陳少青，陳文強，程 林，包勝利

（1.天津市北洋水運水利勘察設計研究院有限公司，天津 300460；2.天津理工大學 管理學院，天津 300384；3.中交天航港灣建設工程有限公司，天津 300450）

拋石防波堤是通過拋填粗細石料的方法修建的一種斜坡式防波堤，能夠起到阻斷波浪入侵、圍護港池、維持水面平穩(wěn)的作用，因其對地基承載力要求不高且結構簡單、施工方便，比較廣泛的應用于港口建設中。防波堤沉降量的控制是影響其防護功能正常發(fā)揮的重要因素，目前國內(nèi)外學者對防波堤沉降的研究主要集中在地基固結變形和堤身沉降監(jiān)測兩方面。崔廣強等［1］根據(jù)實際觀測資料，運用灰色Ver?hulst模型預測了堤身各時刻的沉降量；葉劍紅等［2］基于有限元法和時間積分法對大型復合防波堤固結過程進行了仿真模擬；王偉等［3］根據(jù)拋石防波堤拋填施工和GPS監(jiān)測技術特點，提出了一種實時監(jiān)測防波堤沉降變形的新方法；黃其歡等［4］提出了一種基于PSI技術的防波堤沉降監(jiān)測方法。可見，關于防波堤沉降的預測方法較為豐富，現(xiàn)階段主要采用的是根據(jù)沉降分布規(guī)律提出的經(jīng)驗公式法；但由于防坡堤施工工序較為復雜，沉降變形具有多變性，經(jīng)驗公式法在沉降參數(shù)的動態(tài)調(diào)整上有很大的局限性。

本文依托天津港大沽口港區(qū)東、北防波堤潛堤段工程，通過分析拋石防波堤施工過程中影響沉降的因素，提出拋石防波堤施工沉降的深度學習預測模型；同時利用現(xiàn)場監(jiān)測數(shù)據(jù)對深度學習模型進行訓練，有效提升拋石防波堤沉降預測的準確性。

1 研究方法

為提升預測的準確性，本文基于卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks,CNN)構建深度網(wǎng)絡模型。卷積神經(jīng)網(wǎng)絡包含卷積層、池化層、權重及偏置[5]，將n組歸一化后的參數(shù)代入模型中，通過卷積層和池化層的雙重濾網(wǎng)過濾系統(tǒng)，實現(xiàn)對n個參數(shù)的訓練，通過不斷優(yōu)化和調(diào)整原有池化層、權重及偏置參數(shù)，判斷代價函數(shù)（平方誤差）CT的值是否無限趨近或等于0。若代價函數(shù)CT無限趨近或等于0，則輸出的結果為最優(yōu)，完成拋石防波堤沉降的預測。

1.1 卷積操作

由式（1）得到的卷積值還需要加上一個不依賴i、j變化的數(shù)bFk。

根據(jù)式（2）得到加權輸入矩陣，作為卷積層一個子層。將Sigmoid函數(shù)作為激活函數(shù)，卷積層輸出矩陣為

1.2 池化操作

卷積神經(jīng)網(wǎng)絡中有用于壓縮卷積層信息的池化層，通過最大池化法，將卷積層中2個×2個神經(jīng)單元壓縮為1個神經(jīng)單元，這些壓縮后的神經(jīng)單元集合就形成了池化層，池化層輸入和輸出分別為

計算輸出層輸入和輸出

式中：——輸出層第n個神經(jīng)單元給池化層神經(jīng)單元的輸出（k=1，2，3；i=1，2；j=1，2）分配的權重；

——輸出層第n個神經(jīng)單元的偏置。

假設輸出層神經(jīng)單元的3個輸出對應的正解分別為t1、t2、t3

將全體學習數(shù)據(jù)的平方誤差綜合就是代價函數(shù)CT，通過求解CT最小達到最優(yōu)模型解的權重及偏差，將最優(yōu)模型運用至測試樣本，從而達到沉降的預測效果。見圖1。

圖1 卷積和池化過程

2 工程應用

2.1 工程概況

天津港大沽口港區(qū)東、北防波堤潛堤段工程位于大沽口港區(qū)大沽沙航道口門附近，東、北防波堤均為永久性海堤，設計使用年限為50 a，結構安全等級為二級，其中東防波堤潛堤段全長1 500 m，北防波堤潛堤段全長2 350 m。堤身結構為復合布+編織布大型充填袋裝砂棱體；內(nèi)外坡均為1∶1.75；護面結構厚度1.1 m（堤頭段1.6 m），為規(guī)格300~500 kg拋石墊層+6 t扭王字塊人工護面塊體；反濾結構為600 g/m2復合土工布+厚度0.7 m規(guī)格10~40 kg的拋石墊層；護底結構為砂肋軟體排+厚度1.0 m規(guī)格60~100 k g的拋石；地基鋪設砂被墊層，打設塑料排水板，間距1.1 m（局部1.0 m），底標高-16 m。

2.2 監(jiān)測數(shù)據(jù)

為了充分利用現(xiàn)有監(jiān)測數(shù)據(jù)，預測防波堤施工期間沉降量，實時掌握防波堤堤身沉降情況，以動態(tài)指導和控制施工，施工期間進行了堤身沉降、深層土體水平位移和孔隙水壓力觀測。將堤身高度、孔隙水壓力、深層水平位移作為卷積神經(jīng)網(wǎng)絡的輸入層參數(shù)，將拋石防波堤沉降量作為卷積神經(jīng)網(wǎng)絡的輸出層參數(shù)。

對各樣本中的堤身高度、孔隙水壓力、深層水平位移指標參數(shù)進行歸一化處理。

式中：xij——第i個參數(shù)的第j個參數(shù)；

xmax——參數(shù)的最大值；

xmin——參數(shù)的最小值。

卷積神經(jīng)網(wǎng)絡的學習樣本及參數(shù)歸一化結果見表1。

表1 學習樣本和歸一化樣本

2.3 卷積神經(jīng)網(wǎng)絡（CNN）預測結果

將1～13組樣本作為學習樣本，基于式（1）～（8）進行訓練學習，求解平方誤差CT并進行優(yōu)化權重和偏置，使CT最小，最終得到最小平方誤差CT=0.002，將最優(yōu)過濾器、權重和偏置代入到模型中，作為訓練好的卷積神經(jīng)網(wǎng)絡。

將14～17組樣本作為檢驗樣本，代入已經(jīng)訓練好的卷積神經(jīng)網(wǎng)絡進行檢驗，輸出的沉降量結果分別為362、368、374、928 mm，與原始數(shù)據(jù)進行比較，發(fā)現(xiàn)與實際結果基本一致，最大誤差為1.3%，說明本文建立的卷積神經(jīng)網(wǎng)絡方法滿足要求。堤施工期間的沉降量，預測模型根據(jù)輸入?yún)?shù)實測數(shù)據(jù)能動態(tài)指導和控制施工進度?！酢?/p>

3 結論

1）卷積神經(jīng)網(wǎng)絡具有降采樣的特點，預測精度較高。本文將卷積神經(jīng)網(wǎng)絡應用在拋石防波堤施工沉降預測中，在防坡堤施工沉降預測中具有較高的可靠性。

2）卷積神經(jīng)網(wǎng)絡模型選擇拋石防波堤堤身高度、孔隙水壓力和深層水平位移3個輸入?yún)?shù)來估算防波