工程结构安全自动化监测预警平台开发与应用

金亚兵， 劳丽燕， 刘川炜

(深圳市地质局，广东 深圳 518023)

近年来，随着工程建设的纵深发展，工程建设引发的工程事故导致的人员伤亡数以万计，造成的直接和间接经济损失无法估量。由于工程建设过程中具有太多的偶然性和突发性，传统的监测手段单一及易干扰，预警预报通道不畅，很多工程事故来不及预警就发生了，工程事故已严重威胁公共安全[1]。

目前，自动化监测技术已在大坝、地铁(隧道)及基坑等工程建设监测领域得到了全面推广应用。大坝安全监测技术日趋成熟，不仅能自动采集、校验、存储和远程传输数据，而且可快速在线评估和预警预报[2,3]。沈省三等[4]回顾和总结了大坝安全监测仪器技术发展历程，结合物联网、无线传感器、云计算及大数据等新兴技术，对安全监测仪器技术在未来发展前景进行了分析和展望。地铁(隧道)自动化监测技术起步较晚，但目前自动化监测也已广泛应用于工程施工中[5～7]。吕文臣[8]介绍了自动化监测技术在既有地铁结构变形监测中的监测特点、方法、精度以及数据分析，验证了自动化监测技术在地铁隧道结构变形监测中的应用价值。徐燕等[9]利用数据自动采集技术、网络无线通讯技术及数据库应用技术，实现了对软弱破碎围岩隧道支护体系受力的自动化监测。在基坑工程施工领域，自动化监测技术一直处于不断探索与提高[10～12]中。王美华等[13]介绍了深基坑施工中的自动化远程监测系统的试验应用。徐文杰等[14]研发了一套数字基坑系统，实现工程结构的三维可视化动态查询与管理，以及现场检测数据的可视化查询与预测分析。

为解决工程结构安全自动化监测工程中无法提前预测从而达到智能预警及监测全过程成果输出的自动化、标准化等难题，本文开发了满足多对象、多场景预警预报的准确性、及时性及智能化要求的监测预警平台。平台实现了对监测体的稳定状态和变化趋势做出判断，对未来可能发生灾害的地点做出预测，对工程结构安全监测预警具有十分重要的意义。

1 监测内容

工程结构安全自动化监测包括数据采集自动化、数据传输自动化、数据处理和管理自动化、预警预报自动化及监测成果输出自动化。自动化方法的选取就是根据监测对象的监测内容和精度要求选取合适的监测设备。

从监测对象物理量变化的特征方面，将监测类别划分为三大类：第Ⅰ类是形变和位变(位移)监测；第Ⅱ类是力变监测；第Ⅲ类是水变监测。形变指支护结构形状的变化，如拉伸、压缩、弯曲等；位变(位移)指地表或深层土体、支护结构和周围建(构)筑物、道路及管线等监测对象空间位置的变化，如水平位移、竖向位移(沉降)、建(构)筑物的倾斜、地面或结构物的裂缝等。力变指支护结构或土体或周围受力体受到的作用力和结构自身应力的变化，如土压力、支护结构弯矩、轴力、锚杆(索)及土钉拉力等。水变指降雨量和地下水位或孔隙水压力的变化。

根据工程的安全等级和精度要求及现场作业条件等确定监测对象，再根据监测对象的监测内容和具体位置选定监测设备，监测内容及监测设备选定如表1所示。

2 预警平台总体设计

2.1 平台体系架构

为实现不同监测对象及监测内容的实时自动化监测，预警平台分为数据采集层、数据传输层、数据处理层及数据应用层，平台体系架构如图1所示。

图1 平台体系架构

各层功能如下：

(1)数据采集层：利用高精度、低功耗智能传感器和量测设备对监测对象精确感知，将监测对象的物理量及其变化量测出来并以规定的格式通过有线或无线发送到数据采集箱，完成数据采集。

(2)数据传输层：利用物联网(Internet of Things，IoT)，通过短信、北斗卫星短报文、3/4/5G无线数据、Wi-Fi中继、光纤专线等双向传输技术进行数据采集箱和接收终端之间的传输完成数据传输。

(3)数据处理层：利用开源集群云计算平台进行分布式存储、处理、计算、分析和共享，完成数据处理。

(4)数据应用层：利用预警预报模型、机器学习人工智能(Artificial Intelligence，AI)、图像可视化比对等手段进行智能化预警预报，完成数据应用。

2.2 平台框架设计

2.2.1 SOA架构

SOA(Service-Oriented Architecture)架构是一种粗线条、松耦合服务架构，可以实现对监测预警平台各功能模块及相关服务的管理，将平台服务之间调用的复杂关系理顺，最终提供一个统一标准，如图2所示。SOA架构的使用使得平台的各个模块和各项服务更加独立，耦合度更松，更利于平台的开发和维护。

图2 SOA数据总线

2.2.2 MVC开发框架

MVC(Model-View-Controller)设计模式是把一个应用分为三个层次：模型层(Model)、视图层(View)及控制层(Controller)。模型层表示数据和业务逻辑，视图层提供显示和用户输入，控制层负责派遣用户请求和控制流程。

MVC模式的使用提高了平台的灵活性和复用性，实现了模型和视图的分离。MVC设计模式可以提高开发效率，增强程序的可维护性和拓展性，模型与视图分离降低了功能模块之间的耦合度。在MVC的框架上采用Spring MVC，如图3所示。

图3 Spring MVC架构

2.2.3 MyBatis框架

MyBatis是持久层框架，支持定制化SQL(Structured Query Language)、存储过程，以及高级映射，可使用简单的XML(Extensible Markup Language)或注释来配置和映射原生信息，将接口及Java的POJOs映射成数据数据库中的记录，MyBatis执行流程如图4所示。

图4 MyBatis执行流程

MyBatis不会对应用程序或数据库的现有设计强加任何影响，定制的SQL写在XML里，便于统一管理和优化。通过SQL基本实现了不使用数据访问框架可实现的所有功能。分离SQL与程序代码的耦合通过提供数据抽象层(Data Abstraction Layer，DAL)，将业务逻辑和数据访问逻辑分离，使系统的设计更清晰，更易维护、更易单元测试。

2.3 平台功能模块

根据监测预警平台的建设项目及功能要求，平台划分为5个一级功能模块，15个二级功能模块，30个三级功能模块，平台功能模块和监测界面如图5，6所示。

图5 平台功能模块

图6 平台监测界面

(1)实时监测模块：该模块主要是结合GIS(Geographic Information System)地图展示监测项目、项目近30日内的实时监测数据、异常传感器统计、预警信息统计。

(2)数据管理模块：主要包括工程管理、综合管理、数据采集、理论成果及应急资源。工程管理主要对监测工程及项目的基本信息进行管理和展示；综合管理对传感器件及阈值模板等进行统一管理；数据采集主要用于公众上报隐患点及新增隐患点管理；理论成果用于展示平台内涉及的地质灾害相关理论研究成果；应急资源用于调度应急资源及应急队伍。

(3)监测预警模块：主要包括统计总览、预警分析、数据分析、成果输出、日常巡查、视频系统及三维地图。统计总览主要用于业主单位、项目信息、设备数量及设备运行状态、预警信息等进行统计及展示；预警分析主要用于处置警情及专家研判处理；数据分析对平台内监测数据以图表、曲线等形式进行展示及关联分析；成果输出用于监测报表及报告自动化、标准化及快速化输出；日常巡查用于创建巡查计划及巡查任务的下发；视频系统用于管理视频设备及展示；三维地图用于对各种专题图层进行展示及GIS分析。

(4)系统管理模块：主要包括对外服务、厂商管理及新闻管理。该模块用于管理平台内厂商接入、对外授权服务和新闻宣传。

(5)大屏系统模块：该模块主要从多维度展示平台内的基础数据，主要包括：GIS地图展示、项目信息、传感器统计、平台动态信息、巡查任务统计、数据质量统计等。

3 监测预警平台实现及工程应用

3.1 监测报警值(阈值)确定

工程结构安全自动化监测报警值根据工程安全等级、周边环境控制要求综合确定，根据设计文件或规范规定提前设置或在监测过程中，根据需要随时调整报警值。

根据预警阈值取值来源不同，将工程预警方法分为两大类：

(1)直接根据固定阈值进行预警：1)对具体工程进行极限状态的应力应变计算，根据计算结果选取安全前提下的建议值；2)从监测对象对应的相关规范、规程中选取其安全阈值；3)工程类比，参考和汲取以往类似工程受力变形规律和成败经验。

(2)根据数学模型对历史监测数据分析建模并对未来发展趋势进行定量预测，根据定量预测的数据大小进行预警预报。其中，在使用监测数据进行分析和预报时，必须先对监测数据进行预处理，预处理的主要方法有：粗差的检验和剔除、局部缺失数据插补处理、监测数据平滑滤波处理等。监测数据经过预处理后，通过回归分析，找寻其变化规律模型，如目前较常用的有时间序列分析模型、灰色系统分析模型、Kalman滤波模型、人工神经网络模型、支持向量机等，从而利用这些模型对监测数据的发展趋势进行预测。根据监测数据的大小和变化趋势，确定阈值并据此预警预报。

3.2 监测数据分析与预测

平台创建了一套智能监测预警体系，实现了符合监测对象特性的监测策略、数据处理方法和预测预报数学模型。将灰色系统、AI深度神经网络、支持向量机等模型应用于工程结构安全分析与预测。

(1)灰色系统分析模型

以某基坑支护工程监测桩顶水平位移监测点S1共85期的监测成果作为实验数据，利用前80期数据进行灰色预测模型建模，利用第81～85期数据比对预测结果来检验预测效果。灰色模型拟合后预测结果见图7，预测检验结果见表2。

图7 灰色GM(1,1)模型预测

表2 灰色模型预测检验

从表中误差比来看，最大的误差偏差为6%。经计算，模型的后经验方差比C=0.0446，小于0.35，属于一级(好)；小误差概率P=1，大于0.95，属于一级(好)。

(2)AI深度神经网络模型

以某基坑支护工程监测周边建筑物沉降监测点JZ1共160期的监测成果作为实验数据，利用前155期数据进行建模，利用第156到158期数据比对预测结果来检验预测效果。AI深度神经网络模型拟合后预测结果见图8，预测检验结果见表3。

图8 AI深度神经网络预测

表3 AI深度神经网络预测检验

通过误差比分析，只有第158期预测偏差比较大(5%)。经计算R2=0.9945，模型拟合度非常高。

(3)支持向量机模型

以某基坑支护工程监测项目CX2#测斜监测孔0.5 m深度数据的133期监测成果作为实验数据，利用前128期数据进行建模，利用第129到133期数据比对预测结果来检验预测效果。支持向量机模型拟合后预测结果见图9，预测检验结果见表4。

图9 支持向量机模型预测

表4 支持向量机预测检验

从误差比来看，最大误差偏差为5.2%。经计算，R2=0.986，模型拟合度亦非常高。

3.3 监测预警等级

监测预警平台设置了多层级权限管理中心，从而满足了多层级监测预警的需要；创建了不同监测对象预警等级标准和阈值指标，满足了不同监测对象和客户的需求；创建了包含专家辅助决策系统的预警处置流程，实现了快速、及时、多通道的信息发布和预警处置。

(1)三级预警条件设置

对周边环境复杂且邻近地铁或隧道的工程，采取三级预警，当监测对象的监测值达到报警值的60%和80%时各预警一次，当监测值达到报警值的100%时立即报警，预警及指标见表5。

表5 周边环境复杂三级预警及指标

(2)二级预警条件设置

对周边环境简单的工程，采取两级预警，当监测对象的监测值达到报警值的80%时预警一次，当监测对象的监测值达到报警值的100%时立即报警，预警及指标见表6。

表6 周边环境简单二级预警及指标

(3)各级预警具体实施

1)三级预警：当测值达到三级预警值时，应进行三级预警，值班技术人员及现场人员分析其异常原因，加强监测注意其发展趋势；

2)二级预警：当测值达到二级预警值时，应进行二级预警，即向业主、施工、监理等相关部门报告，并分析其原因，建议采取措施以保证工程安全；

3)一级预警：当测值达到一级预警值，且其变化速率在加快时，应进行一级预警，即向业主、施工、监理等相关部门报告，提请相关单位做好应急措施，并组织专家及各单位现场核实和分析。

3.4 监测成果自动化输出

根据监测数据采集和预警预报频率要求，平台设计了监测时报、日报和月报三种标准报表格式，实现了监测成果自动化、标准化和快速化输出。监测报表自动化输出如图10所示。

图10 预警平台自动化输出报表示例

3.5 监测预警工程应用

深圳市地铁10号线主体工程1011标段盾构区间下穿某小区33，34栋建筑物，区间下穿该段线路中心线距离为9.06～10.17 m，隧道埋深20～21.8 m，其中33栋与区间结构净距1.34 m，34栋与区间结构净距2.367 m。两栋建筑物为8层的混凝土框架结构，基础为D480锤击沉管灌注桩，无地下室及锚索类围护结构。项目以盾构施工下穿建筑物作为监测重点，共设计10个建筑物沉降监测点，2个建筑物倾斜监测点，1个地面沉降点。

2018年7月20日13时45分，深圳市地铁10号线工程盾构区间左线下穿34栋建筑物过程中，该建筑物沉降观测点CJ01的累计变化为-30.27 mm，超过控制值30 mm，触发预警平台报警，监测曲线如图11所示。同时，建筑物马赛克瓷砖外墙存在脱落现象(图12)，监测的数据与人工监测吻合，真实反映了建筑物变形情况，施工单位组织专家现场研判后，采用后退式注浆机钻孔注浆加固地层后，该建筑物沉降基本保持稳定变化趋势。

图11 34栋建筑物沉降CJ01，CJ05监测曲线

图12 34栋建筑物马赛克瓷砖外墙脱落

4 结 论

(1)利用SOA架构，开发了工程结构安全的多对象、多场景监测数据统一融合的自动化预警平台，实现了多行业、跨领域自动化监测预警的融合和各安全责任主体之间的数据共享，显著提高了城市安全管理和应急处置能力；

(2)探索了一套符合监测对象特性的数学模型应用于工程结构安全自动化监测的分析预测，提升了预警预报的准确性和可靠性；

(3)创建了满足多层级预警预报自动化监测管理体系和不同预警等级标准及相应指标，实现了快速、及时、多通道的信息发布和预警处置；

(4)实现了监测成果自动化、标准化和快速化输出，为异常情况下采取应急措施提供依据，使自动化监测真正发挥其效用。

(5)平台应用于工程结构安全自动化监测项目中并成功预警，满足工程建设预警预报的精准性和及时性，取得了显著的经济和社会效益。