魏瑤

摘要：路基工后沉降是影響高速鐵路安全運(yùn)行的重要因素之一，開展高速鐵路路基工后沉降監(jiān)測與預(yù)測研究對提高高鐵運(yùn)行安全具有一定的工程意義。以鄭西高鐵K1045+800路基為例，通過設(shè)計(jì)合理的監(jiān)測方案監(jiān)測了路基不同部位的工后沉降、沉降速率和濕度，分析了路基工后沉降規(guī)律；基于監(jiān)測數(shù)據(jù)采用GM（1，1）模型、神經(jīng)網(wǎng)絡(luò)模型和灰色神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了路基工后沉降預(yù)測，在驗(yàn)證預(yù)測效果的基礎(chǔ)上基于灰色神經(jīng)網(wǎng)絡(luò)模型構(gòu)建了路基工后沉降預(yù)測模型，明確了該路基的穩(wěn)定狀況并提出了路基工后沉降預(yù)警方法。研究結(jié)果表明：Ⅰ-1、Ⅰ-2、Ⅰ-3和Ⅰ-4監(jiān)測點(diǎn)的工后沉降預(yù)測值在第45監(jiān)測期以后增量很小，并分別收斂于5.19mm、4.96mm、4.71mm和4.47mm，該路基將繼續(xù)保持穩(wěn)定狀態(tài)；選取工后沉降量為主要預(yù)警指標(biāo)，沉降速率為輔助預(yù)警指標(biāo)，將高鐵路基沉降預(yù)警等級分為Ⅰ、Ⅱ和Ⅲ級。

Abstract： Subgrade post-construction settlement is one of the most important factors affecting the safe operation of high-speed railway， research on subgrade post-construction settlement monitoring and prediction has a certain engineering significance to improve high-speed railway safe operation. With Zhengzhou-Xi'an high-speed railway K1045+800 subgrade as an example， through the reasonable design of monitoring scheme， the post-construction settlement， settlement velocity and humidity monitoring were managed， and the law of post-construction settlement was also summarized； Post-construction settlement was predicted using the GM （1， 1） model， the neural network model and the grey neural network model based on the monitoring data； Subgrade post-construction settlement prediction model based on the gray neural network model was constructed on the basis of prediction accuracy authentication， and the warning method of subgrade post-construction settlement was established. The research results show that the post-construction settlement of Ⅰ-1， Ⅰ-2， Ⅰ-3 and Ⅰ-4 monitoring sites become very little after 45 monitoring cycle， and the post-construction settlement will convergent to 5.19mm， 4.96mm， 4.71mm and 4.47mm， the subgrade will continue to keep the stable state； Post-construction settlement and settlement velocity are chosen as main warning index and auxiliary warning index， high-speed railway subgrade post-construction settlement warning grades are divided into Ⅰ，Ⅱ and Ⅲ.

關(guān)鍵詞：鄭西高鐵；路基工后沉降；監(jiān)測；預(yù)測；預(yù)警；灰色神經(jīng)網(wǎng)絡(luò)模型

Key words： Zhengzhou-Xi'an high-speed railway；subgrade post-construction settlement；monitor；prediction；warning；gray neural network model

中圖分類號：U24 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-4311（2018）31-0129-04

0 引言

作為一種線性工程，高速鐵路穿越不同的自然地理、地質(zhì)單元，巖土類型及物理力學(xué)參數(shù)的復(fù)雜性使路基極易產(chǎn)生工后沉降[1]。對路基工后沉降進(jìn)行預(yù)測并在沉降超過一定閾值時(shí)分級預(yù)警可為高鐵安全運(yùn)行提供信息保障[2]。目前，高鐵路基工后沉降預(yù)測一般采用3種方法，即基于經(jīng)典土力學(xué)的分層總和法、基于本構(gòu)理論的數(shù)值計(jì)算法和基于實(shí)測數(shù)據(jù)的預(yù)測法。由于路基工后沉降的影響因素較多，路基土的物理力學(xué)參數(shù)難以精確測定，因此，分層總和法和數(shù)值計(jì)算法的預(yù)測精度受到很大限制[3]?；趯?shí)測數(shù)據(jù)的預(yù)測法是通過先進(jìn)監(jiān)測手段獲得路基沉降數(shù)據(jù)，并基于小波去噪分析、線性回歸分析、灰色系統(tǒng)理論分析、人工神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)等數(shù)學(xué)模型對路基沉降進(jìn)行預(yù)測，具有預(yù)測精度高、計(jì)算過程簡單等優(yōu)點(diǎn)。

眾多學(xué)者采用基于實(shí)測數(shù)據(jù)的預(yù)測法開展了沉降預(yù)測研究。顏早璜等采用雙曲線擬合了路基拓寬荷載造成的路面沉降[4]。Yang等以京滬高鐵濟(jì)南段為例，基于線性CCD方法建立了高鐵路基沉降預(yù)測模型[5]。郭健等以武漢某深基坑工程的監(jiān)測數(shù)據(jù)為基礎(chǔ)，提出了預(yù)測工后沉降的小波分析與徑向基神經(jīng)網(wǎng)絡(luò)混合建模方法[6]。肖衡林等分別采用時(shí)間對數(shù)、泊松曲線和指數(shù)曲線方法建立了鄂西某67m高路堤的沉降預(yù)測模型[7]。譚衢霖等針對某高層混凝土結(jié)構(gòu)建立了改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)、輔助式小波神經(jīng)網(wǎng)絡(luò)和嵌入式小波神經(jīng)網(wǎng)絡(luò)變形預(yù)測模型[8]。朱才輝等以某黃土高填方地基為例，建立了基于修正FDA分析的工后沉降計(jì)算模型[9]。Chen等提出了地下水位下降引發(fā)的高鐵路基沉降數(shù)值計(jì)算方法[10]。高紅等提出了基于小波變換與卡爾曼濾波相結(jié)合的RLG降噪方法，并采用GM（1，1）算法建立了沉降預(yù)測模型[11]。章紅兵等基于沉降監(jiān)測數(shù)據(jù)，提出了考慮空間效應(yīng)的緊鄰基坑建筑物沉降簡化算法[12]。

鄭州-西安高速鐵路穿越關(guān)中黃土平原，由于黃土特殊的物理、水理性質(zhì)，部分路基的工后沉降較大，對高鐵安全運(yùn)行產(chǎn)生較大危害[13]。本文在借鑒已有研究的基礎(chǔ)上，以鄭西高鐵K1045+800路基為例，通過設(shè)計(jì)合理的監(jiān)測方案開展路基工后沉降監(jiān)測，在驗(yàn)證GM（1，1）模型、神經(jīng)網(wǎng)絡(luò)模型和灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度的基礎(chǔ)上，選取灰色神經(jīng)網(wǎng)絡(luò)建立路基工后沉降預(yù)測模型，預(yù)測了該路基工后沉降量并提出了分級預(yù)警方法。

1 路基工后沉降監(jiān)測方案與監(jiān)測數(shù)據(jù)分析

1.1 工程概況與監(jiān)測方案

鄭西高鐵是我國“四縱四橫”鐵路網(wǎng)中徐蘭客運(yùn)專線最先開工、最先通車的一段，全長約505km，設(shè)計(jì)時(shí)速380km/h。沿線區(qū)域自然地貌的地帶性差異顯著，地質(zhì)條件復(fù)雜，尤其是關(guān)中黃土平原區(qū)，地表以黃土覆蓋為主，部分路段的黃土濕陷性等級較高，在降雨、凍融作用下，易產(chǎn)生較大工后沉降[13]。鄭西高鐵為無砟軌道，根據(jù)國內(nèi)外高鐵建設(shè)的經(jīng)驗(yàn)可知，無砟軌道的工后沉降一般不應(yīng)超過15mm，否則會對行車安全造成較大危害。鄭西高鐵K1045+800路基位于臨潼車站附近，濕陷和砂土液化等不良地質(zhì)條件發(fā)育，對該路基工后沉降進(jìn)行監(jiān)測和預(yù)測對保證高鐵安全運(yùn)行具有重要意義。

該路基從上至下依次為道砟層、水泥改良土層、壓實(shí)土層、水泥改良土層和擠密樁穩(wěn)定水泥土層，采用半斷面監(jiān)測方式，監(jiān)測范圍為路基頂面至擠密樁穩(wěn)定水泥土層頂面以下2m，采用分層沉降計(jì)、單點(diǎn)沉降計(jì)和土壤水分計(jì)監(jiān)測路基不同部位的工后沉降、沉降速率和濕度。

①分層沉降計(jì)：設(shè)置3組分層沉降計(jì)，每組設(shè)置4個(gè)監(jiān)測點(diǎn)，監(jiān)測點(diǎn)從上至下分別距路基頂面0.5m、1.3m、3.1m和5.9m。

②單點(diǎn)沉降計(jì)：設(shè)置一組單點(diǎn)沉降計(jì)，位于坡腳處，埋深0.2m。

③土壤水分計(jì)：設(shè)置3組土壤水分計(jì)，每組設(shè)置3個(gè)監(jiān)測點(diǎn)，監(jiān)測點(diǎn)從上至下分別距路基頂面1.2m、1.7m和2.2m，監(jiān)測方案如圖1所示。

監(jiān)測時(shí)間從2015年9月1日起至2016年11月16日止，每月1日、16日讀取一次數(shù)據(jù)，讀數(shù)時(shí)間為凌晨3時(shí)（此時(shí)無列車通過），至今已獲取30期、660項(xiàng)監(jiān)測數(shù)據(jù)。

1.2 監(jiān)測結(jié)果分析

限于篇幅原因，本文僅以第Ⅰ組分層沉降計(jì)為例分析路基工后沉降監(jiān)測結(jié)果并進(jìn)行路基工后沉降預(yù)測。在監(jiān)測期內(nèi)，Ⅰ-1、Ⅰ-2、Ⅰ-3和Ⅰ-4監(jiān)測點(diǎn)的工后沉降分別為5.07mm、4.83mm、4.59mm和4.35mm，沉降速率最大值分別為第21監(jiān)測期（2016年7月1日）的0.43mm、第21監(jiān)測期的0.36mm、第22監(jiān)測期（2016年7月16日）的0.32mm和第23監(jiān)測期（2016年8月1日）的0.25mm。四個(gè)監(jiān)測點(diǎn)的工后沉降在第9、10監(jiān)測期（2016年1月1日、16日）出現(xiàn)減小趨勢，分別減小0.08mm和0.03mm。

根據(jù)對路基工后沉降監(jiān)測數(shù)據(jù)的分析可知，路基工后沉降具有以下規(guī)律：

①降雨和溫縮作用對路基工后沉降影響較大。根據(jù)氣象資料，該路基所在區(qū)域的年均降雨量約為650mm，其中，7月～9月降雨量約占全年降雨量的60%。路基沉降速率在7、8月達(dá)到最大，可見路基工后沉降與降雨量呈顯著的正相關(guān)關(guān)系。路基工后沉降在1月出現(xiàn)減小趨勢，主要原因?yàn)?月溫度較低且降雨量較小，路基土體出現(xiàn)溫縮現(xiàn)象，導(dǎo)致路基工后沉降減小。

②路基工后沉降具有明顯的時(shí)空分異特征。沉降量從路基土體上部向下逐漸減小，在沉降發(fā)生時(shí)間上路基土體下部滯后于土體上部。

2 路基工后沉降預(yù)測

2.1 預(yù)測方法概述

由于監(jiān)測時(shí)間較短，要明確該路基未來的穩(wěn)定狀況，必須根據(jù)已有監(jiān)測數(shù)據(jù)開展路基工后沉降預(yù)測研究。常用的路基工后沉降預(yù)測方法包括GM（1，1）模型和神經(jīng)網(wǎng)絡(luò)模型。GM（1，1）模型是由鄧聚龍教授提出的，它將待估系統(tǒng)視為部分信息已知、部分信息未知的灰色系統(tǒng)[14]。在進(jìn)行灰色系統(tǒng)預(yù)測時(shí)，GM（1，1）模型具有對已知序列要求低、計(jì)算過程簡單等優(yōu)點(diǎn)，但當(dāng)預(yù)測期較長時(shí)，GM（1，1）模型的預(yù)測精度出現(xiàn)明顯退化。神經(jīng)網(wǎng)絡(luò)模型是數(shù)據(jù)序列預(yù)測最常用的方法之一，它通過已知序列對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練達(dá)到模擬人腦決策過程的效果，具有預(yù)測精度高、容錯(cuò)能力強(qiáng)等優(yōu)點(diǎn)[15]，但對模型訓(xùn)練序列要求較高，否則易陷入局部極小值或難以收斂?；疑窠?jīng)網(wǎng)絡(luò)模型是GM（1，1）模型與神經(jīng)網(wǎng)絡(luò)模型的串聯(lián)算法，可以克服GM（1，1）模型和神經(jīng)網(wǎng)絡(luò)模型的缺點(diǎn)，其基本思路是將GM（1，1）模型預(yù)測結(jié)果輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，待網(wǎng)絡(luò)穩(wěn)定且實(shí)現(xiàn)收斂后利用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行路基工后沉降預(yù)測。

2.2 模型驗(yàn)證

監(jiān)測期和相應(yīng)的監(jiān)測值組成數(shù)據(jù)對，Ⅰ-1、Ⅰ-2、Ⅰ-3和Ⅰ-4監(jiān)測點(diǎn)共計(jì)組成120個(gè)數(shù)據(jù)對，其中，4個(gè)監(jiān)測點(diǎn)第30期監(jiān)測數(shù)據(jù)組成的數(shù)據(jù)對分別為（30，5.07）、（30，4.83）、（30，4.59）和（30，4.35）。分別采用GM（1，1）模型、神經(jīng)網(wǎng)絡(luò)模型和灰色神經(jīng)網(wǎng)絡(luò)模型開展路基工后沉降預(yù)測，將前25期監(jiān)測數(shù)據(jù)對作為已知序列，后5期監(jiān)測數(shù)據(jù)對作為驗(yàn)證序列。三種模型的驗(yàn)證序列預(yù)測值和實(shí)測值對比如表1所示。

由表1可知，GM（1，1）模型、神經(jīng)網(wǎng)絡(luò)模型和灰色神經(jīng)網(wǎng)絡(luò)模型對應(yīng)的預(yù)測值與實(shí)測值最大相對誤差分別為11.17%、8.03%和5.46%，預(yù)測精度均滿足要求。為評判各模型的預(yù)測效果，根據(jù)表1的數(shù)據(jù)計(jì)算3種模型預(yù)測值與實(shí)測值的均方誤差（Mean Squared Error，MSE），如表2所示。

由表2可知，4個(gè)監(jiān)測點(diǎn)的預(yù)測結(jié)果中，灰色神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果均最好，神經(jīng)網(wǎng)絡(luò)模型次之，GM（1，1）模型最差。因此，本文選取灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測鄭西高鐵K1045+800路基工后沉降。

2.3 預(yù)測結(jié)果

采用灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測鄭西高鐵K1045+800路基第31～50監(jiān)測期的工后沉降，預(yù)測結(jié)果如表3、圖2所示。

由表3、圖2可知，Ⅰ-1、Ⅰ-2、Ⅰ-3和Ⅰ-4監(jiān)測點(diǎn)的工后沉降預(yù)測值在第45監(jiān)測期以后增量很小，并分別收斂于5.19mm、4.96mm、4.71mm和4.47mm，均遠(yuǎn)小于15mm?？梢姡跊]有其他誘發(fā)因素作用下，該路基將繼續(xù)保持穩(wěn)定狀態(tài)。

2.4 路基工后沉降預(yù)警

第Ⅰ組分層沉降計(jì)4個(gè)監(jiān)測點(diǎn)的工后沉降最大值收斂于5.19mm，即路基工后沉降不會對行車安全造成重大威脅。但是，這種穩(wěn)定是有條件的，如果發(fā)生大量水體下滲、地基開挖或地震等特殊工況，該路基的工后沉降可能發(fā)生突變，從而威脅行車安全。因此，必須對高鐵路基工后沉降進(jìn)行分級預(yù)警，本文根據(jù)已有路基工后沉降研究并結(jié)合鄭西高鐵的工程實(shí)際，選取工后沉降量為主要預(yù)警指標(biāo)，沉降速率為輔助預(yù)警指標(biāo)，設(shè)定Ⅰ、Ⅱ、Ⅲ級預(yù)警等級，如表4所示。

以工后沉降量為首選預(yù)警指標(biāo)，當(dāng)工后沉降量變化較劇烈時(shí)，以沉降速率為輔助預(yù)警指標(biāo)。其中，Ⅰ級預(yù)警表示路基較安全，不需要發(fā)布預(yù)警信息；Ⅱ、Ⅲ級預(yù)警分別表示較危險(xiǎn)和危險(xiǎn)，需要發(fā)布預(yù)警信息。

3 結(jié)論

①以鄭西高鐵K1045+800路基為例，通過設(shè)計(jì)合理的監(jiān)測方案開展了路基不同部位的工后沉降、沉降速率和濕度監(jiān)測，分析了路基工后沉降規(guī)律。在驗(yàn)證GM（1，1）模型、神經(jīng)網(wǎng)絡(luò)模型和灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度的基礎(chǔ)上，采用灰色神經(jīng)網(wǎng)絡(luò)模型建立了路基工后沉降預(yù)測模型，提出了路基工后沉降預(yù)警方法。

②Ⅰ-1、Ⅰ-2、Ⅰ-3和Ⅰ-4監(jiān)測點(diǎn)的工后沉降預(yù)測值在第45監(jiān)測期以后增量很小，并分別收斂于5.19mm、4.96mm、4.71mm和4.47mm，該路基將繼續(xù)保持穩(wěn)定狀態(tài)。選取工后沉降量為主要預(yù)警指標(biāo)，沉降速率為輔助預(yù)警指標(biāo)，將高鐵路基沉降預(yù)警等級分為Ⅰ、Ⅱ和Ⅲ級。

③本文開展了鄭西高鐵K1045+800路基工后沉降監(jiān)測與預(yù)測研究，但在以下方面仍可改進(jìn)：1）本文僅開展了第Ⅰ組分層沉降計(jì)監(jiān)測數(shù)據(jù)的分析與預(yù)測，單點(diǎn)沉降計(jì)和土壤水分計(jì)監(jiān)測數(shù)據(jù)的分析與預(yù)測未開展，路基工后沉降與土體濕度的關(guān)系也未開展研究；2）本文采用灰色神經(jīng)網(wǎng)絡(luò)模型建立了路基工后沉降預(yù)測模型，預(yù)測精度雖能滿足要求，但其他算法，如小波分析、PSO-ANN模型以及PSO-SVM模型等的預(yù)測精度未得到驗(yàn)證。

參考文獻(xiàn)：

[1]Kang Gaoliang. Influence and Control Strategy for Local Settlement for High-Speed Railway Infrastructure[J]. Engineering，2016（2）：374-379.

[2]Heureux J S， Long M， Vanneste M， et al. On the prediction of settlement from high-resolution shear-wave reflection seismic data： The Trondheim harbor case study， mid Norway[J]. Engineering Geology， 2013（167）：72-83.

[3]Andrew H T， Bruce W. Large mammal biomass predicts the changing distribution of hunter-gatherer settlements in mid-late Holocene Alaska[J]. Journal of Anthropological Archaeology，2017（45）：81-97.

[4]顏早璜，劉玉山，張宇.高速公路工后沉降監(jiān)測方法及預(yù)測研究[J].低溫建筑技術(shù)，2013（9）：117-119.

[5]Yang J， Feng Q B. A new method for measuring subgrade settlement in high-speed railway by using a linear CCD[J].Measurement，2013（46）：1751-1756.

[6]郭健，查呂應(yīng)，龐有超，等.基于小波分析的深基坑地表沉降預(yù)測研究[J].巖土工程學(xué)報(bào)，2014，36（增2）：343-347.

[7]肖衡林，李麗華，郭小川，等.山區(qū)高填方路堤沉降預(yù)測方法[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2015，23（1）：154-161.

[8]譚衢霖，魏健，胡吉平.基于小波神經(jīng)網(wǎng)絡(luò)的建筑工程沉降變形預(yù)測[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2015，23（3）：629-636.

[9]朱才輝，李寧.基于修正FDA方法的黃土高填方地基工后沉降分析[J].巖石力學(xué)與工程學(xué)報(bào)，2015，34（增10）：3408-3417.

[10]Chen R P， Cheng W， Jia R Y， et al. Numerical study of High Speed Railway subgrade settlement induced by Underwater Lowering[J]. Procedia Engineering， 2016（143）：1350-1357.

[11]高紅，文鴻雁，李運(yùn)健，等.基于小波變換與卡爾曼濾波結(jié)合的GM（1，1）模型在高鐵隧道沉降變形分析中的應(yīng)用[J].現(xiàn)代隧道技術(shù)，2016，53（4）：84-89.

[12]章紅兵，范凡，胡昊.考慮基坑開挖空間效應(yīng)的鄰近建筑物沉降預(yù)測方法[J].上海交通大學(xué)學(xué)報(bào)，2016，50（4）：641-646.

[13]李欣.鄭西高鐵濕陷黃土路基沉降監(jiān)測及預(yù)警系統(tǒng)研究[D].西安：長安大學(xué)，2012.

[14]Xiao Xinping， Hu Yichen， Guo Huan. Modeling mechanism and extension of GM （1， 1）[J]. Journal of Systems Engineering and Electronics， 2013， 24（3）： 445-453.

[15]Leea K Y， Chungb N， Suntae H. Application of an artificial neural network （ANN） model for predicting mosquito abundances in urban areas[J]. Ecological Informatics，2016（36）：172-180.