青連高鐵K104+080路基工后沉降預測

馮上朝，劉莎

(陜西鐵路工程職業技術學院 測繪工程系，陜西 渭南 714000)

0 引言

作為一種線性工程，高速鐵路穿越不同的自然地理、地質單元，巖土類型及物理力學參數的復雜性使路基極易產生工后沉降[1].對路基工后沉降進行預測并在沉降超過一定閾值時分級預警可為高鐵安全運行提供信息保障[2].目前，高鐵路基工后沉降預測一般采用3種方法，即基于經典土力學的分層總和法、基于本構理論的數值計算法和基于實測數據的預測法.由于路基工后沉降的影響因素較多，路基土的物理力學參數難以精確測定，因此，分層總和法和數值計算法的預測精度受到很大限制[3].基于實測數據的預測法是通過先進監測手段獲得路基沉降數據，并基于小波去噪分析、線性回歸分析、灰色系統理論分析、人工神經網絡或支持向量機等數學模型對路基沉降進行預測，具有預測精度高、計算過程簡單等優點.

眾多學者采用基于實測數據的預測法開展了沉降預測研究.顏早璜等采用雙曲線擬合了路基拓寬荷載造成的路面沉降[4].Yang等以京滬高鐵濟南段為例，基于線性CCD方法建立了高鐵路基沉降預測模型[5].郭健等以武漢某深基坑工程的監測數據為基礎，提出了預測工后沉降的小波分析與徑向基神經網絡混合建模方法[6].肖衡林等分別采用時間對數、泊松曲線和指數曲線方法建立了鄂西某67m高路堤的沉降預測模型[7].譚衢霖等針對某高層混凝土結構建立了改進的BP神經網絡、輔助式小波神經網絡和嵌入式小波神經網絡變形預測模型[8].朱才輝等以某黃土高填方地基為例，建立了基于修正FDA分析的工后沉降計算模型[9].Chen等提出了地下水位下降引發的高鐵路基沉降數值計算方法[10].高紅等提出了基于小波變換與卡爾曼濾波相結合的RLG降噪方法，并采用GM(1，1)算法建立了沉降預測模型[11].章紅兵等基于沉降監測數據，提出了考慮空間效應的緊鄰基坑建筑物沉降簡化算法[12].

青島-連云港高速鐵路(以下簡稱青連高鐵)部分路基的工后沉降較大，對高鐵安全運行產生較大危害[13].本文在借鑒已有研究的基礎上，以青連高鐵K104+080路基為例，通過設計合理的監測方案開展路基工后沉降監測，在驗證GM(1，1)模型、神經網絡模型和灰色神經網絡模型預測精度的基礎上，選取灰色神經網絡建立路基工后沉降預測模型，預測了該路基工后沉降量并提出了分級預警方法.

1 路基工后沉降監測方案與數據分析

1.1 工程概況與監測方案

青連高鐵是我國“八縱八橫”綜合運輸大通道的重要組成部分，與鹽通鐵路、連鹽鐵路、滬通鐵路無縫對接，建成后將成為青島至上海的鐵路通道，正線長194.39 km，總投資238億元.沿線區域自然地貌的地帶性差異顯著，地質條件復雜，在降雨、凍融作用下，易產生較大工后沉降[13].青連高鐵為無砟軌道，根據國內外高鐵建設的經驗可知，無砟軌道的工后沉降一般不應超過15 mm，否則會對行車安全造成較大危害.青連高鐵K104+080路基位于奎山站附近，對該路基工后沉降進行監測和預測對保證高鐵安全運行具有重要意義.

該路基從上至下依次為道砟層、水泥改良土層、壓實土層、水泥改良土層和擠密樁穩定水泥土層，采用半斷面監測方式，監測范圍為路基頂面至擠密樁穩定水泥土層頂面以下2 m，采用分層沉降計、單點沉降計和土壤水分計監測路基不同部位的工后沉降、沉降速率和濕度.

(1)分層沉降計：設置3組分層沉降計，每組設置4個監測點，監測點從上至下分別距路基頂面0.5、1.3、3.1和5.9 m.

(2)單點沉降計：設置一組單點沉降計，位于坡腳處，埋深0.2 m.

(3)土壤水分計：設置3組土壤水分計，每組設置3個監測點，監測點從上至下分別距路基頂面1.2、1.7和2.2 m，監測方案如圖1所示.

圖1 青連高鐵K104+080路基監測方案

監測時間從2016年9月1日起～2017年11月16日止，每月1日、16日讀取一次數據，讀數時間為凌晨3時(此時無列車通過)，至今已獲取30期、660項監測數據.

1.2 監測結果分析

限于篇幅原因，本文僅以第Ⅰ組分層沉降計為例分析路基工后沉降監測結果并進行路基工后沉降預測.在監測期內，Ⅰ-1、Ⅰ-2、Ⅰ-3和Ⅰ- 4監測點的工后沉降分別為5.07、4.83、4.59和4.35mm，沉降速率最大值分別為第21監測期(2017年7月1日)的0.43 mm、第21監測期的0.36 mm、第22監測期(2017年7月16日)的0.32 mm和第23監測期(2017年8月1日)的0.25 mm.四個監測點的工后沉降在第9、10監測期(2017年1月1日、16日)出現減小趨勢，分別減小0.08和0.03 mm.

根據對路基工后沉降監測數據的分析可知，路基工后沉降具有以下規律：

(1)降雨和溫縮作用對路基工后沉降影響較大.根據氣象資料，該路基所在區域的年均降雨量約為650 mm，其中，7月～9月降雨量約占全年降雨量的60%.路基沉降速率在7、8月達到最大，可見路基工后沉降與降雨量呈顯著的正相關關系.路基工后沉降在1月出現減小趨勢，主要原因為1月溫度較低且降雨量較小，路基土體出現溫縮現象，導致路基工后沉降減小.

(2)路基工后沉降具有明顯的時空分異特征.沉降量從路基土體上部向下逐漸減小，在沉降發生時間上路基土體下部滯后于土體上部.

2 路基工后沉降預測

2.1 預測方法概述

由于監測時間較短，要明確該路基未來的穩定狀況，必須根據已有監測數據開展路基工后沉降預測研究.常用的路基工后沉降預測方法包括GM(1，1)模型和神經網絡模型.GM(1，1)模型是由鄧聚龍教授提出的，它將待估系統視為部分信息已知、部分信息未知的灰色系統[14].在進行灰色系統預測時，GM(1，1)模型具有對已知序列要求低、計算過程簡單等優點，但當預測期較長時，GM(1，1)模型的預測精度出現明顯退化.神經網絡模型是數據序列預測最常用的方法之一，它通過已知序列對神經網絡的訓練達到模擬人腦決策過程的效果，具有預測精度高、容錯能力強等優點[15]，但對模型訓練序列要求較高，否則易陷入局部極小值或難以收斂.灰色神經網絡模型是GM(1，1)模型與神經網絡模型的串聯算法，可以克服GM(1，1)模型和神經網絡模型的缺點，其基本思路是將GM(1，1)模型預測結果輸入神經網絡進行訓練，待網絡穩定且實現收斂后利用訓練好的網絡進行路基工后沉降預測.

2.2 模型驗證

監測期和相應的監測值組成數據對，Ⅰ-1、Ⅰ-2、Ⅰ-3和Ⅰ-4監測點共計組成120個數據對，其中，4個監測點第30期監測數據組成的數據對分別為(30，5.07)、(30，4.83)、(30，4.59)和(30，4.35).分別采用GM(1，1)模型、神經網絡模型和灰色神經網絡模型開展路基工后沉降預測，將前25期監測數據對作為已知序列，后5期監測數據對作為驗證序列.三種模型的驗證序列預測值和實測值對比如表1所示.

表1 驗證序列預測值與實測值對比

由表1可知，GM(1，1)模型、神經網絡模型和灰色神經網絡模型對應的預測值與實測值最大相對誤差分別為11.17%、8.03%和5.46%，預測精度均滿足要求.為評判各模型的預測效果，根據表1的數據計算3種模型預測值與實測值的均方誤差(Mean Squared Error，MSE)，如表2所示.

表2 三種模型的均方誤差

由表2可知，4個監測點的預測結果中，灰色神經網絡模型的預測效果均最好，神經網絡模型次之，GM(1，1)模型最差.因此，本文選取灰色神經網絡模型預測青連高鐵K104+080路基工后沉降.

2.3 預測結果

采用灰色神經網絡模型預測青連高鐵K104+080路基第31～50監測期的工后沉降，預測結果如表3、圖2所示.

表3 工后沉降預測值

圖2 工后沉降預測值

由表3、圖2可知，Ⅰ-1、Ⅰ-2、Ⅰ-3和Ⅰ-4監測點的工后沉降預測值在第45監測期以后增量很小，并分別收斂于5.19、4.96、4.71和4.47mm，均遠小于15 mm.可見，在沒有其他誘發因素作用下，該路基將繼續保持穩定狀態.

2.4 路基工后沉降預警

第Ⅰ組分層沉降計4個監測點的工后沉降最大值收斂于5.19 mm，即路基工后沉降不會對行車安全造成重大威脅.但是，這種穩定是有條件的，如果發生大量水體下滲、地基開挖或地震等特殊工況，該路基的工后沉降可能發生突變，從而威脅行車安全.因此，必須對高鐵路基工后沉降進行分級預警，本文根據已有路基工后沉降研究并結合青連高鐵的工程實際，選取工后沉降量為主要預警指標，沉降速率為輔助預警指標，設定Ⅰ、Ⅱ、Ⅲ級預警等級，如表4所示.

表4 預警等級劃分

以工后沉降量為首選預警指標，當工后沉降量變化較劇烈時，以沉降速率為輔助預警指標.其中，Ⅰ級預警表示路基較安全，不需要發布預警信息；Ⅱ、Ⅲ級預警分別表示較危險和危險，需要發布預警信息.

3 結論

(1)以青連高鐵K104+080路基為例，通過設計合理的監測方案開展了路基不同部位的工后沉降、沉降速率和濕度監測，分析了路基工后沉降規律.在驗證GM(1，1)模型、神經網絡模型和灰色神經網絡模型預測精度的基礎上，采用灰色神經網絡模型建立了路基工后沉降預測模型，提出了路基工后沉降預警方法;

(2)Ⅰ-1、Ⅰ-2、Ⅰ-3和Ⅰ- 4監測點的工后沉降預測值在第45監測期以后增量很小，并分別收斂于5.19、4.96、4.71和4.47 mm，該路基將繼續保持穩定狀態.選取工后沉降量為主要預警指標，沉降速率為輔助預警指標，將高鐵路基沉降預警等級分為Ⅰ、Ⅱ和Ⅲ級;

(3)本文開展了青連高鐵K104+080路基工后沉降監測與預測研究，但在以下方面仍可改進：①本文僅開展了第Ⅰ組分層沉降計監測數據的分析與預測，單點沉降計和土壤水分計監測數據的分析與預測未開展，路基工后沉降與土體濕度的關系也未開展研究；②本文采用灰色神經網絡模型建立了路基工后沉降預測模型，預測精度雖能滿足要求，但其他算法，如小波分析、PSO-ANN模型以及PSO-SVM模型等的預測精度未得到驗證.