.黄剑等[1]针对我国华东地区典型深厚软土地基中的综合管廊结构在运营状态下的长期沉降变形进行了长达2年的现场监测研究;张超等[2]采用FLAC3D 数值方法对珠海横琴区软土地下综合管廊工程的复合地基处理方案进行了研究;刘志军等[3]结合广州某软土地下管廊结构工程,对基坑支护设计方案及其对施工的影响进行了分析;谭博等[4]针对福建平谭某综合管廊试验段软土地基的处理方案进行了现场质量检测研究;刘钢波等[5]结合浙江温州某综合管廊工程,对深厚软基地区综合管廊地基处理技术进行了分析;王发玲等[6]采用midas GTS有限元软件,建立渗流-应力耦合数值模型,对软基综合管廊的差异沉降进行了研究;阮丹等[7]基于数值模型,对综合管廊软土地基采用CFG 桩处治后的沉降特性进行了分析;陈宗燕[8]采用FLAC3D 软件对不同施工阶段软基管廊路基的沉降特性进行了研究;杨友彬等[9]采用数值仿真方法针对软土地区既有地铁隧道对地下管廊结构施工的影响进行了分析;刘伟华等[10]采用FLAC3D 分析了河网区软基综合管廊结构在运营载荷等作用下关键部位应力的变化情况;程泽海等[11]采用ABAQUS数值方法对交通荷载作用下管廊结构的力学性状进行了分析;黄运峰[12]通过MIDAS-GTS软件对车辆荷载作用下综合管廊的变形沉降进行了分析;李磊等[13]利用数值软件与理论方法对车辆载荷作用下综合管廊结构与土体的相互作用进行了研究;白旭峰等[14]采用ANSYS 软件建立管廊土体相互作用模型,分析了车辆荷载作用下软基综合管廊结构的受力变形特征;段旭等[15]采用室内物理模型试验对车辆荷载作用下综合管廊结构的动力响应进行了研究.

从以上研究可以发现,目前针对软基地下管廊结构的研究主要限于结构的施工变形预测和控制方面.此外,对车辆等外载荷下结构的受力及变形等已有了一些数值及室内实验研究.近年来,随着人工智能技术的发展,深度学习方法已被应用于管廊工程中[16-18],但目前的研究仅限于工程监测图像的处理分析.因此,目前的研究尚缺乏运营期长期扰动作用对管廊结构安全性能预测评估的相关研究,尤其是基于深度学习模型的相关应用研究.

综合管廊作为一种具有特殊城市功能的地下结构,具有其自身的功能性结构要求,同时也具有隐蔽性、复杂性等特点,我国沿海发达地区地下水位较高的河网软基也给综合管廊的全寿命安全管控提出了更高要求.因此,首先针对管廊结构安全预测问题,考虑现场监测大数据,采用深度学习网络——深度置信网络(deep b elief networks,DBN)进行研究,并为了解决其复杂网络结构选择等难题,利用全局优化算法——鲸 鱼 算 法(whale optimization algorithm,WOA)对其进行优化设计,建立一种集成深度学习模型——WOA-DBN.其次,对依托软基综合管廊工程运营期的结构安全状态进行现场实测研究,分析影响运营期管廊结构安全性能的主要因素,建立进行结构性能预测的大数据集.最后,基于现场监测信息组成的大数据集,采用WOA-DBN 建立运营期地下管廊结构扰动响应预测模型,为解决软基综合管廊结构运营期安全预测及控制提供指导.

1 深度学习模型的建立

1.1 深度置信网络

DBN 由多个受限玻尔兹曼机(restricted boltzmann machine,RBM)堆叠而成,凭借其强大的数据特征提取能力而成为深度学习领域最常用的算法之一,被广泛用于图像识别和数据挖掘等领域[19-20].与传统人工神经网络相比,DBN 将训练得到的权值用于其他相同结构网络的参数初始值,因此,避免了初始化参数陷入局部最优和训练时间过长的缺点,且由于其复杂的网络结构,使其可以处理大数据问题.目前,DBN 已在岩土工程的大数据处理问题中证明了其良好的性能[21],因此,本文采用DBN 模型进行软基综合管廊运营期安全预测研究.

DBN 模型基本结构如图1 所示.可见,DBN 由许多个RBM 基本单元一层一层嵌套组成[22].第一层的神经元是第一个RBM 的可见层,用于接收原始数据.第二层的神经元是第一个RBM 的隐含层,也作为第二个RBM 的可见层,依此类推,向上一层一层嵌套,最终形成包含多个隐含层的DBN 模型.

图1 DBN 网络结构

作为深度学习网络,DBN 模型的训练不同于传统神经网络,其训练比较复杂,一般包括无监督和有监督两部分,其流程如图2所示.

图2 DBN 网络的训练流程

由图2可见,DBN 网络的训练可以分为前向预训练和反向微调两个阶段.它们的具体实现如下:

1)前向预训练阶段:在该阶段网络进行无监督学习,因此,输入的数据不带有标签,采用逐层贪婪算法,即利用原始输入的数据训练第一个RBM,得到相应的模型参数,然后保持该RBM 的模型参数不变,将其输出的神经元状态向量输入到第二个RBM 中,以此类推.逐层贪婪算法将含有很多隐含层的DBN模型简化成多个RBM 的训练,简化了计算过程,提高了模型训练速度.该阶段的数据不带有标签,从而,也提升了模型的数据挖掘能力.

2)反向微调阶段:在该阶段网络进行有监督学习,因此,其中数据都带有标签.将原始数据输入到模型中,模型会输出预测数据,计算原始数据和预测数据的误差大小,将所得误差自上而下进行反向传播,不断改变连接权值和偏置,使误差最小化.

1.2 鲸鱼算法

WOA 是根据鲸鱼围捕猎物的行为而提出的算法[23].鲸鱼围捕猎物的过程采用螺旋气泡网来捕食,以期达到最佳效果,因此,鲸群具有极高的群体智慧.在鲸鱼优化算法中,每只鲸鱼的位置代表一个解.在鲸鱼群捕猎过程中,鲸鱼有两种行为,一种是收缩圈运动模式,所有的鲸鱼都向着其他鲸鱼前进;另一种是螺旋气泡狩猎模式,鲸鱼环形游动喷出气泡来驱赶猎物.在每一次游动中,鲸鱼们会随机选择这两种行为来进行捕猎.在鲸鱼进行包围猎物的行为中,鲸鱼将会随机选择是向着最优位置的鲸鱼游去还是随机选择一只鲸鱼作为自己的目标,并向其靠近.因此,鲸鱼的行为模式包括收缩圈运动、螺旋气泡狩猎和探索猎物3个模式,其位置更新公式如式(1):

鲸鱼根据以上3种模式不断调整自己的位置,直到达到最佳位置.

1.3 深度学习模型

DBN 网络由多层RBM 组成,其结构非常复杂,因此,实际应用中有很多结构超参数需要人为确定,这些参数一般采用人工试算法确定.但试算法确定DBN 参数时,主要存在以下3个问题[24]:①需要搜索的参数太多,试算法实施非常困难;②搜索范围小,所得结果只是小范围的最优值,而不是网络的真正最优参数;③试算法的实施缺乏科学理论依据.因此,为了解决人工搜索DBN 网络超参数的缺点,采用优化算法进行参数选优是一条可行之路.而作为一种新型全局优化算法,WOA 可以用于模型超参数的优选研究,且其效果良好[25].因此,这里采用鲸鱼算法——WOA 实现DBN 网络超参数的自适应选择,对原有DBN 模型参数进行优化,从而,建立新的深度学习网络模型——WOA-DBN 模型.

WOA-DBN 模型建立的过程如图3 所示,其具体实施步骤如下:

图3 WOA-DBN 模型建立流程

1)输入待优化的DBN 网络超参数,本文采用4层隐含层的网络结构,由于输入层和输出层根据求解问题确定,需要优选的参数主要包括:第1、2、3、4隐含层节点数分别为n1、n2、n3、n4,学习率η、预训练迭代次数t1、优化训练迭代次数t2.

2)随机初始化鲸鱼种群,并根据前人的研究经验及试算给定最大迭代次数Tmax,鲸鱼种群数N,螺旋线形状常数b.

3)计算当前鲸鱼种群中个体的适应度,即为优化参数的最终问题目标,并将适应度最大的个体所在的位置作为目标位置.

4)按照鲸鱼算法内部公式,即公式(1),更新鲸鱼个体的位置.

5)判断当前迭代次数是否大于最大迭代次数,不满足则返回步骤(3),反之进行下一步(6).

6)将适应度最大的鲸鱼个体输出,该鲸鱼的位置就是优化后的DBN 网络超参数.把这些网络超参数代入DBN 模型,则可得到待解问题的最佳DBN 网络模型.

2 软基管廊工程及其现场实测

2.1 工程基本情况

江苏省宿迁市高铁商务区综合管廊结构设计范围为广州路(发展大道-民便路)道路红线宽度为40 m,单舱管廊长1 851 m;富康大道(广州路-上海路)道路红线宽度为35 m,单舱管廊长560 m.单舱管廊满足电力、通信、给水管线入廊需求,广州路单舱管廊沿道路中分带下敷设,富康大道单舱综合管廊沿道路侧分带下敷设,工程详细布置如图4所示.广州路与富康大道的单舱管廊主线净断面均为3.0 m×3.5 m,管廊结构布置如图5所示.

图5 管廊布置横断面图(单位:cm)

工程所处场地属于徐淮黄泛冲积平原地貌区,废古黄河道地貌单元,场地地势平坦.场地工程地质横断面如图6所示.由图6可见,管廊工程所处土层主要包括下层软土及上部填土,其中下层软土主要包括淤泥质粉质黏土及粉质黏土.因此,该管廊工程属于典型的软基工程.

图6 工程地质横断面图

2.2 现场实测

由于此管廊工程属于典型的软基工程,其在载荷作用下会发生较大的变形,对工程安全造成较大影响.而工程所在地位于多条交通线路附近,会受到来往车辆荷载的反复影响.为了在工程现场测试运营期地下综合管廊结构的扰动响应,在结构的底板中部、侧墙中部、顶板中部依次埋设钢筋应力计与混凝土应变计,并在管廊侧墙不同深度处的土体中埋设接触压力监测传感器.用于工程测试的传感器埋设位置如图7所示.

图7 测试传感器位置示意图(单位:mm)

现场测量采集仪为宸途CT5808W 动静态信号测试分析系统,该系统可调节的采集最大频率为50 Hz,能够捕捉传感器在短暂时间内的力学性能变化.

为了进行现场实测,模拟正常双向交通及单向交通状态下车辆载荷的情况,在自东向西第二车道及对侧车道开展车重分别为8.3、9及11 t的原位车辆荷载施加测试试验.现场测试结果表明,埋设于结构顶板的传感器对运营期间的车辆荷载微扰动反映明显.因此,本文主要采用这些位置的测试结果进行研究.

现场测试得到的部分典型结果如图8所示.

图8 典型现场测试结果

根据工程实际情况、现场调研及实际测试数据的综合分析,可以发现,车辆行驶速度、车载作用大小、车辆轮载中心与结构顶板跨中的横向距离、车载分布对称与否和运营时间是影响管廊结构响应的主要载荷扰动因素,而此管廊结构的扰动响应主要表现为结构顶板沉降和跨中水平应力.其中,结构顶板沉降根据顶板相应部位测试得到的混凝土应变结果计算,而跨中水平应力根据顶板结构跨中相应位置的钢筋应力测试结果换算得到.因此,本文为了预测管廊结构的安全性,选取4个车辆运行载荷参数和1个运营时间参数作为影响因素,即预测模型的输入变量;以结构顶部竖向位移和跨中水平应力值作为结构的响应因素,即预测模型的输出变量,以此建立预测模型.根据预测模型输入及输出变量的要求,对现场测试数据进行整理建立训练模型需要的数据集.由于现场测试数据集的数量庞大,为了说明测试数据集的形式,这里仅给出部分数据,见表1.

表1 部分测试数据集

表1中,第3列中的1代表载荷对称,2代表载荷不对称.每一行的数据都代表在前5个因素的扰动作用下,结构关键部位的2个基本响应.而每一行的数据为一个训练模型的数据样本,由多组数据样本组成训练模型的数据集.

3 基于WOA-DBN的管廊结构响应预测

3.1 WOA-DBN 模型计算过程

基于WOA-DBN 的结构竖向变形和跨中水平应力响应预测流程如图9所示.

图9 基于WOA-DBN 的管廊结构响应预测流程图

由图9可知,管廊结构响应预测的具体计算过程如下:

1)通过现场测试数据建立运营期管廊结构安全预测模型的数据集,也就是管廊结构运营期安全响应的测试数据集(包括结构的变形指标数据和结构的应力指标数据),本文采用现场模拟运营期一年的测试数据集.

2)对结构安全测试的现场数据集进行预处理,去除一些重复的数据及明显异常的数据,并将数据集中所有的零值改为一个很小的数值(大于0),预处理后共得到15 376组有效数据.

3)考虑数据总量,对建模数据集进行划分,以约80%组数据作为模型训练集,其数量为12 110组,其余数据作为模型测试集(共3 266组).

4)通过鲸鱼算法优化DBN 网络超参数,根据优化结果建立DBN 预测模型.采用训练集数据训练确定模型内部参数,得到基于WOA-DBN 的结构顶板竖向位移和顶板跨中位置水平应力的预测模型.

5)将模型测试集中的载荷及运营时间数据代入得到的WOA-DBN 模型中,则可以得到相应的结构响应——竖向位移和跨中水平应力的预测结果.

3.2 预测模型评价指标

本文采用平方根均方误差(ERMSE)、平均绝对误差(EMAE)及相关系数(R)来衡量模型的预测精度.计算公式如式(2)～(4):

式中:y'i是第i个输入数据对应的模型预测值;y'是模型预测值的平均值;y i是第i个输入数据对应的实测值是实测值的平均值;N是预测样本个数.

3.3 模型预测结果分析

采用训练集进行计算可以得到优化后的WOADBN 模型,计算得到的DBN 网络模型超参数最优值见表2.

表2 WOA-DBN 模型参数

基于优化得到的DBN 模型对测试集数据进行预测计算,得到的结构响应预测结果如图10 所示.其中,为了比较,图中也给出了实际现场测试结果.

图10 基于WOA-DBN及DBN模型的管廊结构响应预测结果

由图10可知,基于WOA-DBN 模型的管廊结构响应预测值与实测结果整体吻合较好.另外,根据预测值和实测值结果,根据公式(2)～(4)计算预测模型的评价指标ERMSE、EMAE及R.计算结果见表3.

表3 WOA-DBN 预测模型的评价指标

由表3可见,结构顶部沉降的ERMSE及EMAE值均不大,而R为0.974 2,接近1,说明预测效果良好.而结构跨中水平应力的ERMSE及EMAE值较大,分析原因可以发现,ERMSE及EMAE的计算结果与数据量级有关,而跨中水平应力数据的量级远大于结构顶部沉降,因此,二者的计算结果差异较大.但R不依赖于数据量级,因此,其结果相对有效.实际上,对于结构跨中水平应力,其计算得到的R为0.6825,接近于0.7,说明其模型预测效果也较好.很明显,结构顶部沉降的预测效果好于结构跨中水平应力,说明得到的WOA-DBN 预测模型对结构变形响应的预测效果更好.其原因为,管廊结构对运营载荷等扰动产生的位移响应比应力响应更加明显,表现为图10(a)的结果比图10(b)的变化更加明显.

为了说明WOA 优化DBN 模型超参数方法的优越性和可靠性,下面采用传统方法确定DBN 模型超参数,并同样进行结构响应的预测研究.传统DBN 模型研究中,通常采用试验试错法确定模型超参数.其具体方法为:首先,根据经验确定模型超参数的可能范围;然后,通过试验设计等方法确定几组超参数组合,采用这些超参数组合进行预测计算;最后,比较不同超参数组合下模型的预测误差,即比较模型评价指标,选择预测误差最小的参数组合作为预测模型的最终超参数取值.通过试验试错法确定的DBN 模型超参数汇总见表4.

表4 DBN 模型参数

采用表4确定的超参数建立DBN 模型对管廊结构响应进行预测,为了方便比较,其结果也绘制于图10.另外,为了进行模型比较,计算传统DBN 模型的评价指标,其值汇总见表5.

表5 传统DBN 模型的评价指标

从图10可见,WOA-DBN 模型的预测结果更加接近实际监测值,预测效果比传统DBN 模型有显著提高.而从表4和5可以发现,WOA-DBN 模型的预测误差也明显优于传统DBN 模型,因此,采用WOA优化DBN 模型超参数可以显著提高模型预测效果.

另外,需要说明的是,图10为了更清晰地反映模型预测结果和实际结果间的误差情况,把不同样本对应的结构顶板跨中变形及结构顶板跨中水平应力散点人为连接形成了变化曲线,因此,图中的变化曲线没有实际意义.

可见,考虑运营车辆荷载等影响因素对地下管廊结构的扰动作用而建立的WOA-DBN 模型的预测效果较好,此研究可为基于大数据智能算法的运营期地下管廊结构安全响应动态预测提供一种有效的途径.

4 结 论

本文针对软基地下综合管廊结构运营期扰动下的响应安全问题,首先,采用鲸鱼算法和深度置信网络建立了一个集成深度学习模型;然后,进行了典型工程——江苏省宿迁市某地下管廊结构工程的现场实测研究;最后,基于其实测得到的结构响应数据集,采用建立的深度学习模型来预测地下管廊结构的变形和应力响应,进而评估管廊结构的动态安全性.研究所得主要结论有:

1)运营期软基地下综合管廊结构在载荷及时间等外部扰动因素的影响下产生的安全性能响应主要包括变形及其内部应力两部分,其中结构顶部位移及其跨中应力是主要的结构安全响应.

2)深度置信网络由于其独特的结构及计算特点,可以对现场测试大数据进行良好的预测.但其复杂的结构及计算超参数较多,且采用传统方法不易确定.而本文基于性能良好的优化方法——鲸鱼算法可以对其进行自适应选择,实践证明其效果良好.

3)基于提出的WOA-DBN 预测模型可以对运营期管廊结构的动态安全状态进行良好的预测,实际预测结构顶板沉降量平均绝对误差为0.160 4,顶板跨中水平应力平均绝对误差为12.372 6,二者均不大,可以满足工程实际需要.

尽管本文提出的集成深度学习模型可以进行运营期地下管廊结构的安全性预测,但作为初步研究,模型建立采用的数据量并不很大,而且考虑的结构扰动因素也不是很全面,因此,基于实测扰动大数据,考虑更多载荷因素的运营期地下管廊结构安全性预测研究将是我们下一步的工作.