摘要：為研究基坑變形智能監(jiān)測及預(yù)測模型融合技術(shù)，文章基于實際工程，在現(xiàn)場試驗中采用自動化監(jiān)測專用設(shè)備，實現(xiàn)了深層水平位移自動化監(jiān)測，并采用兩種機器學(xué)習(xí)算法KNN和RBF對監(jiān)測數(shù)據(jù)進行預(yù)測分析。結(jié)果表明：自動化監(jiān)測設(shè)備可以很好地完成深層水平位移監(jiān)測，極大提高了基坑監(jiān)測的效率，保證了基坑施工的安全；KNN對基坑監(jiān)測數(shù)據(jù)的預(yù)測比RBF更加準(zhǔn)確，后續(xù)可將KNN算法程序?qū)氲阶詣踊O(jiān)測程序中，實現(xiàn)水平位移的提前預(yù)測與不斷校準(zhǔn)完善。

關(guān)鍵詞：基坑；變形；自動化監(jiān)測；預(yù)測模型；融合技術(shù)

中圖分類號：U412.6

0 引言

近年來，城市建筑的擴張導(dǎo)致工程項目多樣化，不再局限于地面。因此，城市地下空間的利用大幅增加，大量基坑工程應(yīng)運而生［1-5］。同時，基坑工程領(lǐng)域日益復(fù)雜，基坑監(jiān)測的重要性日益凸顯［6-10］，基坑監(jiān)測技術(shù)也逐漸從人工監(jiān)測向自動化監(jiān)測轉(zhuǎn)變［11-13］。

與人工監(jiān)測相比，自動化監(jiān)測采用多個傳感器與監(jiān)測設(shè)備建立連接，能夠從每個監(jiān)測儀器獲取實時數(shù)據(jù)。這有利于在全天候條件下對基坑進行連續(xù)、全面的監(jiān)測。這種方法不僅可以節(jié)省人員費用，還可以提高各個監(jiān)測點實時監(jiān)測的有效性和精度。此外，由于計算機技術(shù)的廣泛應(yīng)用，巖土工程領(lǐng)域也逐步采用了機器學(xué)習(xí)技術(shù)［14-18］。

然而，鮮有將兩種技術(shù)融合起來進行應(yīng)用的案例。為此，本文基于現(xiàn)場自動化監(jiān)測實測數(shù)據(jù)，結(jié)合兩種機器學(xué)習(xí)算法，初步探索一種基坑變形自動化監(jiān)測及預(yù)測模型融合技術(shù)，以期將此技術(shù)應(yīng)用到基坑自動化監(jiān)測領(lǐng)域中，實現(xiàn)基坑自動化監(jiān)測及預(yù)測。

1 基坑變形智能監(jiān)測及預(yù)測模型的建立

1.1 基坑變形自動化監(jiān)測

基坑監(jiān)測中采用的自動監(jiān)測技術(shù)依賴于大數(shù)據(jù)和物聯(lián)網(wǎng)技術(shù)的融合。這種集成涉及各種傳感器的利用，其中中央監(jiān)控設(shè)備是核心組件。然后將收集到的數(shù)據(jù)傳輸?shù)奖O(jiān)控云平臺，進行實時分析。通過將指定的控制值納入分析，監(jiān)控云平臺能夠產(chǎn)生實時預(yù)警。這種自動化方法有效地解決了通常難以通過手動方式克服的眾多挑戰(zhàn)。

本項目深層水平位移采用固定式測斜儀、全自動測斜機器人進行自動化監(jiān)測，最后集成于自動化監(jiān)測專用設(shè)備上。

1.2 預(yù)測模型的建立

本文將采用KNN和RBF兩種機器學(xué)習(xí)算法。

KNN算法常采用歐式距離對樣本點與新樣本點之間的距離進行度量：

2 工程應(yīng)用

2.1 工程概況

本文依托工程基坑位于白沙洲大道與南湖路交叉口西北角，周邊環(huán)境復(fù)雜，基坑北側(cè)距現(xiàn)狀白沙洲大道為11.6～20.9 m；西側(cè)距巡司河岸13.3 m，距巡司河管理用房5.1 m；南側(cè)距離現(xiàn)狀京廣鐵路走廊凈距29.3 m；基坑?xùn)|側(cè)距現(xiàn)狀南湖路約14.3～19.9 m，東側(cè)民房及商鋪與基坑最小凈距約15 m。

試驗場地土的物理力學(xué)指標(biāo)見表1。

2.2 測點布置

在工程中，為了解基坑開挖過程中圍護結(jié)構(gòu)側(cè)向變形，通常以圍護結(jié)構(gòu)附近測斜點土體深層水平位移來間接反映圍護結(jié)構(gòu)的側(cè)向變形。雖然在數(shù)值上可能與實際圍護結(jié)構(gòu)的變形略有不同，但整體規(guī)律較為吻合，也有利于測點的保護和數(shù)據(jù)的量測。為分析基坑變形規(guī)律，本文選取了1個測斜點ZQT11。

2.3 結(jié)果分析

圖1為測點的水平位移圖，按照時間順序選取了開挖過程中的12個時間步。

從圖1可以看出，測點的水平位移隨著開挖的進行總體呈現(xiàn)增大的趨勢，且水平位移總體較小，基坑未發(fā)現(xiàn)明顯變形。

本次測斜數(shù)據(jù)總量為300，將其中80%作為訓(xùn)練數(shù)據(jù)，20%作為預(yù)測數(shù)據(jù)。數(shù)據(jù)的輸入?yún)?shù)依次為測點深度、時間步、重度、壓縮模量、粘聚力、內(nèi)摩擦角。數(shù)據(jù)的輸出參數(shù)為測點水平位移。訓(xùn)練集和測試集數(shù)據(jù)結(jié)果比較如圖2～4所示，指標(biāo)評價結(jié)果見表2。

由圖2可以看出，KNN的訓(xùn)練集數(shù)據(jù)和RBF的訓(xùn)練集數(shù)據(jù)都很接近1∶1線，說明數(shù)據(jù)的訓(xùn)練效果很好。從表2也可以反映出這個現(xiàn)象，KNN的均方根誤差（RMSE）和平均絕對誤差（MAE）分別為0.116 8和0.078 8，相關(guān)系數(shù)（R）為0.993 9；RBF的均方根誤差（RMSE）和平均絕對誤差（MAE）分別為0.128 0和0.104 9，而相關(guān)系數(shù)（R）卻達到了0.992 1，兩者訓(xùn)練數(shù)據(jù)的效果較為接近。

由圖3～4可以看出，KNN的測試集數(shù)據(jù)相比于RBF更加接近1∶1線，說明本文KNN的訓(xùn)練效果更好，從表2也可以反映出這個現(xiàn)象，RBF的均方根誤差（RMSE）和平均絕對誤差（MAE）分別為0.573 9和0.388 0，相關(guān)系數(shù)（R）為0.986 6；KNN的均方根誤差（RMSE）和平均絕對誤差（MAE）分別為0.207 3和0.153 8，而相關(guān)系數(shù)（R）卻達到了0.993 4，比RBF提高了0.69%。從圖4還可以明顯看出KNN在幾個峰值點的預(yù)測明顯比RBF更加精準(zhǔn)。

綜上所述，本文采用KNN方法比RBF方法能更好地對自動化監(jiān)測的水平位移進行預(yù)測。后續(xù)可將RF算法程序?qū)氲阶詣踊O(jiān)測程序中，實現(xiàn)水平位移的提前預(yù)測與不斷校準(zhǔn)完善。

3 結(jié)語

本文研究了基坑變形自動化監(jiān)測及預(yù)測模型融合技術(shù)，主要得出以下結(jié)論：

（1）本文自動化監(jiān)測測點的水平位移隨著開挖的進行總體呈現(xiàn)增大的趨勢，且水平位移總體較小，基坑未發(fā)現(xiàn)明顯變形。

（2）在訓(xùn)練集中，KNN的訓(xùn)練集數(shù)據(jù)和RBF的訓(xùn)練集數(shù)據(jù)都很接近1∶1線，兩者的訓(xùn)練效果較為接近；在測試集中，KNN的相關(guān)系數(shù)（R）達到了0.993 4，比RBF提高了0.69%。此外，KNN在幾個峰值點的預(yù)測明顯比RBF更加精準(zhǔn)。

（3）本文采用KNN方法比RBF方法能更好地對自動化監(jiān)測的水平位移進行預(yù)測。后續(xù)可將RF算法程序?qū)氲阶詣踊O(jiān)測程序中，實現(xiàn)水平位移的提前預(yù)測與不斷校準(zhǔn)完善。本文提供了基坑變形自動化監(jiān)測及預(yù)測模型融合技術(shù)思路，后續(xù)預(yù)測算法可根據(jù)研究需要不斷改進完善。

參考文獻

［1］俞建霖，龔曉南.深基坑工程的空間性狀分析［J］.巖土工程學(xué)報，1999，21（1）：24-28.

［2］俞建霖，龔曉南.基坑工程變形性狀研究［J］.土木工程學(xué)報，2002（4）：86-90.

［3］俞建霖，龍 巖，夏 霄，等.狹長型基坑工程坑底抗隆起穩(wěn)定性分析［J］.浙江大學(xué)學(xué)報（工學(xué)版），2017，51（11）：2 165-2 174.

［4］鄭 剛，蘇奕銘，刁 鈺，等.基坑引起環(huán)境變形囊體擴張主動控制試驗研究與工程應(yīng)用［J］.土木工程學(xué)報，2022，55（10）：80-92.

［5］Zheng G，Su Y，Diao Y，et al. Field measurements and analysis of real-time capsule grouting to protect existing tunnel adjacent to excavation［J］.Tunnelling and Underground Space Technology，2022，122：104350.

［6］JGJ 120-2012，建筑基坑支護技術(shù)規(guī)程［S］.

［7］Mair，Robert J，Schwamb，et al. Fibre optic monitoring of a deep circular excavation［J］. Geotechnical Engineering，2014，167（2）：144-154.

［8］葉帥華，李德鵬.復(fù)雜環(huán)境下深大基坑開挖監(jiān)測與數(shù)值模擬分析［J］.土木工程學(xué)報，2019，52（S2）：117-126.

［9］Wu J，Peng L，Li J，et al. Rapid safety monitoring and analysis of foundation pit construction using unmanned aerial vehicle images［J］.Automation in Construction，2021，128（9）：103706.

［10］徐前衛(wèi)，龔振宇，孫梓栗，等.滇中引水工程超深圓形基坑施工變形和內(nèi)力監(jiān)測結(jié)果分析［J］.土木工程學(xué)報，2022，55（6）：102-111.

［11］曹 權(quán)，李清明，項 偉，等.基坑群開挖對鄰近既有地鐵隧道影響的自動化監(jiān)測研究［J］.巖土工程學(xué)報，2012，34（S1）：552-556.

［12］黃海濱，曹 洪，梁衛(wèi)軍，等.基坑上跨已運營地鐵隧道的設(shè)計及實測分析［J］.巖土工程學(xué)報，2014，36（S1）：148-154.

［13］趙 峰.基于BIM的基坑工程自動化監(jiān)測平臺研發(fā)［J］.煤田地質(zhì)與勘探，2018，46（2）：151-158.

［14］Altman，N. S. An introduction to kernel and nearest-neighbor nonparametric regression［J］. The American Statistician，1992，46（3）：175-185.

［15］楊 敏，任紅林.智能巖土工程的特點初探［J］.同濟大學(xué)學(xué)報（自然科學(xué)版），2000（6）：636-640.

［16］Hu C，Jain G，Zhang P，et al. Data-driven method based on particle swarm optimization and k-nearest neighbor regression for estimating capacity of lithium-ion battery［J］. Applied Energy，2014，129（9）：49-55.

［17］張雯超，史培新，劉 維，等.基于改進KNN與基坑參數(shù)對地連墻變形預(yù)測研究［J］.華中科技大學(xué)學(xué)報（自然科學(xué)版），2021，49（9）：101-106.

［18］Wei，M，Meng，W，Dai，F(xiàn)，et al. Application of machine learning in predicting the rate-dependent compressive strength of rocks［J］. Journal of Rock Mechanics and Geotechnical Engineering，2022，14（5）：1 356-1 365.

收稿日期：2024-03-18

作者簡介：田久暉（1979—），碩士，高級工程師，主要從事市政方面的研究工作。