主裙樓組合基礎沉降控制參數敏感性分析

孟杰 張家立 馮同廣

山東高速工程建設集團有限公司 山東 濟南 250000

基礎沉降是建筑工程中不可避免的問題之一，尤其是在高層建筑和主裙樓的施工中更為突出。為了確保建筑的穩定性和安全性，需要對基礎沉降進行控制和監測。主裙樓中組合基礎沉降控制尤為重要。影響組合基礎沉降的因素有很多。組合基礎所處的土層及上部荷載的施工進程等，都會使組合基礎沉降進一步增加。通過對主裙樓組合基礎沉降控制參數的敏感性分析，可以快速地得到對基礎沉降影響最大的參數，并為后續施工提供參考。

隨人工智能發展，神經網絡因其“快速、精確、全面”的優點，被運用到敏感性分析中。在神經網絡參數敏感性分析方面: Kourosh等[1]提出卷積神經網絡( CNN) 的敏感性分析方法，并對其性能進行比較; Ghada 等[2]利用深度殘差神經網絡對熱拌瀝青混合料進行參數敏感分析; Moussa等[3]在結構可靠度評估中使用神經網絡集成構建參數敏感性分析模型，驗證神經網絡在敏感性分析中的穩定性和準確性。本文通過構建基礎沉降控制參數與主裙樓組合基礎沉降的梯度提升樹擬合模型，對主裙樓組合基礎沉降與其控制參數的敏感性進行分析。

1 敏感性分析流程

1.1 基于梯度提升樹的參數敏感性分析

梯度提升樹(XGBoost)整體思想就是直接把損失函數和正則項加起來合成一個整體的損失函數，對這個損失函數求二階導數，得到最終的自定義目標函數，通過自定義目標函數計算得到一個分數，這個分數越小越好，最終通過自定義目標函數計算得到的分數確定了樹的結構和整個強學習器的分數。XGBoost不是通過擬合殘差實現的，而是計算自定義目標函數直接得到的樹結構。結構如圖1所示。

對于回歸樹：預測結果會落在每片葉子上，回歸樹會將葉子上的數值求平均就是這片葉子結點的回歸結果。利用如下公式1進行計算。式中：K是樹的總數量，k代表第k棵樹，k是這顆樹的權重，hk表示這棵樹上的預測結果。

當XGBoost參數確定，任意響應特征對于輸出值的敏感性系數均可求得。通過對回歸樹葉子上的權重進行分析，可以得到輸入特征值對輸出參數的影響因子，這個影響因子就是輸入特征對輸出值的敏感性系數。

1.2 數據歸一化

當輸入參數的取值范圍確定后，采用正交試驗法對所選參數進行組合，得到輸入特征訓練集。為了加快收斂速度，避免參數上下限對訓練結果產生較大影響，在模型訓練前需要對輸入和輸出分別進行歸一化處理，將數據歸一至[0-1]之間，如式2所示：

2 工程背景及參數選擇

2.1 工程簡介

本文選取位于濟南市歷城區董家街道某工程數據。該工程位于溫梁路，楊家河西路以西，原始地面高程為101.5±0.5m。該工程為了反映建筑在施工過程中的沉降變化，確保建筑物順利施工和建筑物變形可控，對該主裙樓組合基礎進行沉降檢測，測點平面布置圖如圖2所示。

圖2 主裙樓沉降測點布置平面圖

如圖2選取主裙樓測點中1-1作為測點1數據，1-2作為測點2數據，2-1作為測點3數據，2-2作為測點4數據，進行主裙樓組合基礎沉降控制參數敏感性分析。

2.2 參數選取

為了得到基礎沉降控制參數的敏感性，將基礎的土體參數、上部結構隨著施工進行的荷載變化、基礎形式、施工天數等諸多因素導入模型進行訓練。通過模型對輸入特征值的學習，并對沉降值進行擬合，可以得到各個輸入特征值對沉降值的影響因子。將影響因子進行對比處理，可以得到各個參數對沉降的敏感性系數。基礎形式包括筏板基礎和獨立基礎兩種形式。外部荷載按施工環節和施工進程進行換算，結果如下圖3所示。

圖3 荷載比例換算圖

3 參數敏感性分析

巖土工程中土體參數對計算結果有著顯著影響，由于土體參數造成的誤差有時很大。通過機器學習模型內部學習各個輸入特征參數與沉降的關系，可以將基礎的各個參數特征對沉降的敏感性進行量化。

通過XGBoost模型對輸入特征的學習，發現模型對基礎沉降的擬合效果顯著，擬合相對系數R2值[4]高達0.94，說明模型擬合程度高，可以用來獲取特征對基礎沉降的影響因子。模型擬合散點圖如下圖4所示。

經過XGBoost模型擬合學習，得到了輸入特征對基礎沉降結果的影響因子。然后，對影響因子進行分析，得到各個控制參數特征對基礎沉降的敏感性系數，參數敏感性雷達圖如下圖5所示。

圖5 參數敏感性雷達圖

從圖中可以看出，對組合基礎沉降影響較大的控制參數是上部結構的荷載變化、沉降累計天數、含水量和孔隙比。荷載變化影響組合基礎沉降的原因，是隨著施工的進行，上部結構逐步完善，其傳遞至基礎的重力加大，對主裙樓組合基礎沉降造成較大的影響。沉降的累計天數對主裙樓組合基礎沉降有高敏感度的原因，是隨著時間流逝和上部荷載加大，土體中的水被擠出，超孔隙水壓力減少，土體的有效應力增加，土體發生局部固結導致基礎沉降。孔隙比和含水量對主裙樓組合基礎沉降的敏感性較大，同樣是由于上部荷載的逐漸加大以及時間的推移，土中空隙被壓實，基礎發生沉降位移。

4 結論

主裙樓組合基礎沉降的控制參數敏感性與土體參數及上部結構有關，通過XGBoost網絡模型將主裙樓組合基礎沉降控制參數與基礎累計沉降導入模型進行學習，并分析控制參數對主裙樓組合基礎沉降的敏感性，得到如下結論。上部荷載變化對基礎沉降的敏感度最大，同樣時間也是高敏感度因素。土體參數中孔隙比及含水量是基礎沉降較敏感的參數。在進行主裙樓組合基礎沉降控制時，需要著重考慮上部荷載的變化對組合基礎沉降的影響。