房屋建筑混凝土施工地表沉降預測方法

劉 同

（呂梁學院，山西 呂梁 033001）

1 房屋建筑混凝土施工地表沉降預測方法

1.1 房屋建筑混凝土施工地表沉降影響因素分析

房屋建筑混凝土施工產生的地表沉降通常會受到多種復雜因素的影響。因此，為對地表沉降進行有效預測，需要對其影響因素進行具體分析[1]。地表沉降的影響因素具體可分為4個部分，分別是地質因素、房屋建筑設計因素、施工因素以及周邊環境因素，具體分析過程如下。

首先，水文地質因素主要包括地下水位因素以及土體結構。房屋建筑區域下的地下水位如果過高或遇到汛期水位升高，都會引起地表沉降的變化。通常情況下，地下水位與土體的密度與強度有直接關系，因此地下水位會間接影響房屋建筑承重結構的荷載變化，進而對房屋建筑區域內土體的內應力產生影響，使地表發生沉降。在土體結構方面，地表沉降通常與土體的實際密度相關[2-3]。土體的密度越大，強度越大，則土體結構的承載力也會越大，進而不容易發生變形，也不容易使地表產生沉降。而土體密度主要的影響因素為內摩擦角與土壤含水量，其中土體內摩擦角越大，地表沉降越慢；土壤含水量越高，地表沉降越快[4]。

其次，房屋建筑設計因素主要包括建筑的尺寸以及支護結構的類型[5]。在同一土體上進行房屋施工，建筑設計的平面尺寸越大，則地表沉降越大；平面尺寸越小，地表產生的沉降也就越小。因此在對地表沉降進行預測時，除了要考慮地面因素，房屋自身的尺寸信息也需要納入考量范圍。房屋建筑的支護結構一般包括連續墻和圍護樁，不同的支護結構對地表沉降的影響強度也有所不同。一般來說，為了判斷一個房屋建筑的支護結構會對地表沉降產生多大的影響，可以采用測量支護結構剛度的方式[6]。支護結構的剛度越大，對外力的承載性能也就越強，因此也就不容易發生地表沉降。

再次，施工因素具體包括現場的施工排水以及施工開挖深度。一般房屋建筑施工需要在無水的環境下進行，為此需要在施工時將開挖面的地下水位降低到1 m以下，施工排水工作做得越好，土體的結構越密實，久越不容易使地面發生沉降。而施工開挖深度一般與地表沉降量呈正相關，因此在對地表沉降進行預測時，需要結合房屋建筑的設計高度以及地下開挖深度2個因素[7]。

最后，周邊環境因素主要包括管線分布情況以及建筑物分布情況。當房屋建筑施工的周邊存在較多其他建筑物或者地下埋藏了多條管線時，隨著荷載力的不斷加大，該區域土體的壓力也會變大，進而使房屋建筑周圍的地表發生沉降。因此在進行地表沉降預測時需要考慮周邊建筑以及管線的排列密度。

根據上述對地表沉降影響因素的分析，結合層次分析法（AHP，Analytic Hierarchy Process），構建出如圖1所示的分析方案。

圖1 房屋建筑無凝土施工地表沉降影響因素

AHP的分析原理中包括指標層A、目標層B以及基準層C。該文通過上述步驟對地表沉降的影響因素進行分析，以此為后續的地表沉降預測提供理論支持。

1.2 地表沉降影響因素權重值計算

根據層次分析法的原理，結合上述對地表沉降影響因素的具體分析，構建地表沉降判斷矩陣，記為B=（bij）n×n，其中bij代表目標層的各項影響因素，此時該矩陣具有以下性質，如公式（1）所示。

由于該矩陣具備傳遞性，因此該判斷矩陣可滿足公式（2）。

式中：bjk和bik分別為其他橫向目標層影響因素。

為對該判斷矩陣的一致性進行確定，定義一致性指標為C，如公式（3）所示。

式中：λmax為判斷矩陣的最大特征值；n為影響因素的總個數。定義最大特征值對應的特征向量為wi，則層次排序表達式如公式（4）所示。

根據上述構建的一致性指標可計算出一致性比率，具體如公式（5）所示。

式中：Ri為單次排序指標。

當CR值小于0.1時，說明此刻的排序結果一致性較高。根據排序結果對矩陣進行乘法運算，即可得到每個影響因素的具體權值[8]。根據上述步驟即可計算出地表沉降影響因素的權重值，為沉降預測提供數據支持。

1.3 構建地表沉降預測模型

本次地表沉降預測模型采用BP神經網絡算法進行構建，結合上述計算出的地表沉降影響因素權值，對預測數據樣本進行確定。假設神經元個數為i，第j個元素輸出的矢量為xj，則對應的權重值設為wij，對該值進行動態調整，具體計算如公式（6）所示。

式中：yi為實際輸出結果；di為期望輸出矢量；a為動態調整步幅參數。

如果期望輸出值與實際輸出值之差過大，超過了閾值控制范圍，則需要對其進行重新調整，直到二者之差在閾值范圍內為止。對此，需要引入一個比例因子幫助權值進行調整，具體如公式（7）所示。

式中：Δwab為節點a與b之間的權值；s（k）為比例因子；?（k）為節點處的誤差幅值；oa（k）為節點處的激活程度；γ為學習效率；k為迭代次數。

比例因子的具體表達式如公式（8）所示。

由此構建出的基于BP神經網絡的地表沉降預測模型結構如圖2所示，其中C1～C8分別代表基準層的8個影響因素。

圖2 BP網絡神經結構

根據上述步驟即可構建出地表沉降預測模型，結合上述提到的地表沉降影響因素分析以及權重值計算，至此，房屋建筑混凝土施工地表沉降預測方法設計完成。

2 試驗部分

為證明該文提出的房屋建筑混凝土施工地表沉降預測方法在預測精度上優于傳統的地表沉降預測方法，在理論部分設計完成后進行試驗驗證，以此對該預測方法的實際預測效果進行分析。

2.1 試驗準備

本次試驗的試驗數據來源于某市地鐵站附近的房屋建筑區域的歷史數據，整片區域占地面積為20.23 km2，土體組成較為復雜，主要土質包括雜填土、砂巖、風化板巖、風化泥巖、風化灰巖、粉質黏土以及圓礫等，土層厚度為10 m～25 m，地下水位位于地表下約4.5 m處，土體含水量為25.43%。該區域為溫帶季風氣候，地表徑流與地下徑流均受季節降雨量影響較大，降水年際變化量較大導致土體含水量變化浮動較大。通過實地勘測，該文獲取了該區域下的相關參數，包括水文參數、土體參數以及建筑尺寸參數等。

為確保試驗結果的準確性，該文在使用3種地表沉降預測對試驗對象進行分析時，將所有基礎數據進行了預處理，以保證預測結果不受數據變量的影響。數據預處理主要為歸一化，將基礎數據的變化范圍固定在[0，1]，以此減少模型的運算難度，具體的歸一化公式如公式（9）所示。

式中：Xk與Yk分別為輸入數據與輸出數據；Xmax和Xmin分別為輸入數據中的最大值與最小值。

為提高試驗結果的可靠性，本次試驗選取2種傳統的地表沉降預測方法作為對比對象，分別是基于機器學習算法的地表沉降預測方法以及基于灰色模型的地表沉降預測方法。該文算法的參數設置見表1。本次試驗共選取10組不同時段的歷史數據，進行10次對比試驗，通過采用3種預測方法對該區域的歷史數據進行預測，得到地表沉降預測曲線，并與實際預測情況進行對比，比較預測精度。

表1 算法參數設置

2.2 試驗結果

本次試驗選取的評價指標為預測方法與實際沉降情況的擬合程度，擬合程度越高，說明該方法的預測精度越高，也就越能對房屋建筑混凝土施工地表沉降的情況進行科學預測。具體試驗對比結果如圖3所示。

圖3 地表沉降預測曲線對比

從上述試驗結果可以看出，應用不同的預測方法對不同時段的房屋建筑區域進行預測時，其預測的精度也會有所不同。通過觀察預測方法預測出的沉降量與實際地表沉降量之間的差距可以明顯看出，2種傳統的地表沉降預測方法得到的預測結果與實際情況相差較大，預測誤差最高可達0.25 m以上，說明傳統預測方法的預測精度較差。而該文提出的房屋建筑混凝土施工地表沉降預測方法得到的預測結果與實際地表沉降量差距較小，預測曲線的擬合程度也較高，由此可說明該文提出的預測方法具備較高的預測精度。

3 結論

該文提出的房屋建筑混凝土施工地表沉降預測方法通過采用層次分析法對影響地表沉降的關鍵因素進行了有效分析，采用權重值計算的方法對影響因素進行了排序。在此基礎上構建出的地表沉降預測模型能夠結合多方面影響因素，輸出較為科學可靠的預測結果，能夠滿足對地表沉降的預測需求。