基于多因素混合模型的運營期群樁軸力預測

陳志堅　黃偉杰

摘 要：結合橋梁深水群樁基礎在運營期間的受力特征，研究了深水群樁基礎基樁軸力混合模型的一般原理.提出了基于多種環(huán)境因素影響下群樁基礎監(jiān)測數據的運營期混合模型，利用有限元模擬與PSO-SVM統(tǒng)計方法在蘇通大橋群樁基礎中實現(xiàn)了混合模型的構建.為了方便比較，建立了徑向基函數（RBF）人工神經網絡模型，對比了混合模型與RBF模型的預測結果.研究表明，混合模型預測精度較高，在受力情況不同的3根基樁上都有較為穩(wěn)健的預測能力，具有較強的泛化能力，混合模型可適用于深水群樁基礎運營期軸力的預測.

關鍵詞：有限元方法；深水群樁基礎；運營期；混合模型；多因素；軸力預測

中圖分類號：TU473.1 文獻標識碼：A

文章編號：1674-2974（2016）03-0155-06

隨著近年來中國基礎建設事業(yè)的日益發(fā)展，規(guī)模越來越宏大的建筑物在工程實踐中也越來越常見，超大型群樁基礎在大型工程中也得到了更多的應用.對于許多關乎國計民生的大型工程，不僅應關注其群樁基礎在施工期的安全穩(wěn)定情況，而且其群樁基礎在運營期的安全穩(wěn)定性也應該得到足夠的重視.在工程中對軸力或承載力建立預測模型時大體可分為3類[1]，即統(tǒng)計模型、確定性模型和混合模型.其中混合模型[2-3]介于統(tǒng)計模型和確定性模型之間，即混合模型中某些分量用確定性模型來描述，其余分量用統(tǒng)計模型來描述，使其具備統(tǒng)計性質，又可以反映群樁的物理力學工作狀態(tài).混合模型建模受時域限制較小，外延功能較強，在大壩安全預測預報中已得到較為廣泛的運用.目前，工程界對樁基礎進行軸力或承載力預測時大多采用的是統(tǒng)計模型預測方法[4-5]，仍未見有運用混合模型建立群樁軸力預測模型的相關研究.

本文利用蘇通大橋的多因素原型監(jiān)測數據，分析了進行超大型深水群樁基礎運營期基樁軸力預測的特點，吸取了利用混合模型建立大壩安全預測模型的思路，引入考慮多影響因素的混合模型預測方法，建立了深水群樁基礎基樁軸力的多因素混合模型.并且，還利用徑向基函數（RBF）人工神經網絡建立了運營期軸力的預測模型，對比了RBF神經網絡模型與混合模型在運營期群樁軸力預測中的精度.

1 多因素混合模型的構建

在體量龐大的群樁基礎建設階段，承臺的設計剛度、橋墩選址、樁位布置與樁間距等設計因素對后階段運營期的各基樁軸力分布有著十分深刻的影響.而在大型深水群樁基礎的正常運營期間，由于上述設計因素已經定型，上部荷載變化不大，與建設期相比，基樁軸力的變化幅度較小，群樁基礎的受力情況主要受多種環(huán)境因素影響.對于有高聳上部結構的橋梁深水群樁基礎而言，影響基樁受力安全性的多環(huán)境因素主要為潮位、交通流量、水溫和風速等.在運營期群樁軸力預測模型的構建中，不僅需要精確考慮同步觀測到的多種環(huán)境數據，并且應選擇更加精準的預測模型才能滿足運營期軸力的預測要求.

1.1 群樁軸力混合模型基本原理

2 工程應用

2.1 工程概況

蘇通大橋是迄今世界第二大規(guī)模的斜拉橋，開工建設于2003年，直至2008年7月1日正式通車運營，蘇通大橋的多環(huán)境因素原型監(jiān)測[12]也同步進入了運營期安全監(jiān)測階段.大橋主塔主4#墩（北主墩）和主5#墩（南主墩）均采用131根直徑為2.8 m（上段）/2.5 m（下段）的大直徑、超長、變徑鉆孔灌注樁基礎，塔墩基礎為迄今世界最大規(guī)模的橋梁超大型群樁基礎.由于樁基礎處于復雜的深水環(huán)境，考慮到群樁基礎環(huán)境因素的復雜性，為了保證超大型群樁基礎的安全穩(wěn)定性，開展了群樁基礎安全監(jiān)測.蘇通大橋南北索塔墩基樁軸力監(jiān)測系統(tǒng)皆由10根監(jiān)測樁組成，其中主5#墩各監(jiān)測樁布置有9個監(jiān)測斷面，共布置24套鋼筋應力計、18套混凝土應變計和2套頂出式壓力盒，且布置有水壓力監(jiān)測儀、水溫監(jiān)測儀以及索塔頂風速監(jiān)測儀.本文采用主5#墩上游承臺29#、臨近系梁區(qū)的36#樁以及下游承臺的68#邊樁這3根監(jiān)測樁-12.0 m高程斷面（第一斷面）從2013年1月1日00：00至2013年2月7日06：00的150組實測監(jiān)測數據進行深入分析.上述3根樁的軸力時程曲線如圖1所示，3根監(jiān)測樁的分布位置如圖2所示.

2.2 混合模型建立

蘇通大橋位于長江下游潮汐河段，最大潮差約4 m，而體積巨大的群樁基礎承臺位于長江水面附近，對于平面面積達5 600 m2的主墩基礎，潮位每米漲跌引起的浮力變化約為56.0 MN.蘇通大橋車流量在不同時刻變化顯著，車輛荷載也是運營期軸力變化的影響因素之一.且橋位區(qū)的水溫一年內變化幅度較大，溫度波動范圍為8°～30°，溫度的變化對混凝土應變有顯著影響.另外，由于主5#墩處的索塔為三百多米的高聳建筑，索塔所受的風荷載也是影響樁基礎軸力不容忽視的因素.綜合上述分析，在建立運營期混合預測模型時應考慮的多環(huán)境因素為潮位、交通流量、水溫與風速.

2.2.1 有限元計算潮位分量的擬合表達式

在有限元分析中建立的模型尺寸與實際一致，土體模型根據彈性力學的厚壁圓筒理論、有限元原理及工程經驗，在豎直方向、橫橋方向與縱橋方向計算范圍分別取為200 m，300 m與150 m，模型三維效果如圖3所示.

基樁與承臺之間變形協(xié)調，且在荷載作用下不會相互脫離，因此在基樁與承臺之間可以用綁定約束連接.基樁與土體之間變形不協(xié)調，發(fā)生相互錯動滑移，故在其間設置接觸面單元，其模型設為庫倫摩擦模型.本文采用ABAQUS有限元軟件進行計算分析，接觸面法向剛度為2.5×108 N/m，切向剛度為3.0×106 N/m，摩擦角為20°，粘結力為8 kPa.樁身混凝土采用彈性模型，重度為24 kN/m3，彈模為33 GPa，泊松比為0.167，凝聚力取30 MPa，內摩擦角取37°.地基土的本構模型采用Duncan-Chang模型，Duncan-Chang模型模擬樁基的變形性狀效果較好，它考慮了土體的彈塑性變形的特征，并能較好地反映應力路徑對變形的影響.

由橋位區(qū)的地質資料顯示：地基土共分為18個工程地質層.按現(xiàn)有的計算條件無法一一考慮，可以通過相似的原則進行土層的概化，簡化后的土體參數如表1所示.其中壓縮模量Es與變形模量Eo可按下列理論公式進行換算[13]：

對于上述平面面積達5 600 m2的群樁基礎模型，每米潮差能引起56.0 MN的浮力改變量.利用作用在承臺頂端中心的均布力模擬上部恒載，利用作用在承臺底面的面荷載改變來模擬浮力大小的變化，并分別按潮位高程-7.00，-5.00，-3.00，-1.00，0.00，1.00，3.00和6.00 m等8種工況計算3根監(jiān)測樁-12.0 m高程斷面的軸力值，軸力有限元計算值如表2所示.

由上述計算值，通過式（3）擬合潮位分量公式中的回歸系數，確定各根樁的潮位分量公式分別為：

2.3 預測結果對比分析

為方便對比，利用MATLAB建立了多因素RBF神經網絡軸力預測模型，將潮位、交通流量、水溫、風速等4個分量都做為RBF模型的考慮因素.

基于本文建立的混合模型與用于對比的RBF模型，分別對3根基樁從2013年2月5日00：00至2013年2月7日06：00的10組數據進行軸力預測，兩個模型關于軸力實測值與預測值的對比結果如表6所示.各監(jiān)測樁軸力兩個預測模型的實測值與預測值相對誤差統(tǒng)計圖如圖5所示.

混合模型與RBF模型的預測效果顯示，在深水群樁基礎的運營期軸力預測中，混合模型的預測精度高于徑向基型（RBF）人工神經網絡模型，能較好地對基樁軸力進行精確地預測.在分布位置不同、軸力變化情況各異的3根基樁軸力預測中，混合模型的平均百分誤差（MAPE）為1.25，體現(xiàn)了混合模型出色的泛化能力與模型穩(wěn)健性，較低的MAPE值也反映了混合模型能更好地滿足運營期軸力預測對精度的要求.

3 結 論

1）在大型橋梁的通車運營期間，由于沒有工程施工的影響，上部荷載較為穩(wěn)定，橋梁群樁基礎安全穩(wěn)定主要取決于環(huán)境因素對基礎的影響.因而探明影響群樁基礎基樁軸力變化的因素，并分析各因素對軸力的影響特征是進行運營期軸力預測的關鍵.

2）在蘇通大橋群樁運營期軸力原型監(jiān)測中，潮位、交通流量、水溫與風速是影響軸力改變的主要因素.其中潮位分量Fl（H）用有限元計算來確定，其他分量Ff·t·s（t）用PSO-SVM統(tǒng)計方法來確定，從而構建了多因素的混合模型，實現(xiàn)了對群樁軸力較為精準的預測.經過與RBF模型對比，展現(xiàn)了混合模型在運營期軸力預測中具有較高的精度、較好的泛化能力與模型穩(wěn)健性.

3）多因素混合模型是基于大量的實測數據來進行構建的，類似工程中若實測數據量較少，可相應減少PSO-SVM的統(tǒng)計訓練樣本，按實踐經驗，50組的實測數據就能實現(xiàn)混合模型的構建.研究表明，有限元確定性模型對潮位分量實現(xiàn)了較好的擬合，可知確定性模型能勝任物理力學關系較為明晰的預測模型構建.因此在上部荷載大幅變化的建設施工期，若類似工程并無實測數據，確定性模型也是實現(xiàn)軸力預測的良好選擇.多因素混合模型在本工程實例中的良好表現(xiàn)，反映了該模型考慮的環(huán)境影響因素符合工程運營期的實際工況，也驗證了混合模型在群樁軸力預測中的可行性，在類似高樁深水大承臺的群樁運營期軸力預測中，具有一定的工程應用價值.

參考文獻

[1] 彭虹， 史宇澄. 大壩監(jiān)測資料分析模型的研究[J]. 大壩與安全， 1990（1）：61-79.

PENG Hong， SHI Yu-cheng. Analysis model study of large dam monitoring[J]. Large Dam and Safety， 1990（1）：61-79.（In Chinese）

[2] 黃鋒， 尹俊勛. 一種改進的基于GMM模型的語音序列評分和分類方法[J]. 湖南大學學報：自然科學版， 2008， 35（11）：79-82.

HUANG Feng， YIN Jun-xun. An improved GM M-Based method for scoring and classification of speech sequence[J]. Journal of Hunan University：Natural Sciences， 2008， 35（11）：79-82.（In Chinese）

[3] 包騰飛， 吳中如， 顧沖時. 基于統(tǒng)計模型與混沌理論的大壩安全監(jiān)測混合預測模型[J]. 河海大學學報：自然科學版， 2003， 31（5）：534-538.

BAO Teng-fei， WU Zhong-ru， GU Chong-shi. Statistic model and chaos theory-based hybrid forecasting model for dam safety monitoring[J]. Journal of Hohai University：Natural Sciences， 2003， 31（5）：534-538. （In Chinese）

[4] BYON S， NA D， LEE Y. Flow stress equation in range of intermediate strain rates and high temperatures to predict roll force in four-pass continuous rod rolling[J]. Transactions of Nonferrous Metals Society of China， 2013（3）：742-748.

[5] 董輝， 傅鶴林， 冷伍明，等. Boosting集成支持向量回歸機的滑坡位移預測[J]. 湖南大學學報：自然科學版， 2007， 34（9）：6-10.

DONG Hui， FU He-lin， LENG Wu-ming， et al. Boosting ensemble of support vector regression for landslide prediction[J]. Journal of Hunan University：Natural Sciences， 2007， 34（9）：6-10. （In Chinese）

[6] 吳中如. 混凝土壩安全監(jiān)控的確定性模型及混合模型[J]. 水利學報， 1989 （5）：64-70.

WU Zhong-ru. Concrete dam safety monitoring of deterministic model and hybrid model[J]. Journal of Hydraulic Engineering， 1989（5）：64-70. （In Chinese）

[7] 包騰飛， 吳中如. 混凝土裂縫開度混合預測模型[J]. 水利水電技術， 2005， 36（11）：52-55.

BAO Teng-fei， WU Zhong-ru. A hybrid model for prediction of concrete crack opening[J]. Water Resources and Hydropower Engineering， 2005， 36（11）：52-55. （In Chinese）

[8] WRAGG P D. Recent blooms of the dinoflagellate Ceratium in Albert Falls Dam （KZN）： History， causes， spatial features and impacts on a reservoir ecosystem and its zooplankton[J]. Water SA， 2009， 35（4）：455-468.

[9] VAPNIK V N. The nature of statistical learning theory[M]. New York： Springer-Verlag， 1995：35-68.

[10]SHI Y， EBERHART R C. Empirical study of particle swarm optimization[C]//Proceeding of Congress on Evolutionary Computation. Piscataway， NJ：IEEE Service Center， 1999：1945-1949.

[11]周馳， 高海兵， 高亮， 等. 粒子群優(yōu)化算法[J]. 計算機應用研究，2003， 20（12）： 7-11.

ZHOU Chi， GAO Hai-bin， GAO Liang， et al. Particle swarm optimization algorithm [J]. Application Research of Computers， 2003， 20（12）： 7-11. （In Chinese）

[12]陳志堅， 薛濤， 馮凌云，等. 數據融合算法在蘇通大橋群樁基礎安全性評價中的應用[J]. 巖石力學與工程學報， 2009， 28：3270-3276.

CHEN Zhi-jian， XUE Tao， FENG Ling-yun， et al. Application of data fusion algorithm to safety evaluation of pile-group foundation of Sutong bridge[J]. Chinese Journal of Rock Mechanics and Engineering， 2009， 28：3270-3276. （In Chinese）

[13]高大釗. 土質學與土力學[M]. 3版. 北京：人民交通出版社， 2007：120-138.