拓宽路基不均匀沉降控制与变形预测技术研究.pdf

引言近年来国内多条高速公路已经进行了拓宽改建，但是普遍存在新老路基沉降不均匀的问题，影响行车舒适性和快捷性，降低了道路通行能力1。高速公路拓宽工程亟需解决新老路基差异沉降问题，以保证新老路基之间可靠衔接。本文以二广高速公路洛阳城区段拓宽工程为例，分析公路拓宽施工中的土工栅格加筋技术和预应力管桩技术，对新老路基的沉降量进行监测，并建立了基于 BP 神经网络的变形预测模型，对拓宽路基的变形进行预测分析。1 工程概况二广高速公路洛阳城区段拓宽工程项目，起于朱家仓互通式立交以南处，终于彭婆枢纽互通式立交以北处，全线共 33km。在原有四车道基础上，两侧各加宽两个车道，路基由原来的 26m 拓宽至 42m，全段路基平均填土高度 3.56m，最高填土高度 9.6m。拓宽路段的地质情况如表 1 所示。拓宽路段的路基多为填方路基，对老路基填土钻探结果如表 2 所示。2 拓宽路基不均匀沉降控制技术2.1 土工栅格加筋技术路基是公路的承重结构，承受面层传下来的车辆荷载，必须保证路基足够的强度和应力扩散性能。土工格栅由聚丙烯、聚氯乙烯等聚合物压制而成，变形模量大，抗拉强度高，抗老化性能好2。土工栅格加筋路堤布置如图 1 所示。土工格栅自身与填土之间的摩擦以及网孔与土体之间的咬合，可以束缚路基填料，增大路基的刚度模量，减小路基的侧向变形。此外，土工格栅具有一定的张力和延展性，能使路基与土工格栅形成一个连续柔性结构，可以分散路面传递的载荷，使得更多范围内的土体参与抵抗变形，使路基所受的应力均匀化3。2.2 预应力管桩复合地基处治技术预应力管桩强度高，能有效向深层土体传递载荷。由于管桩和路基填料之间的刚度相差较大，管桩和填料之间产生拱形效应，路基填料的载荷传递至桩帽，增大拓宽路基不均匀沉降控制与变形预测技术研究冉守霞摘要：以二广高速公路洛阳城区段拓宽工程为例，分析公路拓宽施工中的土工栅格加筋技术和预应力管桩技术，对新老路基的沉降量进行监测，并建立了基于 BP 神经网络的变形预测模型，对拓宽路基的变形进行预测分析。研究结果表明：土工栅格加筋技术和预应力管桩复合地基技术，能够有效的控制路基的沉降量，最大沉降值为 5.89mm，横向边坡变动率为 0.74%。BP 神经网络预测模型的相对误差为 1%左右，全程预测的数据偏差在 0.1mm 以内，精度较高，满足工程领域估算要求。关键词：拓宽路基；不均匀沉降；土工栅格；预应力桩；变形预测（河南郑州中牟县道路运输服务中心，河南郑州451450）表 1 地质层参数土质层土质特征压缩模量/MPa承载力/kPa素填土灰黄色，塑性黏土3680140粉质黏土灰黄色，塑性土4890160淤泥质黏土灰黑色，高压缩性土1.540可塑黏土杂黄色，塑性土510130180黏土黄色，硬塑状态812160240表 2 老路基参数土质层含水率/%无侧限抗压强度/MPa老路路基填土21250.20.9地基与路堤间软土层24380.010.2老路基侧边坡填土2529图1 土工栅格加筋路堤布置老路边坡新路边坡土工加筋体148工程机械与维修CONSUMERS&CONSTRUCTION用户施工了桩体承受的载荷，减小了路基土体承受的载荷4，从而提高了预应力管桩复合地基的承载力。为了充分发挥管桩的作用，在桩帽的顶部铺一层碎石加筋垫层，使其形成桩网垫层复合地基，克有效降低加固区的沉降变形量。预应力管桩复合地基结构如图 2 所示。2.3 沉降监测工程质量控制要求按照轻微沉降等级进行控制，横向边坡变动率以 0.15%作为控制上限。路基单侧拓宽 8m，允许的最大沉降量为12mm。拓宽路基的沉降标准见表3所示。施工过程中，每隔 200m 设置一组断面沉降量监测装置。路基施工结束后开始监测，前 10 天，每天监测一次沉降量。之后，每 2 天监测一次沉降量。监测数据显示，最大沉降量发生在新旧路基交界处偏向新路基大概 1m 左右的位置。最高填土高度9.6m处的监测数据如表4所示。为了便于分析沉降量变化趋势，将沉降量监测数据绘制成曲线，如图 3 所示。由表 4 数据可知，拓宽路基的最大沉降量为 5.89mm，小于表 2 中的允许值 12mm，路基施工合格。最大沉降量处的横向边坡变动率为0.74%，是轻微沉降等级的一半。由图 3 沉降量变化曲线可以看出，施工结束前期，沉降量较大。施工结束 30 天后，沉降变慢，并且逐渐趋于平稳。由此可见，应用的土工栅格加筋技术和预应力管桩技术，对控制路基沉降效果良好。3 拓宽路基变形预测技术路基拓宽工程最为常见的问题是新老路基沉降不均匀，为了提前预判路基的变形情况，事先预测并制定针对性的变形控制措施，对路基的沉降变形进行预测具有重要意义。BP 神经网络算法能够快速、准确的处理非线性数据，非常适合对新旧路基的差异沉降进行估算和预测。3.1 BP神经网络原理BP 神经网络具有误差反向传播学习的自适应能力，可分为输入层、隐含层和输出层，每层之间通过节点直接映射，形成类似神经元的网络拓扑结构5。通过对数据的初始化、训练，逐步逼近解析的目标值，直到目标函数值达到设定标准。BP 神经网络具有自适应能力，适用于非线性目标值逼近等数据分析领域。三层 BP 神经网络的拓扑结构如图 4 所示。BP 神经网络模型的输入层可连续表示为1，神经网络的输出层可连续表示为，输入层和输出层之间，通过映射的方式直接连接。为输入层-隐含层的权重系数，则是隐含层-输出层的权重系数，系数的大小决定了该数据的重要程度。上述神经网络模型，输入层有个神经元，输出层有个神经元，则可以产生至的单向映射关系。神经网络迭代训练的基本原理是求解误差函数，得到目标值。为了获得最优值，通常是求解误差函数的最小值。为了快速得到最优解，最初的迭代训练可人为设图2 预应力管桩复合地基图3 沉降量变化曲线图4 三层BP神经网络表 3 差异沉降分级评定等级轻微沉降较小沉降中等沉降较大沉降横向边坡变动率/%0.35允许沉降值/mm12.012.0 20.020.028.028.0表 4 最高填土高度 9.6m 处最大沉降值 监测期/d沉降值/mm监测期/d沉降值/mm12.49164.6122.71174.7532.87184.8143.03195.0153.16205.1663.29215.2373.37225.2783.58235.3493.64245.45103.81255.51113.97265.62124.07275.74134.21285.79144.31295.83154.49305.89X1Y1Y2X2输入层隐含层输出层监测期沉降量累计值/mmX3XnYmWjWi加固区拓宽路基加筋垫层老路基带帽PTC管桩旧路中心线CM&M 2023.04149定误差阈值，例如 10e-4，达到该值即可结束训练。3.2 神经网络结构搭建3.2.1 神经网络结构参数的设置在工程估算领域，设置一个隐含层的 BP 神经网络，已经能够满足精度要求。通过设定一个具体的 3 层神经网络，即可进行迭代训练。确定 BP 神经网络的基本结构后，输入层神经元的数目由初始样本数据决定，输出层的神经元数目由寻优目标个数决定。隐含层所需要的神经元数目由下式（1）计算得到：（1）式中：为输入层的神经元数量，为输出层的神经元数量，可根据需要设定具体个数，均必须取整数。为由经验确定的变量，通常取 210，可取非整数值。一般来讲，隐含层神经元数不小于输入层神经元数，且不大于输入层神经元与输出层神经元数量之积。3.2.2 神经网络结构函数的选取隐含层的计算函数选用线性激活函数 tansig()，输出层选用单极性 S 函数 logsig()；训练函数则选用自适应学习率的梯度下降函数 traingda()，可以加快神经网络的迭代训练速度，在较短时间内收敛，得到最优解。经过上述步骤后，典型结构的 BP 神经网络结构即搭建完成。通过 Matlab 仿真环境，加载样本数据后，即可进行迭代训练。3.3 样本数据训练以监测数据作为训练数据，设定 BP 神经网络迭代训练 9000 次，训练过程的误差曲线如图 5 所示。前 400 次训练过程中，相对误差下降速度非常快，反映出 BP 神经网络学习能力非常强。4008000 次之间，相对误差下降较为缓慢。8000 次之后，相对误差为 210e-4，且基本不再变化，说明训练结果已经稳定，得到了最佳预测模型。3.4 路基变形预测分析运用上述训练测试完成的路基沉降变形预测模型，对上述表 4 中的偶数监测期的数据进行预测，验证 BP神经网络模型的有效性，预测值如表 5 所示。为了对比分析，将相对误差取绝对值，绘制曲线如图 6 所示。由表 5 和图 6 可以看出，预测值和实际值差异很小，偏差绝对值在 0.1mm 以内，预测精度很高。预测数据最终的相对误差稳定在 1%以内，准确度达到 99%以上，满足工程领域估算的精度要求。4 结语本文以二广高速公路洛阳城区段拓宽工程为例，对拓宽路基的变形进行了预测分析，得到如下结论：土工栅格加筋技术和预应力管桩技术能够有效的控制路基的沉降量，最大沉降值为 5.89mm，横向边坡变动率为 0.74%，是轻微沉降等级的一半。BP 神经网络预测模型的相对误差在1%左右，准确度达到 99%以上，全程预测的数据偏差在0.1mm 以内，精度较高，满足工程领域估算的精度要求。参考文献1 张凯乐.高速公路改扩建中路基加宽段差异沉降控制技术的应 用 J.交通世界,2022(25):58-60.2 阎玉菡,孙拴虎,齐海鹏等.高速公路新旧路基差异沉降控制 技术试验研究 J.甘肃科技纵横,2021,50(8):55-57+71.3 闵晓阳,陈斌,杨浩等.高速公路改扩建新旧路基差异沉降规 律及控制技术探究 J.建筑技术开发,2021,48(3):159-160.4 贺如意.高速公路加宽路基沉降差异及控制技术探讨 J.工程 技术研究,2021,6(16):87-88.5 林国平.BP 神经网络算法预测路基边坡滑坡变形的应用研究 J.路基工程,2021(4):99-103.图5 神经网络迭代训练过程误差曲线图6 预测数据相对误差曲线表 5 沉降预测值监测期沉降值/mm预测值/mm偏差值/mm误差/%准确度/%22.712.65-0.062.2197.7943.032.99-0.041.3298.6863.293.24-0.051.5298.4883.583.51-0.071.9698.05103.813.76-0.051.3198.69124.073.89-0.081.9698.04144.314.24-0.071.6298.38164.614.39-0.061.3098.70184.814.72-0.051.0498.96205.165.170.03-0.5899.42225.275.250.04-0.7699.24245.455.560.04-0.7399.27265.625.670.05-0.8999.11285.795.830.04-0.6999.31305.895.940.05-0.8599.15误差迭代训练次数监测期相对误差/%