大跨度箱涵頂進姿態智能預測技術研究

李 虎

（中鐵二十四局集團有限公司北京分公司， 北京 102600）

0 引言

大跨度多孔箱涵頂進施工時，由于箱體受力不均勻容易導致涵體發生軸線偏移，一旦軸線偏移過大，就會造成偏離頂進線路、箱涵失穩或因局部受力過大引起受損、滑移困難甚至卡住等現象[1]，嚴重時會出現箱涵頂進到位后箱涵中心線與線路中心線間偏差超標，而導致工程不合格。

在大跨度箱涵的頂進過程中，利用智能箱涵頂進控制系統可以實現對于箱涵姿態的實時監控。得到了箱涵姿態的實時監控數據，如何判斷與預測姿態的變化趨勢，為千斤頂頂力的控制提供參考，保證糾偏的及時性與有效性，并將軸線偏差控制在合理的范圍內，成為一個亟待解決的現實問題。

1 工程概況

蘆東路（金星路—南六環）位于北京市西南部大興區，起點為南六環路，終點為金星路，道路全長7.87 公里，規劃道路等級為城市主干路，設計行車速度60km/h。在道路里程K6+964.72 處與既有鐵路相交，交叉處鐵路里程為K30+511,道路中線與鐵路交角為59.7°。

蘆東路下穿既有鐵路采用頂進箱涵形式，箱涵孔徑為（4.8-11-13-13-11）m五孔連體式結構。橋址處京滬鐵路為四線電氣化鐵路。由南向北分別為京滬鐵路四線、京滬鐵路上行線、京滬鐵路下行線及京滬鐵路三線。

2 大跨度箱涵的姿態智能預測技術

傳統方法采用人工觀察軸線偏差等監控數據的走勢，以此判斷接下來幾鎬箱涵的軸線偏差，等箱涵的軸線偏差達到一定限值之后，才通過調整千斤頂的頂力對箱涵進行糾偏。傳統方法的人工觀察法可以認為是“限值糾偏”，即當箱涵的軸線偏差接近或超過一定的限制值時，才進行糾偏。該方法一般需要多鎬之后，才能發現軸線偏差的變化趨勢，而且很可能由于施工誤差導致軸線偏差超過規定限值。本研究創新地提出了“趨勢糾偏”的思想，以“趨勢糾偏”替代傳統的“限值糾偏”。引入深度學習算法，對軸線偏差的發展趨勢進行判別，從趨勢上進行糾偏，以最大效率地提高糾偏的準確性與實時性，相比傳統方法糾偏判斷更快、糾偏效果更好。

2.1 循環神經網絡（RNN）概述

時間序列數據是指在不同時間上收集到的數據，這類數據反映了某一事物、現象等隨時間的變化狀態或程度。箱涵頂進時軸線的偏差數據可以看作是時間序列數據。深度學習模型是由多種非線性映射層構成的深度神經網絡。能夠對輸入信息逐層提取特征，找出其深層次的潛在規律。因此，深度學習的模型可以應用于箱涵頂進偏差的預測。

在眾多的深度學習模型中，循環神經網絡（Recurrent Neural Networ, RNN）將時間序列的概念引入到網絡結構設計中，使其在時序數據分析中表現出更強的適應性[2]。

2.2 LSTM（長短時記憶）模型計算原理

LSTM（長短時記憶）模型是在循環神經網絡的基礎上發展起來的一種重要改進模型。LSTM 模型的核心本質在于：通過引入可控自循環，從而產生讓梯度能夠得以長時間可持續流動的路徑，這使得它特別適合于處理時間序列相關任務，能夠在更長的時期內跟蹤信息，是一種深度學習模型[3]。

2.3 基于深度學習的箱涵軸線偏差預測方法

基于深度學習中的LSTM 模型，可以對箱涵軸線偏差這一時間序列數據進行學習與預測。根據LSTM 的計算原理，結合本工程特點，設計了箱涵軸線偏差的預測方法。

整體的計算流程需要通過箱涵軸線偏差數據的預處理與標準化、模型訓練、模型預測、軸線偏差數據輸出等步驟。

2.4 箱涵軸線偏差預測

為驗證前述建立的箱涵軸線偏差預測方法的預測效果，以本工程箱涵頂進時箱涵中線偏差數據為基礎，結合糾偏效果，對預測效果進行檢查。

圖1 第一次糾偏時中軸線偏差實測及預測值

如圖1 所示，正值表示實際中軸線偏向左側，負值表示實際中軸線偏向右側。箱涵在頂進初段，由于箱涵整體都在滑板上運行，左右頂力情況基本均衡，側面也不受力，因此箱涵的中軸線整體運行在平穩區間。在脫離滑板前后，箱涵的軸線偏差產生了巨大波動。而后，在第30 鎬前后，中軸線后部呈現向左轉動的趨勢，而中軸線前部產生了向右轉動的趨勢。設置軸線偏差限值為5cm，利用深度學習的預測方法對軸線偏差的趨勢進行實時預測，可以得到從第34 鎬開始，軸線偏差呈現增大趨勢，且中軸線前后偏差預測值均超過了5cm，其中中軸線前偏差的預測值在第38 鎬時達到了-8.3cm，而中軸線后偏差的預測值在第39 鎬時達到了9.84cm。因此需要從第34 鎬開始實施糾偏動作。

圖2 第一次糾偏后至第二次糾偏時中軸線偏差實測及預測值

根據第一次糾偏時的深度學習預測值，需要在第34 鎬進行糾偏，如圖2 所示。現場施工時，在第34 鎬時對箱涵頂進方向進行了糾偏。從圖中可以看出，糾偏效果良好，中軸線前后均控制在5cm 的范圍之內。由于糾偏及時，箱涵的軸線偏差擴大的趨勢得到了遏制，因此在60 鎬前箱涵沿著中線穩步頂進。當鎬數超過60鎬之后時，軸線的前后部分又分別朝著向右和向左的方向移動，導致箱涵整體以斜向右方的角度頂進，不利于施工控制。根據軸線偏差預測值，當鎬數達到69 鎬時，中軸線后偏差預測值將會達到9.5cm，而中軸線前偏差預測值將會達到-9cm。因此需要從66 鎬開始進行第二次糾偏。

圖3 第二次糾偏后至頂進結束中軸線偏差實測及預測值

如圖3 所示，在第66 鎬時對箱涵頂進方向進行了糾偏。糾偏效果良好，中軸線前后均控制在5cm 的范圍之內。由于糾偏及時，箱涵的軸線偏差擴大的趨勢得到了遏制。第66 鎬之后，中軸線的偏差距離進入了一個穩定的狀態，前后部分的偏差值均控制在5cm 以內，直到頂進施工完全結束。從整個頂進過程的整體效果來看，可以說箱涵的整體頂進姿態控制良好，配合姿態自動化監測技術[4]，有效地降低了頂進施工的難度，提高了姿態控制的準確性。

因此，大跨度箱涵頂進姿態智能預測技術的優點可以歸納為以下兩點：

（1）實時預測，可以隨著軸線偏差的發展進程進行實時追蹤，將軸線偏差控制在較低水平。

（2）能快速準確判別軸線偏差的發展趨勢，為后續糾偏動作提供參考依據。

2.5 箱涵頂進過程軸線偏差實測數據分析

本節針對兩次糾偏后的軸線偏差實測數據進行分析，對軸線偏差的發展趨勢及其原因進行歸納總結。

圖4 前后中線偏差與頂進鎬數關系圖

從圖4 可以看出頂進過程中箱涵在初頂的一段內,由于箱涵全部在滑板上運行[5]，左右兩組頂進用力情況均衡，側面也沒有其他摩阻力,之所以會發生偏向，是因為滑板的施工誤差造成的。

離開滑板前，前后中線基本均向右偏，而剛離開滑板時，前中線先開始向左偏，并且偏差量較大，是由于左側前刃腳和底面已經吃土，摩阻力加大，而箱涵主體及重心仍在底滑板之上，受潤滑物質的作用，摩阻力偏小，因此在頂力作用下產生橫向浮動偏移。而在箱涵離開滑板之后，前中線達到11cm 的偏差之后迅速往回偏是因為采取了糾偏措施，糾偏措施主要是靠助力補償油泵的工作調整左右側的力量，左右力量懸殊從而產生順時針方向的力偶矩作用于框架箱涵之上，使之恢復到接近中線的位置。

箱涵在前端離開鐵道處時，箱涵前端有較大的向右偏移量[6]，是由于左側前端處于空頂狀態造成。

從圖中分析得在整個頂進過程中頂進一鎬的最大中線偏移增量為13.2cm，在離開滑板后即箱涵左右底面均吃土后頂進一鎬的最大中線偏移增量為4.1cm。施工完成后，橋體中心軸線與設計值相比，前端向右偏移3.6cm，后端向左偏移1.3cm。

3 結論

通過開展對大跨度箱涵姿態智能預測技術的研究，基于深度學習算法，對頂進過程中軸線偏差進行實時預測，為糾偏動作提供參考依據。具體結論如下：

（1）基于LSTM（長短時記憶）這一深度學習模型，建立了箱涵頂進時的軸線偏差預測方法，應用于大興新城蘆東路下穿京滬鐵路工程中，并指導了現場糾偏工作的開展。

（2）工程實踐證明基于深度學習的箱涵姿態智能預測技術可以隨著軸線偏差的發展進程進行實時追蹤，將中軸線前后偏差控制在5cm 范圍之內，同時能快速準確判別軸線偏差的發展趨勢，為后續糾偏動作提供參考依據。

（3）通過軸線偏差實時預測與箱涵頂進姿態實時糾偏，實測數據表明箱涵整個頂進過程中除去箱涵剛離開滑板的特殊情況，頂進一鎬的最大中線偏移增量為4.1cm，在5cm 的控制限值以內，效果優異。