房屋建筑樁基工程施工質量檢測技術研究

寇文，段春強，劉毅，馬津生，張宏歷

摘 要：研究一種基于神經網絡數據深度迭代回歸方法的房屋建筑樁基礎施工質量檢測方法。根據樁基礎施工過程中的大孔徑深孔鉆機和套管沉管機的實際運行數據，對其進行基于神經網絡對數回歸函數模塊和二值化重投影回歸函數模塊的深度迭代回歸分析，得到精度在10 mm的樁基礎解析度評價結果。此數據可以較傳統微震測試法給出更加清晰的異常區邊界且給出異常區內部數據細節，但新方法仍缺少對樁基礎可用性的決策性評價方法，需要與傳統檢測方法聯合使用。

關鍵詞：樁基礎;施工質量;檢測驗收;神經網絡;深度迭代回歸分析

中圖分類號：TU753.3 文獻標識碼：A ? ? 文章編號：1001-5922（2021）12-0155-03

Research on Construction Quality Detection Technology of Building Pile Foundation Engineering

Kou Wen， Duan Chunqiang， Liu Yi， Ma Jinsheng， Zhang Hongli

（The Fourth Construction Co.， Ltd. of CSCEC 7th Division， Zhengzhou 450000， China）

Abstract：A construction quality detection method of building pile foundation based on neural network data depth iterative regression method has been studied. The actual operation data of large diameter deep hole drilling rig and casing pipe sinking machine in the process of pile foundation construction is analyzed. In addition， the depth Iterative regression analysis of logarithmic regression function module and binary reprojection regression function module is carried out. Thus the evaluation result of pile foundation resolution with accuracy of 10 mm is obtained. Compared with the traditional microseismic test method， the boundary of the abnormal area is more clear， and the internal data of the abnormal area is more detailed. However， the new method still lacks the decision-making evaluation method for the availability of pile foundation， which needs to be used in combination with the traditional detection method.

Key words：Pile foundation; Construction quality; Detection and acceptance; Neural network; Deep iterative regression analysis

0 引言

建筑物樁基礎的工程學意義是在深度發育第4系或高風化軟巖基礎上，將建筑物自重靜壓向深部穩定巖層進行傳遞的力學結構[1]。對軟基礎上的高層建筑來說，樁基礎的施工質量如果不達標，則會對整個建筑物的穩定性、安全性帶來顯著影響。因為部分樁基礎的底端埋深達到數十米，無法在施工后根據地表鋼筋混凝土結構的一般檢測手段進行施工質量檢測，所以早期研究采用了多種基于大數據分析的全息檢測方法[2]。傳統驗收模式下，可能采用微震法對樁基礎進行補充物探，即在施工完成的樁基礎頂端施加一定強度的微震，通過在樁基礎周邊土層中使用高精度激光加速度計獲得土層振動響應結果，從而實現對地埋樁基礎部分的三維成像[3]。但因為該方法的成像精度受到土層結構、地下水賦存情況，以及地溫、氣溫等影響，導致成像結果并不穩定，成像效果難以達到施工質量檢測工作的預期[4]。

本文以管式沉樁澆筑法為個案，研究鉆孔機、沉樁機等設備的運行數據，在后續大數據分析的基礎上進行深度數據挖掘分析，從而得出樁基礎施工質量評價結果[5]。

1 個案一般情況

某高層建筑地上36層，地下3層，基坑深度11.4 m，地上部分高度112.5 m，占地面積1 032 m2，基坑成型面積（肋型墻中線）752 m2，總建筑面積3.6萬m2。建筑物基礎為長江中下游沖擊平原，基坑范圍第4系厚度37～52 m，第4系下伏巖層為厚度19～22 m的高節理亞鐵粉砂巖（C15），粉砂巖下部巖層為大于50 m厚度致密鮞狀灰巖（C45）。地質探查鉆孔共3處，揭露3處，鉆孔深度100 m，均為揭露灰巖底板[6]。

故施工設計中，計劃將建筑物9個深孔樁置入該灰巖層頂板下2 m，樁套管外徑570 mm，為圓形截面鋼套管，內澆筑C40混凝土成樁。該9個深孔樁的基本參數如表1所示。

由表1可知，9個鉆孔深度最小的為47.2 m，最大的為65.8 m，均屬于超深沉樁澆筑式鉆孔。鉆孔養護期為4個月，在養護期內進行基于施工數據的數據挖掘，分析鉆孔質量，同時保留微震法檢測作為備份技術[7]。

2 數據采集方法

核心數據來自大孔徑深孔鉆機、沉管機等核心施工設備的施工過程運行參數，包括轉速、給進速度、液壓壓力等。所有數據根據鉆頭即沉管前緣的給進深度進行統一整理，待挖掘數據的數據結構如表2所示。

由表2可知，針對每個深度值，構建6個單精度浮點變量（Single格式），形成7×n的數據挖掘原始矩陣，對該矩陣進行基于神經網絡算法的深度分析，當加大鉆頭/前緣深度的取樣密度時，該數據可以較大程度反映出鉆孔施工過程中的相關參數。

實際數據采集中，采用0.01 m（10 mm）的采樣間隔，即在上述9個鉆孔中，取得4 720～6 580組數據，通過對這些數據進行深度挖掘分析，可以得到相應的數據分析結果[8]。

3 神經網絡算法模塊設計

如果將最大7×6 580的原始數據矩陣直接輸入神經網絡，則會造成兩點問題：一是其運算過程的節點結構會較為復雜，數據降維造成的數據信息損失較為嚴重;另外，單一神經網絡輸出的數據難以滿足對整個鉆孔質量的統一觀察控制。所以，采用相鄰數據記錄聯合、逐一對數據進行分析，從而或者包含一個輸出結果數據列的分析結果。該神經網絡架構如圖1所示。

由圖1可知，以第n條記錄為核心數據，參照第n-1條記錄和第n+1條記錄為參照數據，分別對3條記錄各6個數據進行輸入融合，即將6條Single格式數據融合成1條Double格式數據，得到3個Double格式數據后，經過1個中央融合模塊，將其進一步降維成1個Double格式數據F（n）。該數據即為針對第n條記錄的評價結果，該結果應為一個[-1，+1]區間上的數據，當數據接近于0時，認為數據正常，而當數據接近于-1或+1時，認為數據存在問題[9]。其中：

（1）輸入融合模塊。輸入融合數據的統計學意義是將6個Single型數據融合成1個Double型數據，屬于數據降維算法過程，但與傳統的降維模塊不同，該模塊應更側重數據細節的表現，即采用對數回歸函數進行節點設計。輸入層6節點之后，設計5層隱藏層，分別為11節點、23節點、37節點、17節點、7節點，輸出層為1節點。輸入層、隱藏層、輸出層的節點基函數公式：

式中，Xi為第 i 個輸入變量;Y 為節點輸出變量;e為自然常數;A、B為待回歸變量。雖然該對數回歸函數較降維模塊最常使用的高階多項式回歸函數的待回歸變量資源量更少，但通過適當增加隱藏層層數和增加神經網絡模塊的總節點數，可以有效平衡帶回歸變量的不足，使數據降維過程的信息損失量可以得到充分利用[10]。

（2）中央融合模塊。中央融合模塊的統計學意義同樣為小數據信息損失量條件下的數據降維過程，其將3個Double型變量降維為1個Double型變量進行最終F（n）數據的輸出。因為數據信息損失量遠小于輸入融合模塊，所以其同樣不采用傳統降維模塊的輸出形式，而是采用可以實現更多數據二值化效果的二值化函數進行數據處理。其隱藏層設計2層，每層5個節點。輸入層、隱藏層、輸出層的節點基函數如公式：

式中，Xi為第 i 個輸入變量;Y 為節點輸出變量;e為自然常數;A、B為待回歸變量;2×x-1的數據整理過程，是將函數投影區間的[0，1]重投影到[-1，+1]上。

此時，最終輸出序列與原始輸入序列的對應關系，會損失第1條記錄和最后1條記錄的對應值，但對最短距離超過47.2 m，最小記錄集超過4 720條記錄的當前分析條件，該輸出結果已經滿足分析要求[11]。

4 數據可視化與數據對比

按照上述方案或革新方案的測試結果，利用傳統微震法獲得傳統測試結果，將兩種結果在同一坐標系下進行對比觀察，得到的測試結果如圖2所示。

由圖2可知，革新測試給出了3個弱異常區的明確邊界，該3個弱異常區在微震測試中得到了一定程度體現，如其對應了微震測試的3個弱異常區。其中，弱異常區A、B的邊界吻合度較高，但弱異常區C 下因為存在一個強信號，所以導致傳統微震測試的弱異常區出現一定程度的干擾性上移。對比兩種測試結果，可以發現以下3個規律：

（1）兩種測試方法均可以給出樁基礎的弱異常區和弱異常規模，標志著混凝土振動沉降不均勻、裂隙、氣泡等瑕疵。但革新測試方法較傳統測試方法，其弱異常區的邊界更加明晰，數值化程度更高[12]。

（2）革新測試方法可以在給出弱異常區的同時，捕捉強異常信號，標志著混凝土樁基礎套管的澆筑溢出及部分地質強化現象。

（3）傳統測試更容易列出樁基礎瑕疵的容忍邊界，而革新方案如單獨使用，還應對其復雜高精度信號條件下的容忍邊界評價體系進行更深入研究。

5 結語

對大孔徑深孔鉆機和套管沉管機的工作記錄數據進行基于神經網絡的深度迭代回歸分析，可以得到較傳統的微震法更加清晰的樁基礎狀態結果;此數據還可以較傳統微震測試法給出更加清晰的異常區邊界及異常區內部數據。

但在此革新測試方法的結果中，并不能給出該樁基礎合格標準的決策性數據。鑒于此，還應開發對其數據進行進一步分析，提出樁基礎可用性、可靠性的數據審計決策方法。

參考文獻

[1]齊海鵬，李 帥，閻玉菡，等. 橋梁樁基礎完整性檢測技術研究[J]. 甘肅科技縱橫，2020，49（08）：50-52.

[2]本刊編輯部. 系統化的服役橋梁樁基礎檢測評定方法[J]. 中國公路，2020（11）：17-18.

[3]李冠澤. 巖土樁基礎施工中的地基基礎檢測優化策略研究[J]. 建筑技術開發，2020，47（09）：159-160.

[4]郭文廣. 建筑工程軟弱地基樁基礎施工質量檢測分析[J]. 中國住宅設施，2020（04）：126+128.

[5]高 昕，王余鵬. 基于模糊理論的樁基超聲波檢測的研究[J]. 電聲技術，2020，44（04）：94-96.

[6]Palu?ováV，BREIER R， CHAUVEAU E，et al. Natural radionuclides as background sources in the Modane underground laboratory[J]. Journal of Environmental Radioactivity，2020，216.

[7]MARCO CARESANA，FRANCESCO CORTESI，STEFANO CORIA. Study of a discriminative technique between radon and thoron in the Radout detector[J]. Radiation Measurements，2020，138.

[8]任文理，李琳琳，李 巖，等. 蘭州市綠色建筑室內空氣氡污染研究[J]. 綠色建筑，2019，11（04）：81-84.

[9]吳東艷. 地下人防工程內部空氣質量現狀及改善措施[J]. 污染防治技術，2019，32（03）：24-25+41.

[10]DJAMEL GHERNAOUT. Aeration Process for Removing Radon from Drinking Water-A Review[J]. Applied Engineering， 2019， 3（1）：32-45.

[11]NERI MARCO， GIAMMANCO SALVATORE， LEONARDI ANNA. Preliminary Indoor Radon Measurements Near Faults Crossing Urban Areas of Mt.Etna Volcano （Italy）.[J]. Frontiers in public health，2019，7： 105.

[12]彭 貝，劉玉潔，熊琦琪，等. 長沙市地下車庫氡污染的現狀及對策研究[J]. 中外建筑，2019（04）：55-58.