吹填淤泥浅表层快速加固处理技术及神经网络沉降预测方法

巩 胜

(中铁第四勘察设计院集团公司,湖北 武汉 430063)

吹填淤泥浅表层快速加固处理技术及神经网络沉降预测方法

巩 胜

(中铁第四勘察设计院集团公司,湖北 武汉 430063)

选取厦门港海沧港区软基处理工程为例,针对试验区吹填淤泥的工程特性,运用浅表层快速加固处理技术对其进行加固处理,详细介绍了该项技术的技术思路、作用机理以及与真空预压法的区别,评价这项技术的加固效果。然后利用Matlab软件编制了BP网络、RBF网络,Elman网络时序预测模型程序对加固后试验区的沉降量进行预测研究,从预测结果看,Elman网络的预测精度最高,其次为BP网络,相对最差的是RBF网络,Elman网络的反馈型网络结构使其具有更好的时序预测能力。

吹填淤泥;沉降预测;人工神经网络

目前人们通过吹填造陆来满足港口建设的需要,但用做工程填料的砂、土等不可再生资源经过多年的开采已经非常紧缺,与此同时,沿海工程建设从海底挖掘出大量的淤泥却作为废弃物处理,如能将其用于吹填造陆,则将是变废为利、一举两得的好办法。例如深圳大铲湾围海造陆工程、深圳机场扩建工程等均由原计划的填砂造陆改变为吹填淤泥造陆。吹填淤泥造陆不但可以节约砂、土等不可再生资源,而且有利于环保,处理方法合适且比较经济,但由于吹填淤泥固有的工程特性,特别是表层,其含水量极高,处于流动状态,强度和承载力极低,各种施工设备无法进行施工,必须待浅表层有一定的承载力后方可进行,所以在利用一般软基处理方法加固软弱地基之前,需先对浅表层进行加固。本文选题源于厦门港海沧港区软基处理工程,该工程运用一种浅表层快速加固处理技术对吹填淤泥浅表层进行了加固处理,效果显著,针对试验区所运用的浅表层快速加固处理技术,文中分析了该法的作用机理与加固效果,并结合现场沉降监测数据采用人工神经网络对运用该法加固的试验区进行沉降预测研究。

1 研究区吹填淤泥浅表层快速加固方案

1.1 浅表层快速加固处理技术思路

吹填淤泥属于超软弱土,针对现有技术加固浅表层超软弱土地基时存在困难,吹泥区尝试了一种新的浅表层快速加固方法,以稻草、芦苇、杂草、土工编织物中的一种或一种以上作为排水垫层或者排水砂垫层,大大降低成本,缩短施工工期,施工后差异沉降小。浅表层超软弱土快速加固处理技术包括如下步骤。

(1) 在超软弱土上铺设一层或多层格栅,垂直插入长度与超软弱土浅表层厚度相当的塑料排水板或袋装砂井,在格栅上铺设排水垫层,并在排水垫层中沿水平方向铺设滤管,然后覆盖密封膜,形成浅表层超软弱土快速加固装置。

(2) 对步骤(1)形成的快速加固装置内的超软弱土层进行真空预压处理,持续时间一个月左右。

经过步骤(2)的真空预压处理后,超软弱土的抗剪强度会得到有效的提高,大型施工设备可以在其表面进行正常工作,为后续的地基整体加固实施提供施工条件。

图1所示为浅表层超软弱土快速加固装置,它由密封膜、排水垫层、抽真空滤管、排水板或袋装砂井、格栅层构成。施工过程中要在排水垫层的上部和侧面覆盖密封膜,而格栅层置于排水垫层底部,抽真空滤管水平安装在排水垫层内,排水板或袋装砂井垂直插入在超软弱土中,其上端埋入排水垫层内。其中塑料排水板或袋装砂井的长度L也代表有效加固深度,通常为数米,具体可以按照后期施工要求而定;抽真空期间,真空度由滤管、排水垫层和塑料排水或袋装砂井进行传递,这样就可以完成对有效加固深度内的超软弱土的加固。

图1 浅表层快速加固技术工法示意图Fig.1 Schematic diagram of shallow surface rapid reinforcement technique1.密封膜;2.排水垫层;3.抽真空滤管;4.竖向排水井;5.格栅层;6.基底;7.超软弱土;8.软弱下卧层。

1.2 浅表层快速加固处理技术的作用机理

对于一种物理力学性质已知的饱和软弱土,欲加速其固结的速度,必须具备两个基本条件[1]:一是施加足够大而稳定的外部荷载;二是提供足够小的排水距离。针对吹填淤泥高含水率、低强度等物理特性,在真空预压技术的基础上,提出了浅表层超软弱土快速加固处理技术。顾名思义,“快速加固”是指该方法比常规的浅表层处理技术更能缩短工期,并可达到预加固的目的。

浅表层快速加固处理技术的加固机理实质上与真空预压法相同,在加固区地面利用真空泵抽真空产生负压,这样土体中的孔隙水压力在压差作用下会降低,形成负的超静孔隙水压力,即形成的孔隙水压力小于原静水孔隙水压力,增量为负值,从而导致土体中的孔隙水发生不稳定渗流,不断经竖向排水通道向上排出,最终被真空泵抽走。降低的孔压转变为土体的有效应力,在有效应力增加的情况下,土体固结压密。这就是浅表层快速加固处理技术的作用原理,实际上就是真空度不断沿土体深度方向传递在加固区内形成真空负压,孔隙水不断被抽走的过程。

1.3 与真空预压法的区别

尽管浅表层快速加固处理技术与常规真空预压法的加固机理相同,但由于前者的处理对象是流动状、几乎无承载力的浮泥,后者加固对象虽也为软弱粘土,但通常具备一定的强度及承载力,可满足正常施工的需要。因此两者在施工工艺方面存在区别,如表1所示。

1.4 试验区浅表层快速加固技术应用情况

厦门港海沧港区的试验区利用该项技术处理吹填淤泥,吹泥区浅表层快速加固装置完成以后,于2007年5月21日开始抽真空加固,5月24日膜下真空度基本达到了70 kPa以上,以后真空度稳定在68～84 kPa之间,满足设计要求,也说明在吹填淤泥浅表层采用密封技术措施有效,2007年6月15日卸载,抽真空时间达25 d。

表1 快速加固处理技术与常规真空预压法比较Table 1 Comparison of rapid reinforcement technology and conventional vacuum preloading method

运用浅表层快速加固技术对吹填淤泥浅表层进行处理后,加固效果显著。在将近一个月的时间内,使原本呈流动态的吹填淤泥浅表层发生了较大的沉降,图2为监测点DB3与DB15的沉降随时间变化曲线。可见,在快捷经济的前提下,该项技术有着其他浅表层处理方法所不能比拟的优势。

图2 浅表层快速加固抽真空期间沉降随时间变化曲线Fig.2 Settlement curvewhich change along with variation of time during shallow surface rapid reinforcement vacuumizing

2 沉降量的神经网络预测

试验区吹填淤泥经过浅表层快速加固技术强度得到较大的提高,如果能进行相应的沉降预测,对后续施工有一定的指导意义。本文通过人工神经网络[2]对试验区经过浅表层加固处理的淤泥的沉降量进行拟合与预测,对比实测数据,评价神经网络方法预测的情况。

2.1 数据处理

为了提高模型的预测精度,在预测前对沉降数据进行等时距转化[3]和归一化处理。采用spline插值法[4]对这两监测点的原始数据进行等时距转化,具体做法是在Matlab平台上采用spline插值函数(三次样条插值函数)与interp1函数编制程序进行插值变换生成等时距序列。完成等时距转化后,在训练前对实测沉降数据进行归一化处理,即将输入输出数据映射在[-1,1]范围内,训练结束后,将仿真输出再反归一化到原数据范围,这样得到的结果较为理想。归一化方法较多,本文归一化处理是在Matlab平台上调用函数来进行处理,归一化函数为mapminmax函数。

2.2 不同神经网络预测方法对比分析

针对试验区浅表层快速加固处理阶段,分别用BP网络、径向基RBF网络[5]及Elman网络[6]对试验区监测点DB3沉降进行拟合与预测。在Matlab[7]上编写了相应的软基沉降时间序列预测模型程序,程序设计流程见图3。

图3 神经网络时序预测模型程序流程图Fig.3 Program flow chart of neural network timing prediction model

经过调试,其中模型阶数即输入层单元数P取5,即按照时间先后顺序依次取6个等间距时刻的沉降实测值,其中前5个作为输入矢量,第6个作为输出矢量。BP网络与Elman网络的隐层单元数按照1987年Hecht-Nielsen提出的“2P+1”法确定[8],其中P为输入层单元数。故隐层单元数为11,这两个网络的输入层—隐层的传递函数都为purelin,隐层—输出层的传递函数都为purelin,训练函数均为traingdx,网络性能目标即训练误差均设为0.001,最多训练次数均为100 000次,这样便于比较两个网络预测结果;RBF网络利用函数newrbe创建一个精确RBF神经网络,它会自动选择隐层单元数,该网络中需要调节径向基函数分布密度spread,通过对spread不断地调节尝试,网络会达到相应的预测结果。

试验区在5月24日以后真空度稳定在68～84 kPa之间,表明荷载基本恒定,对沉降实测数据进行间隔为一天的等时距转化后,选取5月24日—6月8日的16个沉降实测值进行学习训练,选输入层单元数p=5,则训练样本为11个,训练完成后检验精度,如果精度满足预测精度要求,则对6月9日—15日的7天沉降进行预测。下面就监测点DB3展开讨论。

监测点DB3三种网络的学习训练结果见表2。

表2 浅表层快速加固处理DB3三种网络学习训练结果Table 2 Three kinds of neural network training results of DB3 in shallow surface rapid reinforcement

从表3可以看出,BP网络、RBF网络及Elman网络学习训练的沉降拟合值都与实测值很接近,相对误差都很小,平均相对误差分别为1.31%,0,1.40%,均<5%,模型精度为“好”。尤其是RBF网络,其拟合值与实测值基本相同,拟合精度极高,可见它在函数逼近能力方面优于BP网络与Elman网络,并且在程序运行过程中,RBF网络学习速度也快于BP网络与Elman网络,充分体现出其最优泛函逼近及收敛速度较快的特点。BP网络和Elman网络拟合的相对误差相差无几,拟合比较理想,三种网络均可以用于后期预测。

监测点DB3随后7天的预测结果列于表4中。为了更直观地显示出三种网络的拟合预测情况,利用Matlab编程的三种网络的训练预测结果依次分别见图4、图5、图6,三种网络的预测结果对比图及相对误差对比见图7、图8。

从表3及图4-图6中可以看出,BP网络、RBF网络及Elman网络的预测曲线都与实测曲线基本吻合。通过三种网络的对比(图7)可见,预测结果比较理想,预测平均相对误差依次分别为0.42%、0.69%、0.39%,均<5%(图8)。不过预测精度并非呈现学习训练时拟合精度一样的规律,虽然RBF网络拟合精度最高,但在预测方面的表现并没有BP网络和Elman网络优秀,三种网络预测精度排序为:Elman网络>BP网络>RBF网络。Elman网络预测精度最高,应该与它的网络结构有关,因为它是一种反馈型神经网络,它所建立的时间序列预测模型是动态的,可以更好地反应沉降随时间的变化情况;BP网络与RBF网络都属于静态时间序列预测,它们是前向型神经网络,至于BP网络为何优于RBF网络,可能是因为沉降预测曲线是较有规律的收敛曲线,而RBF网络更适合解决波动大且复杂的非线性曲线,另外RBF网络分布密度spread的选取具有一定的随机性,需要不断调试才能达到较理想结果,预测精度较低也可能与之相关。此次RBF网络训练及预测结果,其分布密度spread设定为0.75。

图4 浅表层快速加固处理阶段DB3 BP网络预测图Fig.4 BP neural network prediction graph of DB3 in shallow surface rapid reinforcement period

图5 浅表层快速加固处理阶段DB3 RBF网络预测图Fig.5 RBF neural network prediction graph of DB3 in shallow surface rapid reinforcement period

图6 浅表层快速加固处理阶段DB3 Elman网络预测图Fig.6 Elman neural network prediction graph of DB3 in shallow surface rapid reinforcement period

图7 浅表层快速加固处理阶段DB3三种网络预测对比图Fig.7 Three neural network prediction graph of DB3 in shallow surface rapid reinforcement period

图8 DB3三种网络训练预测相对误差对比图Fig.8 Relative error comparison of three neural network training prediction of DB3

3 结束语

采用三种神经网络时序预测模型(BP网络,RBF网络,Elman网络)对试验吹泥区监测点DB3在快速加固处理阶段的沉降进行了拟合预测,并与现场实测值进行对比,得出以下结论:

(1) 试验区运用的浅表层快速加固处理技术,虽然加固机理与真空预压法相同,但处理对象是流动状、几乎无承载力的吹填淤泥,这点有别于常规真空预压法的处理对象,另外施工工艺方面也有着较大区别。通过在试验区的应用情况,结果表明采用浅表层快速加固处理技术加固效果显著并且较为合理经济。

(2) 人工神经网络对试验区经过浅表层加固处理的淤泥的沉降量进行拟合与预测,利用Matlab编制出网络相对应的时序预测程序,相比传统的预测方法,没有假定沉降发展模式,最大限度地减少了人为因素造成的预测误差。时序预测模型进行短期预测时,在训练样本数即参与拟合的实测值个数,BP网络与Elman网络隐层神经元个数、传递函数及训练函数都相同的前提下,从前期训练看,RBF网络的拟合精度极高,远远优于拟合精度相差无几的BP网络与Elman网络;但从预测结果总体来看,Elman网络的预测精度是最高的,其次BP网络,相对最差的是RBF网络。可见Elman网络的反馈型网络结构具有更好的时序预测能力。

[1] 唐弈生.天津新港真空预压加固软土地基典型工程总结[R].天津:交通部一航局科研所,1983.

[2] 张立明.人工沉降网络的模型及其应用[M].上海:复旦大学出版社,1993.

[3] 秦亚琼.基于实测数据的路基沉降预测方法研究及工程应用[D].长沙:中南大学,2008.

[4] 孟德光,岳祖润,李敬平.灰色模型在软土地基沉降预测中的应用[J].国防交通工程与技术,2004(4):51-54.

[5] 李长冬,唐辉明,胡斌,等.小波分析和RBF神经网络在地基沉降预测中的应用研究[J].岩土力学,2008,29(7):1917-1922.

[6] 朱红霞.神经网络模型在高速公路软基沉降预测中的应用[D].天津:天津大学,2004.

[7] 葛哲学,孙志强.神经网络理论与MATLABR2007实现[M].北京:电子工业出版社,2007.

[8] Hecht-Nielsen R.Applications of counterpropagation networks[J].Neural Networks,1988,1(2):131-139.

.

(责任编辑：陈姣霞)

Shallow Surface Rapid Reinforcement Technology of Dredger Fill and ArtificialNeural Network Settlement Prediction Method

GONG Sheng
(ChinaRailwaySiyuanSurveyandDesignGroupCo.,LTD.,Wuhan,Hubei430063)

The author took the soft foundation treatment project of Haicang Port Area of Xiamen Port for an instance,and adopted reinforcement treatment by shallow surface rapid reinforcement technology based on the engineering characteristics of dredger fill in experiment plot.In the paper,it also introduced the technical ideas,mechanism of the technology and the difference with vacuum preloading method in detail,in order to evaluate the reinforcement effect.in the meantime,BP neural network,RBF neural network and Elman neural network timing prediction model program have been established by using MATLAB to predict and research the settlement after reinforcement in this plot.From the prediction results,the highest prediction accuracy is Elman neural network,the second is BP neural network,the relative worst is the RBF network.The feedback network structure of Elman makes it have better timing prediction capability.

dredger fill; settlement prediction; artificial neural network

2016-10-21;改回日期:2016-11-10

巩胜(1986-),男,工程师,地质工程专业,从事地质路基相关工作。E-mail:563856886@qq.com

P642

A

1671-1211(2017)02-0213-06

10.16536/j.cnki.issn.1671-1211.2017.02.019

数字出版网址:http://www.cnki.net/kcms/detail/42.1736.X.20170314.0820.006.html 数字出版日期:2017-03-14 08:20