变刚度基础工后沉降智能预测方法研究.pdf

912023.07/技术与部品2023 年第 7 期地面不均匀沉降对建筑结构的危害极大，因此采用变刚度基础调平1，控制沉降差，“抑强补弱”可促使沉降趋向均匀。但由于变刚度基础工后效果未曾可知，所以在建筑物建设过程和建设完成之后定期观测建筑物沉降，对确保建筑物和人民生命财产的安全具有重要意义。在实际监测过程中，可能会受到外部条件的干扰，导致测量的沉降数据不准确，这将对后期的监控和分析产生重大影响。如果在初期就利用基于监测数据的预测模型预测沉降的长期发展趋势，不仅可以节省时间和经济成本，而且可以及时采取措施减少沉降，从而保持施工质量和安全。为研究变刚度基础工后的沉降预测方法，本文基于实际工程数据，利用 Python 语言编写传统沉降预测方法（双曲线法、三点法）和机器学习沉降预测方法（BP 神经网络模型、决策树模型），对多测点进行沉降预测，以选择出预测变刚度基础工后沉降精度高、鲁棒性强的预测模型。一、工程概况某工程位于济南市历城区董家街道，温梁路以南，杨家河西路以西，原始地面高程为 101.50.5m。该工程拟建办公楼长 42.8m、宽 17.1m、高 41.4m（地上 10 层、地下 1 层）。为控制建筑物沉降差，抑制不均匀沉降，该办公楼主体部位采用变刚度基础，基础形式为筏板基础，筏板厚度及板顶标高详情见图 1。变刚度基础工后沉降智能预测方法研究 陈天宇 孟杰 张家立（山东高速工程建设集团有限公司，山东济南 250000）摘要本文针对变刚度基础工后沉降难以预测的问题，使用传统预测沉降方法和机器学习预测沉降模型，并基于现场沉降观测资料，预测某变刚度基础办公楼工后的沉降量，并对该工程的 6 个测点均进行沉降预测验证。结果表明，机器学习模型预测精度远优于传统预测沉降方法，且 BP 神经网络模型比决策树具有更高的鲁棒性。关键词变刚度基础；沉降预测；BP 神经网络；决策树Abstract:This paper aims at the problem of difficult to predict the post-construction settlement of variable stiffness foundation,uses the traditional prediction settlement method and machine learning prediction settlement model to predict the post-construction settlement amount of a variable stiffness foundation office building based on on-site settlement observation data.At the same time,the settlement prediction verification of the six measurement points of the project was carried out.The results show that the prediction accuracy of the machine learning model is much better than that of the traditional prediction settlement method,and the BP neural network model has higher robustness than the decision tree.Keywords:variable stiffness foundation,settlement prediction,BP neural networks,decision tree如图 1 所示，通过筏板厚度和板顶标高将办公楼主体基础分为 5 个区域，为确切反应建筑物在施工过程中的沉降变化量，确保建筑物顺利施工和建筑物封顶后的变形，对该办公楼进行沉降观测，测点布置见图 2（a）。从图 2（a）中可以看出，对#1 办公楼四角部位以及长边中间部位设置沉降观测点，共 6 个观测点。图 1 办公楼主体基础详情92/2023.07技术与部品2023 年第 7 期从 2022 年 10 月 20 日开始对办公楼进行沉降观测，2023 年 4 月 4 日进行了最后一次观测，总共观测了167天。建筑物施工层数及沉降随时间变化见图2（b），从图中可以看出，在建筑物主体完成后的 15 天左右沉降趋于平缓。二、算法原理1.传统预测方法（1）双曲线法。双曲线法是沉降速率以双曲线的形式逐渐变小的推导经验方法，是沉降量与时间的函数关系2，关系公式如下：（1）式中：S0为 t=0 时的地基沉降量；St为对应 t 时刻的地基沉降量；和 为与地基及荷载有关的常数，（2）三点法。三点法相比双曲线法、指数法等曲线拟合法,所需资料最少,只需取沉降数据中的 3 个点就可以推算地基沉降量3。三点法预测曲线公式如下：（2）式中：S为地基最终沉降量；St为对应 t 时刻的地基沉降量；Sd为对应 t=d 时刻的地基瞬时沉降量；和 为与地基及荷载有关的常数。2.机器学习算法（1）BP 神经网络模型。误差逆传播神经网络模型是训练多层前馈神经网络的一种最经典的算法，主要由输入层、隐含层以及输出层组成4。过程主要分为两个阶段：第一阶段是信号的前向传播，从输入层经过隐含层到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层以及输入层到隐含层的权重和偏置。（2）决策树模型。决策树模型由根节点、内部决策节点和终端叶节点组成5，一般用于样本的分类，但也可以用于数值变量的预测。使用决策树进行数值变量预测的算法主要有两种：一种是回归树（Regression Tree）算法；另一种是模型树（Model Tree）算法。本文使用的回归树算法，模型原理为通过数据集训练出一组适合该数据集的预测规则。三、预测结果分析1.评估标准为评估智能预测方法与传统预测方法的优劣，采用决定系数 R26、平均绝对误差7和均方误差8作为评估标准，三个评估标准的公式如下：（3）（4）（5）式中：n 为数据集的数量；yi*和 yi为第 i 个预测值和真实值；y 为数据集的平均值。决定系数 R2最大值为 1，越接 1 说明预测值与实际值拟合越好；反之则拟合越差。平均绝对误差和均方误差最小值为 0，越接 0 说明误差越小，模型预测精度越高；反之误差越大，模型预测精度越低。2.结果分析本研究基于 Python 语言，编写了四种方法的预测程序。将整个沉降数据的前 80%作为训练集，剩余 20%作为预测集，传统方法选择建筑物浇筑完成后且位于训练集内的沉降数据进行沉降曲线计算，机器学习模型选择训练集进行训练学习，进而运用四种方法分别对办公楼的 6 个沉降观测点进行预测，预测结果见图 3。图 2 办公楼沉降观测详情图 3 6 个测点预测结果对比932023.07/技术与部品2023 年第 7 期从图 3 的预测结果可以看出，6 个测点用双曲线法和三点法预测的结果与实际值均相差过大，反观BP 神经网络与决策树预测结果与实际值拟合较好，这说明机器学习方法在预测变刚度基础工后沉降时优于传统预测沉降方法。为更加精准地对比各方法的优劣，采用决定系数、平均绝对误差和均方误差作为评估标准，分别对各测点预测结果进行计算，计算结果见表 1。四、结语以某变刚度基础办公楼工程为背景，采用传统沉降预测模型和机器学习沉降预测模型分别建立变刚度基础工后沉降预测模型，通过对比模型预测沉降值和实测沉降值可以得出以下结论：（1）对比传统方法和机器学习方法预测结果可知，机器学习对变刚度基础工后沉降的预测精度远高于传统预测方法。（2）通过对比 BP 神经网络和决策树预测结果可知，BP 神经网络预测性能优于决策树。（3）基于 BP 神经网络对 6 个测点的预测结果可知，BP神经网络对变刚度基础工后沉降预测结果较稳定，鲁棒性最高。参考文献：1 袁杰,侯森,苑嗣明.复合地基变刚度调平设计在某框架-核心筒结构中的应用 J.建筑结构,2021,51(S1):1823-1826.2 王涛,赵志鹏,褚卓等.桩基沉降计算的改进方法及工程案例验证 J/OL.岩土工程学报:1-102023-04-16.3 佟建兴,周圣斌,贾宁,孙训海,王亚辉,李钊.既有建筑采用复合桩基加固的变刚度调平设计J.工程抗震与加固改,2021,43(03):159-164+154.DOI:10.16226/j.issn.1002-8412.2021.03.022.4 谢赛军.大面积软基处理过程中的沉降预测研究 J.广东土木与建筑,2021,28(06):43-46.DOI:10.19731/j.gdtmyjz.2021.06.012.5 王超,罗航,邱敏,等.巴拿马 Amador 邮轮码头深厚软黏土地基沉降预测方法对比 J.水运工程,2020(11):170-175+185.DOI:10.16233/ki.issn1002-4972.20201102.011.6 孙 长 帅,王 基 文,于 天 文,等.ARIMA 方 法 预 测 吹 填 软基沉降的适用性 J.计算机辅助工程,2023,32(01):69-73.DOI:10.13340/j.cae.2023.01.013.7 陈阳阳,陈健,骆汉宾.超大直径盾构掘进地表沉降预测修正决策树法 J.地下空间与工程学报,2022,18(S1):379-384+395.8 王喆,连炎清,李晓娜,等.基于机器学习的灞河水质参数遥感反演研究 J.人民长江,2022,53(09):13-18.DOI:10.16232/ki.1001-4179.2022.09.003.9 刘青豪,张永红,邓敏等.大范围地表沉降时序深度学习预测法 J.测绘学报,2021,50(03):396-404.10 梁恩豪,孙军伟,王延峰.基于自适应樽海鞘算法优化BP 的风光互补并网发电功率预测 J.电力系统保护与控制,2021,49(24):114-120.DOI:10.19783/ki.pspc.210059.作者简介：陈天宇，男，1992 年生，工程师，主要从事土木工程施工管理研究。孟杰，男，1982 年生，工程师，主要从事土木工程施工技术研究。张家立，男，1990 年生，初级工程师，主要从事建筑技术研究。测点评估标准双曲线法三点法BP 神经网络决策树1-1MSE0.508016.67190.00040.0014MAE0.70134.056770.01760.0292R2-40.6569-1366.15110.96910.88771-2MSE0.361551.54840.00040.0017MAE0.58986.60400.01720.0339R2-44.6132-6502.90360.95510.78901-3MSE2.482315.11460.00030.0012MAE1.53793.85810.01610.0289R2-148.3707-908.49910.98110.93101-4MSE1.18462.83260.00030.0017MAE1.06131.68300.01440.0356R2-122.8779-295.20520.97260.81881-5MSE5.12812.96180.00030.0018MAE2.20211.72080.01510.0369R2-609.6160-351.66600.96300.78881-6MSE5.12812.96180.00030.0018MAE2.20211.72080.01510.0369R2-609.6160-351.66600.9630 0.7888从表 1 预测评估结果可以看出，传统预测方法的R2均为负值，且 MSE 和 MAE 较大，而机器学习预测方法的 R2均大于 0.78，且 MSE 和 MAE 远小于传统预测方法，这说明机器学习预测方法优于传统预测方法。对比分析图 4 和表 1 可知：在传统预测方法中，双曲线法对测点 1-1、1-2、1-3、1-4 的预测结果优于三点法，而三点法对测点 1-5 和 1-6 的预测结果优于双曲线法；机器学习预测方法中，BP 神经网络预测结果较稳定，对 6 个测点预测结果的 R2 均在 0.96以上，高于决策树模型，且 BP 神经网络预测结果的MSE 和 MAE 值远小于决策树模型，这说明 BP 神经网络预测变刚度基础工后沉降具有一定的适应性，且预测精度较高。表 1 评估结果