矩形顶管下穿既有箱涵的险情预警方法探析

冯栋梁

（上海市市政工程建设发展有限公司，上海市200025）

0 引 言

随着城市现代化建设特别是地下交通建设的飞速发展，经常会遇到隧道下穿既有地下管线和箱涵的问题，而目前建设者们越来越多地采用顶管法施工解决这个问题。矩形顶管下穿既有箱涵过程中具有很大风险和不确定性。许斌锋等[1]（2019）采用MIDAS/GTS软件建立工程结构顶管施工全过程的数值模拟，制定大断面矩形顶管下穿电力隧道的合理监测方案，对电力隧道的竖向位移、水平位移进行监测，并将实测数据与模拟结果进行对比验证了模型的合理性。张烨[2]（2017）运用有限元方法模拟分析了矩形顶管穿越施工过程中排水箱涵的变形情况，对排水箱涵针对性地布置了监测点并进行了分析总结。杨景敏[3]（2013）提出了大断面矩形顶管下穿电力井施工保护技术。

本文分析了矩形顶管下穿既有箱涵的破坏模式，总结了管线的安全判别方法，讨论了顶管下穿既有箱涵的保护及控制措施，并提出了一种新的顶管下穿既有箱涵过程中险情预警预报方法，为今后的城市地下空间开发利用提供参考。

1 矩形顶管下穿既有箱涵的破坏模式

顶管施工对周围土体将产生扰动，引起不均匀沉降和水平位移，进而导致邻近上覆既有箱涵产生附加应力和变形，当箱涵应力和变形达到临界值时，管线就会产生破坏。箱涵的破坏一般有两种情况；

（1）箱涵在附加拉应力作用下出现裂缝，甚至发生破裂而丧失功效；

（2）箱涵完好，但箱涵接头转角过大，接头无法保持封闭状态，发生渗漏。所以，箱涵的破坏主要是由其中一种或者是两种同时发生的破坏模式。

在顶管开挖的卸载过程中，由于施加在箱涵上的荷载变化最大的是纵向弯曲荷载，所以纵向应力屈服是首先要考虑的破坏条件；另外，由于箱涵的变形直接影响箱涵的构造，当变形过大时，箱涵就会发生破坏，因此构造破坏也必须考虑。

箱涵破坏的主要模式有：由纵向弯曲引起的横断面破裂、由箱涵环向变形引起的径向开裂和箱涵接头处无法承受过大转角而发生渗漏三种情况。

2 箱涵结构安全的判别方法

箱涵结构安全性判别方法一般采用张角判别法。

如果已知箱涵的位移就可以采用张角判别法来判断箱涵是否会因变形过大而造成破裂、漏水。箱涵张角判别方法：

式中：Δ 为接缝张开值；[Δ]为接缝允许张开值；R为箱涵变形曲率半径；D为箱涵外径；L为箱涵长度。

3 顶管下穿箱涵险情预警预报方法

本文提出一种高精度、高可靠性的顶管下穿既有污水箱涵险情智能预警预报方法，以便在顶管下穿既有建筑物和构筑物施工过程中进行险情实时预警预报。该方法的内容包括以下四个步骤：现场埋设传感器、设置无人值守数据采集站，通过监测装置采集得到既有箱涵及其周边土体的多种特性参数数据；进行数据格式化处理；通过层次分析灰色关联度法获取多种特性参数和扰动区土体强度影响箱涵安全系数的权重和灰色关联度；建立循环神经网络模型，预测既有箱涵破坏发生时间，对险情进行预警预报。顶管下穿箱涵险情预警预报方法流程见图1。与现有技术相比，本方法可以定量化、更合理、更符合实际地进行顶管下穿既有箱涵险情的预警预报。

图1 顶管下穿既有箱涵险情预警预报流程图

与现有技术相比，本方法具有以下优点：

（1）通过分析顶管下穿既有箱涵的顶进施工过程中的动态响应关系，综合考虑导致顶管下穿既有箱涵顶进失效的风险影响因素，研究下穿既有箱涵顶进过程中的相互作用机理，进而在顶管下穿既有污水箱涵顶进前对风险源布设监测点，可运用到系统的信息化安全风险预警中，在顶管下穿顶进过程中进行实时预警监测、险情分析与预警预报，帮助实现信息化施工。

（2）循环神经网络在处理多参数以及具有流动性的信息有着很好的适用性，可以对前面的信息进行记忆并应用于当前输出的计算，且每个前面状态对当前的影响进行了距离加权，距离越远，权值越小，符合施工过程和灾害突变的时间效应，可以很好预测灾变的破坏时间。

（3）采用物联网的虚拟IP技术远程实时自动采集和传输现场既有箱涵内力情况、管土接触压力、土体分层沉降、地表水平位移、孔隙水压力系数和地下水位的信息，具有实时性的特点。

（4）通过建立人工智能灾害预测模型及开发相应的后台客户端软件对监测数据进行分析和处理，获取顶管下穿过程中既有箱涵的破坏时间，然后进行顶管下穿既有箱涵险情的早期预警预报，从而提高了顶管顶进过程中既有箱涵变形破坏的预警预报精度和可靠度。

3.1 数据的监测采集和处理

首先，通过在现场设置的多种监测装置，采集得到既有箱涵及其周边土体的多种特性参数数据，监测的箱涵包括污水箱涵。具体包括：

现场设置土体监测站，埋置钢筋应力传感器、土压力盒、土体沉降计、测斜管、孔隙水压力计和水位管分别实时采集既有箱涵的内力情况、管土接触压力、土体分层沉降量、地表水平位移量、孔隙水压力值和地下水位情况等数据，并通过光纤电缆把采集到的数据实时传输到数据采集站，数据采集站以移动信号的方式通过物联网的虚拟IP技术将接收的监测数据实时自动传输到远程客户端。钢筋应力传感器、土压力盒、土体沉降计、测斜管、孔隙水压力计和水位管带有自动数据A/D转换功能。

其次，安装设有C#语言开发的现场监测数据管理系统模块的远程客户端接收监测数据，并将得到的多种特性参数数据进行格式化处理，包括等间隔化处理、归一化处理，并按照关系型数据库要求的第三范式（3NF）对数据进行标准化、结构化处理，存入后台MySQL数据库。

等间隔化处理具体为：设非等间隔管土接触压力、孔隙水压力系数、土体水平位移、土体沉降和扰动区土体强度的原始监测序列x0（tj），各时段的间隔时间为，且各时段间隔不完全相等，则平均时间间隔为：

式中：tj为第j个监测时间点；m为监测时间点个数。

用式（3）计算等间隔化后的新时间点t'j：

用式（4）计算对应的数值：

其中：

或者判断t'j所处的区间，用区间的两端点值的两点插值计算出等间隔化后相应的数值（管土接触压力、孔隙水压力系数、土体水平位移、土体沉降或扰动区土体强度）x（t'j），由式（7）计算：

归一化处理具体为：在所有监测的数据中找出最大的数xmax和xmin最小的数，然后将原始数据转换到[0，1]的范围内，把所有监测的数据进行如下计算：

将数据格式化后，通过Java语言的JDBC技术存入后台MySQL数据库。后台MySQL数据库拿到数据后，将数据按照关系型数据库要求的3NF的规范持久化存储，存储过程中使用Innodb和MyIASM双存储引擎。

关系型数据库的3NF的要求为：数据库中的每一列都是不可分割的基本数据项，每个实例或行必须可以被唯一地区分，并且一个数据库表中不包含已在其它表中已包含的非主关键字信息。

3.2 层次—灰色关联度法分析

运用层次分析灰色关联度方法，确定管土接触压力、孔隙水压力系数、土体水平位移、土体沉降值、扰动区土体强度等因素影响既有箱涵安全系数的权重大小和灰色关联度（用以循环神经网络分析中各项指标权重的分配），具体过程如下：

首先，通过层次分析法得到多种特性参数和扰动区土体强度影响箱涵安全系数的权重，具体过程如下：

（1）建立层次分析结构，并构造判断矩阵A（正互反矩阵），利用方根法求每个因素的权值：

（2）计算判断矩阵A各行各个指标的乘积Mi：

（3）计算Mi的k次方根Vi：

（4）归一化处理，得到所求权重向量Wi和各个指标的权重ω（k）：

其中：Wi=ω（（1），ω（2）…ω（k））

其次，确定一个参考数列X0和q个比较数列X1，X2，…，Xq，数列元素为管土接触压力τ（k）、孔隙水压力系数g（t）、土体水平位移l（t）、土体沉降值v（t）、扰动区土体强度ρ（t），无量纲化处理参考数列和比较数列，计算q个比较数列各元素的关联系数，其中第s个比较数列第k个元素的关联系数ξ（k）为：

式中：φ 称为分辨系数，一般φϵ（0.1），常取0.5，第1层次最小差为不同k值计算的绝对差中的最小值，第2层次最小差为Δ1（min），Δ2（min），…Δq（min）中最小值，第1层次最大差为不同k值计算的绝对差x0（k）-xs（k）中的最大值，第2层次最大差为Δ1（max），Δ2（max），…Δq（max）中最大值；

用式（13）计算第s个比较数列Xs对参考数列X0的关联度γs：

用式（14）计算层次分析的灰色关联度Rs：

式中：q表示指标总数，指标包括多种特性参数和扰动区土体强度；ω（k）为层次分析法计算得到的顶管下穿箱涵过程中第k元素的权重；ξs（k）表示灰色关联分析时第s个比较数列第k个元素的关联系数。

3.3 循环神经网络分析

采用层次-灰色关联度法分析得到加权的数据作为训练集，并转化为单向信息流的格式，确定单层互连的网络神经元，建立循环神经网络的初始网络状态，代入如图2所示的循环神经网络结构中，预测既有箱涵破坏发生时间。

图2 循环神经网络结构图

首先，利用外界输入激发网络，进行循环神经网络训练，从t=1到t=T的每个时间步通过长短时记忆循环神经网络控制门路对变量进行更新，见图3，具体包括：

图3 循环神经网络控制门路图

（1）读取t-1时刻的隐藏层输出ht-1和t时刻的输入变量xt，采用忘记门层计算神经细胞层中的遗忘参数ft，输出一个在0到1之间的数值（1表示“完全保留”，0表示“完全舍弃”），给到每个神经细胞层Ct中，遗忘参数为：

式中：σ 表示预测既有箱涵破坏发生时间的逻辑回归函数；t为既有箱涵破坏的计算时间，t=σ（Fs，τ，g，l，v，ρ），当既有箱涵的安全系数Fs=1时，t为既有箱涵发生破坏的时间；τ 为管土接触压力；g为孔隙水压力系数；l为土体的水平位移；v为土体的沉降；ρ 为扰动区土体强度；Vf为控制箱涵状态的对角权重，依据采用层次分析-灰色关联度方法确定；Wf为从隐藏层到忘记门层的连接权重矩阵；Ct-1为t-1时刻的神经细胞层。

（2）根据ht-1和xi确定存放在神经细胞层中的新信息，包括输入门层it和通过tanh函数训练的候选值向量

式中：it表示输入门层(Sigmoid层)；Wi为从隐藏层到输入门层的连接权重矩阵；Wc为从隐藏层到候选值向量的连接权重矩阵；Vi为计算it的控制箱涵状态的对角权重；VC为计算的控制箱涵状态的对角权重。

更新旧神经细胞层的状态，将Ct-1更新为Ct：

（3）根据ht-1、xt和Ct确定神经细胞层的输出变量Ot：

式中：权重矩阵V和W分别对应于输入到隐藏到输出和隐藏到隐藏的连接；通过tanh函数进行计算得到一个-1到1之间的值，并和Ot相乘，得到t时刻隐藏层输出ht：

定义算法的代价函数，与输入变量x序列配对的隐藏层输出h的总损失就是所有时间步的损失之和。Lt为给定的x1，x2，…xT后h1，h2，…hT的负对数似然：

式中：pmodel表示似然函数。

其次，采用梯度下降算法更新循环神经网络的参数，更新具体是使用反向传播算法，应用于展开图的反向传播算法称为通过时间反向传播，计算图的节点包含参数和，各个参数的梯度的计算式：

式中：▽表示参数V和W的梯度；L表示训练损失；ht-1表示t-1时刻的隐藏层输出；xt表示t时刻的输入变量；T为转置符号。

最后，根据新的训练数据重复训练，不断迭代更新其中的权重，直到得到收敛的参数值，停止迭代，得到既有箱涵破坏发生时间。

4 结 论

（1）分析了顶管下穿既有箱涵的破坏模式，总结了箱涵结构安全的判别方法。

（2）提出了一种新的顶管下穿既有箱涵过程中险情预警预报方法。该方法通过现场实时监测，采集既有箱涵及其周边土体的多种特性参数数据，进行格式化处理，采用层次分析-灰色关联度法得到多种特性参数和扰动区土体强度影响箱涵安全系数的权重和灰色关联度，并以此建立循环神经网络模型，预测既有箱涵破坏发生时间，对险情进行预警预报。