矩形頂管下穿既有箱涵的險情預警方法探析

馮棟梁

（上海市市政工程建設發展有限公司，上海市200025）

0 引 言

隨著城市現代化建設特別是地下交通建設的飛速發展，經常會遇到隧道下穿既有地下管線和箱涵的問題，而目前建設者們越來越多地采用頂管法施工解決這個問題。矩形頂管下穿既有箱涵過程中具有很大風險和不確定性。許斌鋒等[1]（2019）采用MIDAS/GTS軟件建立工程結構頂管施工全過程的數值模擬，制定大斷面矩形頂管下穿電力隧道的合理監測方案，對電力隧道的豎向位移、水平位移進行監測，并將實測數據與模擬結果進行對比驗證了模型的合理性。張燁[2]（2017）運用有限元方法模擬分析了矩形頂管穿越施工過程中排水箱涵的變形情況，對排水箱涵針對性地布置了監測點并進行了分析總結。楊景敏[3]（2013）提出了大斷面矩形頂管下穿電力井施工保護技術。

本文分析了矩形頂管下穿既有箱涵的破壞模式，總結了管線的安全判別方法，討論了頂管下穿既有箱涵的保護及控制措施，并提出了一種新的頂管下穿既有箱涵過程中險情預警預報方法，為今后的城市地下空間開發利用提供參考。

1 矩形頂管下穿既有箱涵的破壞模式

頂管施工對周圍土體將產生擾動，引起不均勻沉降和水平位移，進而導致鄰近上覆既有箱涵產生附加應力和變形，當箱涵應力和變形達到臨界值時，管線就會產生破壞。箱涵的破壞一般有兩種情況；

（1）箱涵在附加拉應力作用下出現裂縫，甚至發生破裂而喪失功效；

（2）箱涵完好，但箱涵接頭轉角過大，接頭無法保持封閉狀態，發生滲漏。所以，箱涵的破壞主要是由其中一種或者是兩種同時發生的破壞模式。

在頂管開挖的卸載過程中，由于施加在箱涵上的荷載變化最大的是縱向彎曲荷載，所以縱向應力屈服是首先要考慮的破壞條件；另外，由于箱涵的變形直接影響箱涵的構造，當變形過大時，箱涵就會發生破壞，因此構造破壞也必須考慮。

箱涵破壞的主要模式有：由縱向彎曲引起的橫斷面破裂、由箱涵環向變形引起的徑向開裂和箱涵接頭處無法承受過大轉角而發生滲漏三種情況。

2 箱涵結構安全的判別方法

箱涵結構安全性判別方法一般采用張角判別法。

如果已知箱涵的位移就可以采用張角判別法來判斷箱涵是否會因變形過大而造成破裂、漏水。箱涵張角判別方法：

式中：Δ 為接縫張開值；[Δ]為接縫允許張開值；R為箱涵變形曲率半徑；D為箱涵外徑；L為箱涵長度。

3 頂管下穿箱涵險情預警預報方法

本文提出一種高精度、高可靠性的頂管下穿既有污水箱涵險情智能預警預報方法，以便在頂管下穿既有建筑物和構筑物施工過程中進行險情實時預警預報。該方法的內容包括以下四個步驟：現場埋設傳感器、設置無人值守數據采集站，通過監測裝置采集得到既有箱涵及其周邊土體的多種特性參數數據；進行數據格式化處理；通過層次分析灰色關聯度法獲取多種特性參數和擾動區土體強度影響箱涵安全系數的權重和灰色關聯度；建立循環神經網絡模型，預測既有箱涵破壞發生時間，對險情進行預警預報。頂管下穿箱涵險情預警預報方法流程見圖1。與現有技術相比，本方法可以定量化、更合理、更符合實際地進行頂管下穿既有箱涵險情的預警預報。

圖1 頂管下穿既有箱涵險情預警預報流程圖

與現有技術相比，本方法具有以下優點：

（1）通過分析頂管下穿既有箱涵的頂進施工過程中的動態響應關系，綜合考慮導致頂管下穿既有箱涵頂進失效的風險影響因素，研究下穿既有箱涵頂進過程中的相互作用機理，進而在頂管下穿既有污水箱涵頂進前對風險源布設監測點，可運用到系統的信息化安全風險預警中，在頂管下穿頂進過程中進行實時預警監測、險情分析與預警預報，幫助實現信息化施工。

（2）循環神經網絡在處理多參數以及具有流動性的信息有著很好的適用性，可以對前面的信息進行記憶并應用于當前輸出的計算，且每個前面狀態對當前的影響進行了距離加權，距離越遠，權值越小，符合施工過程和災害突變的時間效應，可以很好預測災變的破壞時間。

（3）采用物聯網的虛擬IP技術遠程實時自動采集和傳輸現場既有箱涵內力情況、管土接觸壓力、土體分層沉降、地表水平位移、孔隙水壓力系數和地下水位的信息，具有實時性的特點。

（4）通過建立人工智能災害預測模型及開發相應的后臺客戶端軟件對監測數據進行分析和處理，獲取頂管下穿過程中既有箱涵的破壞時間，然后進行頂管下穿既有箱涵險情的早期預警預報，從而提高了頂管頂進過程中既有箱涵變形破壞的預警預報精度和可靠度。

3.1 數據的監測采集和處理

首先，通過在現場設置的多種監測裝置，采集得到既有箱涵及其周邊土體的多種特性參數數據，監測的箱涵包括污水箱涵。具體包括：

現場設置土體監測站，埋置鋼筋應力傳感器、土壓力盒、土體沉降計、測斜管、孔隙水壓力計和水位管分別實時采集既有箱涵的內力情況、管土接觸壓力、土體分層沉降量、地表水平位移量、孔隙水壓力值和地下水位情況等數據，并通過光纖電纜把采集到的數據實時傳輸到數據采集站，數據采集站以移動信號的方式通過物聯網的虛擬IP技術將接收的監測數據實時自動傳輸到遠程客戶端。鋼筋應力傳感器、土壓力盒、土體沉降計、測斜管、孔隙水壓力計和水位管帶有自動數據A/D轉換功能。

其次，安裝設有C#語言開發的現場監測數據管理系統模塊的遠程客戶端接收監測數據，并將得到的多種特性參數數據進行格式化處理，包括等間隔化處理、歸一化處理，并按照關系型數據庫要求的第三范式（3NF）對數據進行標準化、結構化處理，存入后臺MySQL數據庫。

等間隔化處理具體為：設非等間隔管土接觸壓力、孔隙水壓力系數、土體水平位移、土體沉降和擾動區土體強度的原始監測序列x0（tj），各時段的間隔時間為，且各時段間隔不完全相等，則平均時間間隔為：

式中：tj為第j個監測時間點；m為監測時間點個數。

用式（3）計算等間隔化后的新時間點t'j：

用式（4）計算對應的數值：

其中：

或者判斷t'j所處的區間，用區間的兩端點值的兩點插值計算出等間隔化后相應的數值（管土接觸壓力、孔隙水壓力系數、土體水平位移、土體沉降或擾動區土體強度）x（t'j），由式（7）計算：

歸一化處理具體為：在所有監測的數據中找出最大的數xmax和xmin最小的數，然后將原始數據轉換到[0，1]的范圍內，把所有監測的數據進行如下計算：

將數據格式化后，通過Java語言的JDBC技術存入后臺MySQL數據庫。后臺MySQL數據庫拿到數據后，將數據按照關系型數據庫要求的3NF的規范持久化存儲，存儲過程中使用Innodb和MyIASM雙存儲引擎。

關系型數據庫的3NF的要求為：數據庫中的每一列都是不可分割的基本數據項，每個實例或行必須可以被唯一地區分，并且一個數據庫表中不包含已在其它表中已包含的非主關鍵字信息。

3.2 層次—灰色關聯度法分析

運用層次分析灰色關聯度方法，確定管土接觸壓力、孔隙水壓力系數、土體水平位移、土體沉降值、擾動區土體強度等因素影響既有箱涵安全系數的權重大小和灰色關聯度（用以循環神經網絡分析中各項指標權重的分配），具體過程如下：

首先，通過層次分析法得到多種特性參數和擾動區土體強度影響箱涵安全系數的權重，具體過程如下：

（1）建立層次分析結構，并構造判斷矩陣A（正互反矩陣），利用方根法求每個因素的權值：

（2）計算判斷矩陣A各行各個指標的乘積Mi：

（3）計算Mi的k次方根Vi：

（4）歸一化處理，得到所求權重向量Wi和各個指標的權重ω（k）：

其中：Wi=ω（（1），ω（2）…ω（k））

其次，確定一個參考數列X0和q個比較數列X1，X2，…，Xq，數列元素為管土接觸壓力τ（k）、孔隙水壓力系數g（t）、土體水平位移l（t）、土體沉降值v（t）、擾動區土體強度ρ（t），無量綱化處理參考數列和比較數列，計算q個比較數列各元素的關聯系數，其中第s個比較數列第k個元素的關聯系數ξ（k）為：

式中：φ 稱為分辨系數，一般φ?（0.1），常取0.5，第1層次最小差為不同k值計算的絕對差中的最小值，第2層次最小差為Δ1（min），Δ2（min），…Δq（min）中最小值，第1層次最大差為不同k值計算的絕對差x0（k）-xs（k）中的最大值，第2層次最大差為Δ1（max），Δ2（max），…Δq（max）中最大值；

用式（13）計算第s個比較數列Xs對參考數列X0的關聯度γs：

用式（14）計算層次分析的灰色關聯度Rs：

式中：q表示指標總數，指標包括多種特性參數和擾動區土體強度；ω（k）為層次分析法計算得到的頂管下穿箱涵過程中第k元素的權重；ξs（k）表示灰色關聯分析時第s個比較數列第k個元素的關聯系數。

3.3 循環神經網絡分析

采用層次-灰色關聯度法分析得到加權的數據作為訓練集，并轉化為單向信息流的格式，確定單層互連的網絡神經元，建立循環神經網絡的初始網絡狀態，代入如圖2所示的循環神經網絡結構中，預測既有箱涵破壞發生時間。

圖2 循環神經網絡結構圖

首先，利用外界輸入激發網絡，進行循環神經網絡訓練，從t=1到t=T的每個時間步通過長短時記憶循環神經網絡控制門路對變量進行更新，見圖3，具體包括：

圖3 循環神經網絡控制門路圖

（1）讀取t-1時刻的隱藏層輸出ht-1和t時刻的輸入變量xt，采用忘記門層計算神經細胞層中的遺忘參數ft，輸出一個在0到1之間的數值（1表示“完全保留”，0表示“完全舍棄”），給到每個神經細胞層Ct中，遺忘參數為：

式中：σ 表示預測既有箱涵破壞發生時間的邏輯回歸函數；t為既有箱涵破壞的計算時間，t=σ（Fs，τ，g，l，v，ρ），當既有箱涵的安全系數Fs=1時，t為既有箱涵發生破壞的時間；τ 為管土接觸壓力；g為孔隙水壓力系數；l為土體的水平位移；v為土體的沉降；ρ 為擾動區土體強度；Vf為控制箱涵狀態的對角權重，依據采用層次分析-灰色關聯度方法確定；Wf為從隱藏層到忘記門層的連接權重矩陣；Ct-1為t-1時刻的神經細胞層。

（2）根據ht-1和xi確定存放在神經細胞層中的新信息，包括輸入門層it和通過tanh函數訓練的候選值向量

式中：it表示輸入門層(Sigmoid層)；Wi為從隱藏層到輸入門層的連接權重矩陣；Wc為從隱藏層到候選值向量的連接權重矩陣；Vi為計算it的控制箱涵狀態的對角權重；VC為計算的控制箱涵狀態的對角權重。

更新舊神經細胞層的狀態，將Ct-1更新為Ct：

（3）根據ht-1、xt和Ct確定神經細胞層的輸出變量Ot：

式中：權重矩陣V和W分別對應于輸入到隱藏到輸出和隱藏到隱藏的連接；通過tanh函數進行計算得到一個-1到1之間的值，并和Ot相乘，得到t時刻隱藏層輸出ht：

定義算法的代價函數，與輸入變量x序列配對的隱藏層輸出h的總損失就是所有時間步的損失之和。Lt為給定的x1，x2，…xT后h1，h2，…hT的負對數似然：

式中：pmodel表示似然函數。

其次，采用梯度下降算法更新循環神經網絡的參數，更新具體是使用反向傳播算法，應用于展開圖的反向傳播算法稱為通過時間反向傳播，計算圖的節點包含參數和，各個參數的梯度的計算式：

式中：▽表示參數V和W的梯度；L表示訓練損失；ht-1表示t-1時刻的隱藏層輸出；xt表示t時刻的輸入變量；T為轉置符號。

最后，根據新的訓練數據重復訓練，不斷迭代更新其中的權重，直到得到收斂的參數值，停止迭代，得到既有箱涵破壞發生時間。

4 結 論

（1）分析了頂管下穿既有箱涵的破壞模式，總結了箱涵結構安全的判別方法。

（2）提出了一種新的頂管下穿既有箱涵過程中險情預警預報方法。該方法通過現場實時監測，采集既有箱涵及其周邊土體的多種特性參數數據，進行格式化處理，采用層次分析-灰色關聯度法得到多種特性參數和擾動區土體強度影響箱涵安全系數的權重和灰色關聯度，并以此建立循環神經網絡模型，預測既有箱涵破壞發生時間，對險情進行預警預報。