蔡丹丹 高 瑋 王 森 楊鵬宇 葛雙雙 馬鵬飛

(1.宿遷市高速鐵路建設(shè)發(fā)展有限公司, 江蘇 宿遷 223800;2.河海大學(xué) 土木與交通學(xué)院, 南京 210098;3.中交隧橋(南京)技術(shù)有限公司, 南京 211800;4.中交基礎(chǔ)設(shè)施養(yǎng)護(hù)集團(tuán)有限公司 隧道養(yǎng)護(hù)技術(shù)研發(fā)中心, 南京 211800)

我國綜合管廊等大型地下結(jié)構(gòu)建設(shè)起步晚,其設(shè)計、施工和運(yùn)營期管理還不完善,特別是其運(yùn)營期安全性能的評價問題亟待解決.我國東部軟土區(qū)域分布很廣,由于軟土變形量大,擾動后的長期狀態(tài)難以預(yù)測,這對埋設(shè)其中的管廊結(jié)構(gòu)運(yùn)營維護(hù)帶來較大困難.目前學(xué)者們在軟基地下管廊結(jié)構(gòu)施工、運(yùn)營病害治理研究等關(guān)鍵技術(shù)上已經(jīng)有了一些研究.黃劍等[1]針對我國華東地區(qū)典型深厚軟土地基中的綜合管廊結(jié)構(gòu)在運(yùn)營狀態(tài)下的長期沉降變形進(jìn)行了長達(dá)2年的現(xiàn)場監(jiān)測研究;張超等[2]采用FLAC3D 數(shù)值方法對珠海橫琴區(qū)軟土地下綜合管廊工程的復(fù)合地基處理方案進(jìn)行了研究;劉志軍等[3]結(jié)合廣州某軟土地下管廊結(jié)構(gòu)工程,對基坑支護(hù)設(shè)計方案及其對施工的影響進(jìn)行了分析;譚博等[4]針對福建平譚某綜合管廊試驗(yàn)段軟土地基的處理方案進(jìn)行了現(xiàn)場質(zhì)量檢測研究;劉鋼波等[5]結(jié)合浙江溫州某綜合管廊工程,對深厚軟基地區(qū)綜合管廊地基處理技術(shù)進(jìn)行了分析;王發(fā)玲等[6]采用midas GTS有限元軟件,建立滲流-應(yīng)力耦合數(shù)值模型,對軟基綜合管廊的差異沉降進(jìn)行了研究;阮丹等[7]基于數(shù)值模型,對綜合管廊軟土地基采用CFG 樁處治后的沉降特性進(jìn)行了分析;陳宗燕[8]采用FLAC3D 軟件對不同施工階段軟基管廊路基的沉降特性進(jìn)行了研究;楊友彬等[9]采用數(shù)值仿真方法針對軟土地區(qū)既有地鐵隧道對地下管廊結(jié)構(gòu)施工的影響進(jìn)行了分析;劉偉華等[10]采用FLAC3D 分析了河網(wǎng)區(qū)軟基綜合管廊結(jié)構(gòu)在運(yùn)營載荷等作用下關(guān)鍵部位應(yīng)力的變化情況;程澤海等[11]采用ABAQUS數(shù)值方法對交通荷載作用下管廊結(jié)構(gòu)的力學(xué)性狀進(jìn)行了分析;黃運(yùn)峰[12]通過MIDAS-GTS軟件對車輛荷載作用下綜合管廊的變形沉降進(jìn)行了分析;李磊等[13]利用數(shù)值軟件與理論方法對車輛載荷作用下綜合管廊結(jié)構(gòu)與土體的相互作用進(jìn)行了研究;白旭峰等[14]采用ANSYS 軟件建立管廊土體相互作用模型,分析了車輛荷載作用下軟基綜合管廊結(jié)構(gòu)的受力變形特征;段旭等[15]采用室內(nèi)物理模型試驗(yàn)對車輛荷載作用下綜合管廊結(jié)構(gòu)的動力響應(yīng)進(jìn)行了研究.

從以上研究可以發(fā)現(xiàn),目前針對軟基地下管廊結(jié)構(gòu)的研究主要限于結(jié)構(gòu)的施工變形預(yù)測和控制方面.此外,對車輛等外載荷下結(jié)構(gòu)的受力及變形等已有了一些數(shù)值及室內(nèi)實(shí)驗(yàn)研究.近年來,隨著人工智能技術(shù)的發(fā)展,深度學(xué)習(xí)方法已被應(yīng)用于管廊工程中[16-18],但目前的研究僅限于工程監(jiān)測圖像的處理分析.因此,目前的研究尚缺乏運(yùn)營期長期擾動作用對管廊結(jié)構(gòu)安全性能預(yù)測評估的相關(guān)研究,尤其是基于深度學(xué)習(xí)模型的相關(guān)應(yīng)用研究.

綜合管廊作為一種具有特殊城市功能的地下結(jié)構(gòu),具有其自身的功能性結(jié)構(gòu)要求,同時也具有隱蔽性、復(fù)雜性等特點(diǎn),我國沿海發(fā)達(dá)地區(qū)地下水位較高的河網(wǎng)軟基也給綜合管廊的全壽命安全管控提出了更高要求.因此,首先針對管廊結(jié)構(gòu)安全預(yù)測問題,考慮現(xiàn)場監(jiān)測大數(shù)據(jù),采用深度學(xué)習(xí)網(wǎng)絡(luò)——深度置信網(wǎng)絡(luò)(deep b elief networks,DBN)進(jìn)行研究,并為了解決其復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)選擇等難題,利用全局優(yōu)化算法——鯨 魚 算 法(whale optimization algorithm,WOA)對其進(jìn)行優(yōu)化設(shè)計,建立一種集成深度學(xué)習(xí)模型——WOA-DBN.其次,對依托軟基綜合管廊工程運(yùn)營期的結(jié)構(gòu)安全狀態(tài)進(jìn)行現(xiàn)場實(shí)測研究,分析影響運(yùn)營期管廊結(jié)構(gòu)安全性能的主要因素,建立進(jìn)行結(jié)構(gòu)性能預(yù)測的大數(shù)據(jù)集.最后,基于現(xiàn)場監(jiān)測信息組成的大數(shù)據(jù)集,采用WOA-DBN 建立運(yùn)營期地下管廊結(jié)構(gòu)擾動響應(yīng)預(yù)測模型,為解決軟基綜合管廊結(jié)構(gòu)運(yùn)營期安全預(yù)測及控制提供指導(dǎo).

1 深度學(xué)習(xí)模型的建立

1.1 深度置信網(wǎng)絡(luò)

DBN 由多個受限玻爾茲曼機(jī)(restricted boltzmann machine,RBM)堆疊而成,憑借其強(qiáng)大的數(shù)據(jù)特征提取能力而成為深度學(xué)習(xí)領(lǐng)域最常用的算法之一,被廣泛用于圖像識別和數(shù)據(jù)挖掘等領(lǐng)域[19-20].與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)相比,DBN 將訓(xùn)練得到的權(quán)值用于其他相同結(jié)構(gòu)網(wǎng)絡(luò)的參數(shù)初始值,因此,避免了初始化參數(shù)陷入局部最優(yōu)和訓(xùn)練時間過長的缺點(diǎn),且由于其復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu),使其可以處理大數(shù)據(jù)問題.目前,DBN 已在巖土工程的大數(shù)據(jù)處理問題中證明了其良好的性能[21],因此,本文采用DBN 模型進(jìn)行軟基綜合管廊運(yùn)營期安全預(yù)測研究.

DBN 模型基本結(jié)構(gòu)如圖1 所示.可見,DBN 由許多個RBM 基本單元一層一層嵌套組成[22].第一層的神經(jīng)元是第一個RBM 的可見層,用于接收原始數(shù)據(jù).第二層的神經(jīng)元是第一個RBM 的隱含層,也作為第二個RBM 的可見層,依此類推,向上一層一層嵌套,最終形成包含多個隱含層的DBN 模型.

圖1 DBN 網(wǎng)絡(luò)結(jié)構(gòu)

作為深度學(xué)習(xí)網(wǎng)絡(luò),DBN 模型的訓(xùn)練不同于傳統(tǒng)神經(jīng)網(wǎng)絡(luò),其訓(xùn)練比較復(fù)雜,一般包括無監(jiān)督和有監(jiān)督兩部分,其流程如圖2所示.

圖2 DBN 網(wǎng)絡(luò)的訓(xùn)練流程

由圖2可見,DBN 網(wǎng)絡(luò)的訓(xùn)練可以分為前向預(yù)訓(xùn)練和反向微調(diào)兩個階段.它們的具體實(shí)現(xiàn)如下:

1)前向預(yù)訓(xùn)練階段:在該階段網(wǎng)絡(luò)進(jìn)行無監(jiān)督學(xué)習(xí),因此,輸入的數(shù)據(jù)不帶有標(biāo)簽,采用逐層貪婪算法,即利用原始輸入的數(shù)據(jù)訓(xùn)練第一個RBM,得到相應(yīng)的模型參數(shù),然后保持該RBM 的模型參數(shù)不變,將其輸出的神經(jīng)元狀態(tài)向量輸入到第二個RBM 中,以此類推.逐層貪婪算法將含有很多隱含層的DBN模型簡化成多個RBM 的訓(xùn)練,簡化了計算過程,提高了模型訓(xùn)練速度.該階段的數(shù)據(jù)不帶有標(biāo)簽,從而,也提升了模型的數(shù)據(jù)挖掘能力.

2)反向微調(diào)階段:在該階段網(wǎng)絡(luò)進(jìn)行有監(jiān)督學(xué)習(xí),因此,其中數(shù)據(jù)都帶有標(biāo)簽.將原始數(shù)據(jù)輸入到模型中,模型會輸出預(yù)測數(shù)據(jù),計算原始數(shù)據(jù)和預(yù)測數(shù)據(jù)的誤差大小,將所得誤差自上而下進(jìn)行反向傳播,不斷改變連接權(quán)值和偏置,使誤差最小化.

1.2 鯨魚算法

WOA 是根據(jù)鯨魚圍捕獵物的行為而提出的算法[23].鯨魚圍捕獵物的過程采用螺旋氣泡網(wǎng)來捕食,以期達(dá)到最佳效果,因此,鯨群具有極高的群體智慧.在鯨魚優(yōu)化算法中,每只鯨魚的位置代表一個解.在鯨魚群捕獵過程中,鯨魚有兩種行為,一種是收縮圈運(yùn)動模式,所有的鯨魚都向著其他鯨魚前進(jìn);另一種是螺旋氣泡狩獵模式,鯨魚環(huán)形游動噴出氣泡來驅(qū)趕獵物.在每一次游動中,鯨魚們會隨機(jī)選擇這兩種行為來進(jìn)行捕獵.在鯨魚進(jìn)行包圍獵物的行為中,鯨魚將會隨機(jī)選擇是向著最優(yōu)位置的鯨魚游去還是隨機(jī)選擇一只鯨魚作為自己的目標(biāo),并向其靠近.因此,鯨魚的行為模式包括收縮圈運(yùn)動、螺旋氣泡狩獵和探索獵物3個模式,其位置更新公式如式(1):

鯨魚根據(jù)以上3種模式不斷調(diào)整自己的位置,直到達(dá)到最佳位置.

1.3 深度學(xué)習(xí)模型

DBN 網(wǎng)絡(luò)由多層RBM 組成,其結(jié)構(gòu)非常復(fù)雜,因此,實(shí)際應(yīng)用中有很多結(jié)構(gòu)超參數(shù)需要人為確定,這些參數(shù)一般采用人工試算法確定.但試算法確定DBN 參數(shù)時,主要存在以下3個問題[24]:①需要搜索的參數(shù)太多,試算法實(shí)施非常困難;②搜索范圍小,所得結(jié)果只是小范圍的最優(yōu)值,而不是網(wǎng)絡(luò)的真正最優(yōu)參數(shù);③試算法的實(shí)施缺乏科學(xué)理論依據(jù).因此,為了解決人工搜索DBN 網(wǎng)絡(luò)超參數(shù)的缺點(diǎn),采用優(yōu)化算法進(jìn)行參數(shù)選優(yōu)是一條可行之路.而作為一種新型全局優(yōu)化算法,WOA 可以用于模型超參數(shù)的優(yōu)選研究,且其效果良好[25].因此,這里采用鯨魚算法——WOA 實(shí)現(xiàn)DBN 網(wǎng)絡(luò)超參數(shù)的自適應(yīng)選擇,對原有DBN 模型參數(shù)進(jìn)行優(yōu)化,從而,建立新的深度學(xué)習(xí)網(wǎng)絡(luò)模型——WOA-DBN 模型.

WOA-DBN 模型建立的過程如圖3 所示,其具體實(shí)施步驟如下:

圖3 WOA-DBN 模型建立流程

1)輸入待優(yōu)化的DBN 網(wǎng)絡(luò)超參數(shù),本文采用4層隱含層的網(wǎng)絡(luò)結(jié)構(gòu),由于輸入層和輸出層根據(jù)求解問題確定,需要優(yōu)選的參數(shù)主要包括:第1、2、3、4隱含層節(jié)點(diǎn)數(shù)分別為n1、n2、n3、n4,學(xué)習(xí)率η、預(yù)訓(xùn)練迭代次數(shù)t1、優(yōu)化訓(xùn)練迭代次數(shù)t2.

2)隨機(jī)初始化鯨魚種群,并根據(jù)前人的研究經(jīng)驗(yàn)及試算給定最大迭代次數(shù)Tmax,鯨魚種群數(shù)N,螺旋線形狀常數(shù)b.

3)計算當(dāng)前鯨魚種群中個體的適應(yīng)度,即為優(yōu)化參數(shù)的最終問題目標(biāo),并將適應(yīng)度最大的個體所在的位置作為目標(biāo)位置.

4)按照鯨魚算法內(nèi)部公式,即公式(1),更新鯨魚個體的位置.

5)判斷當(dāng)前迭代次數(shù)是否大于最大迭代次數(shù),不滿足則返回步驟(3),反之進(jìn)行下一步(6).

6)將適應(yīng)度最大的鯨魚個體輸出,該鯨魚的位置就是優(yōu)化后的DBN 網(wǎng)絡(luò)超參數(shù).把這些網(wǎng)絡(luò)超參數(shù)代入DBN 模型,則可得到待解問題的最佳DBN 網(wǎng)絡(luò)模型.

2 軟基管廊工程及其現(xiàn)場實(shí)測

2.1 工程基本情況

江蘇省宿遷市高鐵商務(wù)區(qū)綜合管廊結(jié)構(gòu)設(shè)計范圍為廣州路(發(fā)展大道-民便路)道路紅線寬度為40 m,單艙管廊長1 851 m;富康大道(廣州路-上海路)道路紅線寬度為35 m,單艙管廊長560 m.單艙管廊滿足電力、通信、給水管線入廊需求,廣州路單艙管廊沿道路中分帶下敷設(shè),富康大道單艙綜合管廊沿道路側(cè)分帶下敷設(shè),工程詳細(xì)布置如圖4所示.廣州路與富康大道的單艙管廊主線凈斷面均為3.0 m×3.5 m,管廊結(jié)構(gòu)布置如圖5所示.

圖5 管廊布置橫斷面圖(單位:cm)

工程所處場地屬于徐淮黃泛沖積平原地貌區(qū),廢古黃河道地貌單元,場地地勢平坦.場地工程地質(zhì)橫斷面如圖6所示.由圖6可見,管廊工程所處土層主要包括下層軟土及上部填土,其中下層軟土主要包括淤泥質(zhì)粉質(zhì)黏土及粉質(zhì)黏土.因此,該管廊工程屬于典型的軟基工程.

圖6 工程地質(zhì)橫斷面圖

2.2 現(xiàn)場實(shí)測

由于此管廊工程屬于典型的軟基工程,其在載荷作用下會發(fā)生較大的變形,對工程安全造成較大影響.而工程所在地位于多條交通線路附近,會受到來往車輛荷載的反復(fù)影響.為了在工程現(xiàn)場測試運(yùn)營期地下綜合管廊結(jié)構(gòu)的擾動響應(yīng),在結(jié)構(gòu)的底板中部、側(cè)墻中部、頂板中部依次埋設(shè)鋼筋應(yīng)力計與混凝土應(yīng)變計,并在管廊側(cè)墻不同深度處的土體中埋設(shè)接觸壓力監(jiān)測傳感器.用于工程測試的傳感器埋設(shè)位置如圖7所示.

圖7 測試傳感器位置示意圖(單位:mm)

現(xiàn)場測量采集儀為宸途CT5808W 動靜態(tài)信號測試分析系統(tǒng),該系統(tǒng)可調(diào)節(jié)的采集最大頻率為50 Hz,能夠捕捉傳感器在短暫時間內(nèi)的力學(xué)性能變化.

為了進(jìn)行現(xiàn)場實(shí)測,模擬正常雙向交通及單向交通狀態(tài)下車輛載荷的情況,在自東向西第二車道及對側(cè)車道開展車重分別為8.3、9及11 t的原位車輛荷載施加測試試驗(yàn).現(xiàn)場測試結(jié)果表明,埋設(shè)于結(jié)構(gòu)頂板的傳感器對運(yùn)營期間的車輛荷載微擾動反映明顯.因此,本文主要采用這些位置的測試結(jié)果進(jìn)行研究.

現(xiàn)場測試得到的部分典型結(jié)果如圖8所示.

圖8 典型現(xiàn)場測試結(jié)果

根據(jù)工程實(shí)際情況、現(xiàn)場調(diào)研及實(shí)際測試數(shù)據(jù)的綜合分析,可以發(fā)現(xiàn),車輛行駛速度、車載作用大小、車輛輪載中心與結(jié)構(gòu)頂板跨中的橫向距離、車載分布對稱與否和運(yùn)營時間是影響管廊結(jié)構(gòu)響應(yīng)的主要載荷擾動因素,而此管廊結(jié)構(gòu)的擾動響應(yīng)主要表現(xiàn)為結(jié)構(gòu)頂板沉降和跨中水平應(yīng)力.其中,結(jié)構(gòu)頂板沉降根據(jù)頂板相應(yīng)部位測試得到的混凝土應(yīng)變結(jié)果計算,而跨中水平應(yīng)力根據(jù)頂板結(jié)構(gòu)跨中相應(yīng)位置的鋼筋應(yīng)力測試結(jié)果換算得到.因此,本文為了預(yù)測管廊結(jié)構(gòu)的安全性,選取4個車輛運(yùn)行載荷參數(shù)和1個運(yùn)營時間參數(shù)作為影響因素,即預(yù)測模型的輸入變量;以結(jié)構(gòu)頂部豎向位移和跨中水平應(yīng)力值作為結(jié)構(gòu)的響應(yīng)因素,即預(yù)測模型的輸出變量,以此建立預(yù)測模型.根據(jù)預(yù)測模型輸入及輸出變量的要求,對現(xiàn)場測試數(shù)據(jù)進(jìn)行整理建立訓(xùn)練模型需要的數(shù)據(jù)集.由于現(xiàn)場測試數(shù)據(jù)集的數(shù)量龐大,為了說明測試數(shù)據(jù)集的形式,這里僅給出部分?jǐn)?shù)據(jù),見表1.

表1 部分測試數(shù)據(jù)集

表1中,第3列中的1代表載荷對稱,2代表載荷不對稱.每一行的數(shù)據(jù)都代表在前5個因素的擾動作用下,結(jié)構(gòu)關(guān)鍵部位的2個基本響應(yīng).而每一行的數(shù)據(jù)為一個訓(xùn)練模型的數(shù)據(jù)樣本,由多組數(shù)據(jù)樣本組成訓(xùn)練模型的數(shù)據(jù)集.

3 基于WOA-DBN的管廊結(jié)構(gòu)響應(yīng)預(yù)測

3.1 WOA-DBN 模型計算過程

基于WOA-DBN 的結(jié)構(gòu)豎向變形和跨中水平應(yīng)力響應(yīng)預(yù)測流程如圖9所示.

圖9 基于WOA-DBN 的管廊結(jié)構(gòu)響應(yīng)預(yù)測流程圖

由圖9可知,管廊結(jié)構(gòu)響應(yīng)預(yù)測的具體計算過程如下:

1)通過現(xiàn)場測試數(shù)據(jù)建立運(yùn)營期管廊結(jié)構(gòu)安全預(yù)測模型的數(shù)據(jù)集,也就是管廊結(jié)構(gòu)運(yùn)營期安全響應(yīng)的測試數(shù)據(jù)集(包括結(jié)構(gòu)的變形指標(biāo)數(shù)據(jù)和結(jié)構(gòu)的應(yīng)力指標(biāo)數(shù)據(jù)),本文采用現(xiàn)場模擬運(yùn)營期一年的測試數(shù)據(jù)集.

2)對結(jié)構(gòu)安全測試的現(xiàn)場數(shù)據(jù)集進(jìn)行預(yù)處理,去除一些重復(fù)的數(shù)據(jù)及明顯異常的數(shù)據(jù),并將數(shù)據(jù)集中所有的零值改為一個很小的數(shù)值(大于0),預(yù)處理后共得到15 376組有效數(shù)據(jù).

3)考慮數(shù)據(jù)總量,對建模數(shù)據(jù)集進(jìn)行劃分,以約80%組數(shù)據(jù)作為模型訓(xùn)練集,其數(shù)量為12 110組,其余數(shù)據(jù)作為模型測試集(共3 266組).

4)通過鯨魚算法優(yōu)化DBN 網(wǎng)絡(luò)超參數(shù),根據(jù)優(yōu)化結(jié)果建立DBN 預(yù)測模型.采用訓(xùn)練集數(shù)據(jù)訓(xùn)練確定模型內(nèi)部參數(shù),得到基于WOA-DBN 的結(jié)構(gòu)頂板豎向位移和頂板跨中位置水平應(yīng)力的預(yù)測模型.

5)將模型測試集中的載荷及運(yùn)營時間數(shù)據(jù)代入得到的WOA-DBN 模型中,則可以得到相應(yīng)的結(jié)構(gòu)響應(yīng)——豎向位移和跨中水平應(yīng)力的預(yù)測結(jié)果.

3.2 預(yù)測模型評價指標(biāo)

本文采用平方根均方誤差(ERMSE)、平均絕對誤差(EMAE)及相關(guān)系數(shù)(R)來衡量模型的預(yù)測精度.計算公式如式(2)～(4):

式中:y'i是第i個輸入數(shù)據(jù)對應(yīng)的模型預(yù)測值;y'是模型預(yù)測值的平均值;y i是第i個輸入數(shù)據(jù)對應(yīng)的實(shí)測值是實(shí)測值的平均值;N是預(yù)測樣本個數(shù).

3.3 模型預(yù)測結(jié)果分析

采用訓(xùn)練集進(jìn)行計算可以得到優(yōu)化后的WOADBN 模型,計算得到的DBN 網(wǎng)絡(luò)模型超參數(shù)最優(yōu)值見表2.

表2 WOA-DBN 模型參數(shù)

基于優(yōu)化得到的DBN 模型對測試集數(shù)據(jù)進(jìn)行預(yù)測計算,得到的結(jié)構(gòu)響應(yīng)預(yù)測結(jié)果如圖10 所示.其中,為了比較,圖中也給出了實(shí)際現(xiàn)場測試結(jié)果.

圖10 基于WOA-DBN及DBN模型的管廊結(jié)構(gòu)響應(yīng)預(yù)測結(jié)果

由圖10可知,基于WOA-DBN 模型的管廊結(jié)構(gòu)響應(yīng)預(yù)測值與實(shí)測結(jié)果整體吻合較好.另外,根據(jù)預(yù)測值和實(shí)測值結(jié)果,根據(jù)公式(2)～(4)計算預(yù)測模型的評價指標(biāo)ERMSE、EMAE及R.計算結(jié)果見表3.

表3 WOA-DBN 預(yù)測模型的評價指標(biāo)

由表3可見,結(jié)構(gòu)頂部沉降的ERMSE及EMAE值均不大,而R為0.974 2,接近1,說明預(yù)測效果良好.而結(jié)構(gòu)跨中水平應(yīng)力的ERMSE及EMAE值較大,分析原因可以發(fā)現(xiàn),ERMSE及EMAE的計算結(jié)果與數(shù)據(jù)量級有關(guān),而跨中水平應(yīng)力數(shù)據(jù)的量級遠(yuǎn)大于結(jié)構(gòu)頂部沉降,因此,二者的計算結(jié)果差異較大.但R不依賴于數(shù)據(jù)量級,因此,其結(jié)果相對有效.實(shí)際上,對于結(jié)構(gòu)跨中水平應(yīng)力,其計算得到的R為0.6825,接近于0.7,說明其模型預(yù)測效果也較好.很明顯,結(jié)構(gòu)頂部沉降的預(yù)測效果好于結(jié)構(gòu)跨中水平應(yīng)力,說明得到的WOA-DBN 預(yù)測模型對結(jié)構(gòu)變形響應(yīng)的預(yù)測效果更好.其原因?yàn)?管廊結(jié)構(gòu)對運(yùn)營載荷等擾動產(chǎn)生的位移響應(yīng)比應(yīng)力響應(yīng)更加明顯,表現(xiàn)為圖10(a)的結(jié)果比圖10(b)的變化更加明顯.

為了說明WOA 優(yōu)化DBN 模型超參數(shù)方法的優(yōu)越性和可靠性,下面采用傳統(tǒng)方法確定DBN 模型超參數(shù),并同樣進(jìn)行結(jié)構(gòu)響應(yīng)的預(yù)測研究.傳統(tǒng)DBN 模型研究中,通常采用試驗(yàn)試錯法確定模型超參數(shù).其具體方法為:首先,根據(jù)經(jīng)驗(yàn)確定模型超參數(shù)的可能范圍;然后,通過試驗(yàn)設(shè)計等方法確定幾組超參數(shù)組合,采用這些超參數(shù)組合進(jìn)行預(yù)測計算;最后,比較不同超參數(shù)組合下模型的預(yù)測誤差,即比較模型評價指標(biāo),選擇預(yù)測誤差最小的參數(shù)組合作為預(yù)測模型的最終超參數(shù)取值.通過試驗(yàn)試錯法確定的DBN 模型超參數(shù)匯總見表4.

表4 DBN 模型參數(shù)

采用表4確定的超參數(shù)建立DBN 模型對管廊結(jié)構(gòu)響應(yīng)進(jìn)行預(yù)測,為了方便比較,其結(jié)果也繪制于圖10.另外,為了進(jìn)行模型比較,計算傳統(tǒng)DBN 模型的評價指標(biāo),其值匯總見表5.

表5 傳統(tǒng)DBN 模型的評價指標(biāo)

從圖10可見,WOA-DBN 模型的預(yù)測結(jié)果更加接近實(shí)際監(jiān)測值,預(yù)測效果比傳統(tǒng)DBN 模型有顯著提高.而從表4和5可以發(fā)現(xiàn),WOA-DBN 模型的預(yù)測誤差也明顯優(yōu)于傳統(tǒng)DBN 模型,因此,采用WOA優(yōu)化DBN 模型超參數(shù)可以顯著提高模型預(yù)測效果.

另外,需要說明的是,圖10為了更清晰地反映模型預(yù)測結(jié)果和實(shí)際結(jié)果間的誤差情況,把不同樣本對應(yīng)的結(jié)構(gòu)頂板跨中變形及結(jié)構(gòu)頂板跨中水平應(yīng)力散點(diǎn)人為連接形成了變化曲線,因此,圖中的變化曲線沒有實(shí)際意義.

可見,考慮運(yùn)營車輛荷載等影響因素對地下管廊結(jié)構(gòu)的擾動作用而建立的WOA-DBN 模型的預(yù)測效果較好,此研究可為基于大數(shù)據(jù)智能算法的運(yùn)營期地下管廊結(jié)構(gòu)安全響應(yīng)動態(tài)預(yù)測提供一種有效的途徑.

4 結(jié) 論

本文針對軟基地下綜合管廊結(jié)構(gòu)運(yùn)營期擾動下的響應(yīng)安全問題,首先,采用鯨魚算法和深度置信網(wǎng)絡(luò)建立了一個集成深度學(xué)習(xí)模型;然后,進(jìn)行了典型工程——江蘇省宿遷市某地下管廊結(jié)構(gòu)工程的現(xiàn)場實(shí)測研究;最后,基于其實(shí)測得到的結(jié)構(gòu)響應(yīng)數(shù)據(jù)集,采用建立的深度學(xué)習(xí)模型來預(yù)測地下管廊結(jié)構(gòu)的變形和應(yīng)力響應(yīng),進(jìn)而評估管廊結(jié)構(gòu)的動態(tài)安全性.研究所得主要結(jié)論有:

1)運(yùn)營期軟基地下綜合管廊結(jié)構(gòu)在載荷及時間等外部擾動因素的影響下產(chǎn)生的安全性能響應(yīng)主要包括變形及其內(nèi)部應(yīng)力兩部分,其中結(jié)構(gòu)頂部位移及其跨中應(yīng)力是主要的結(jié)構(gòu)安全響應(yīng).

2)深度置信網(wǎng)絡(luò)由于其獨(dú)特的結(jié)構(gòu)及計算特點(diǎn),可以對現(xiàn)場測試大數(shù)據(jù)進(jìn)行良好的預(yù)測.但其復(fù)雜的結(jié)構(gòu)及計算超參數(shù)較多,且采用傳統(tǒng)方法不易確定.而本文基于性能良好的優(yōu)化方法——鯨魚算法可以對其進(jìn)行自適應(yīng)選擇,實(shí)踐證明其效果良好.

3)基于提出的WOA-DBN 預(yù)測模型可以對運(yùn)營期管廊結(jié)構(gòu)的動態(tài)安全狀態(tài)進(jìn)行良好的預(yù)測,實(shí)際預(yù)測結(jié)構(gòu)頂板沉降量平均絕對誤差為0.160 4,頂板跨中水平應(yīng)力平均絕對誤差為12.372 6,二者均不大,可以滿足工程實(shí)際需要.

盡管本文提出的集成深度學(xué)習(xí)模型可以進(jìn)行運(yùn)營期地下管廊結(jié)構(gòu)的安全性預(yù)測,但作為初步研究,模型建立采用的數(shù)據(jù)量并不很大,而且考慮的結(jié)構(gòu)擾動因素也不是很全面,因此,基于實(shí)測擾動大數(shù)據(jù),考慮更多載荷因素的運(yùn)營期地下管廊結(jié)構(gòu)安全性預(yù)測研究將是我們下一步的工作.