房屋建筑樁基工程施工質(zhì)量檢測技術(shù)研究

寇文，段春強(qiáng)，劉毅，馬津生，張宏歷

摘 要：研究一種基于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)深度迭代回歸方法的房屋建筑樁基礎(chǔ)施工質(zhì)量檢測方法。根據(jù)樁基礎(chǔ)施工過程中的大孔徑深孔鉆機(jī)和套管沉管機(jī)的實(shí)際運(yùn)行數(shù)據(jù)，對其進(jìn)行基于神經(jīng)網(wǎng)絡(luò)對數(shù)回歸函數(shù)模塊和二值化重投影回歸函數(shù)模塊的深度迭代回歸分析，得到精度在10 mm的樁基礎(chǔ)解析度評價(jià)結(jié)果。此數(shù)據(jù)可以較傳統(tǒng)微震測試法給出更加清晰的異常區(qū)邊界且給出異常區(qū)內(nèi)部數(shù)據(jù)細(xì)節(jié)，但新方法仍缺少對樁基礎(chǔ)可用性的決策性評價(jià)方法，需要與傳統(tǒng)檢測方法聯(lián)合使用。

關(guān)鍵詞：樁基礎(chǔ);施工質(zhì)量;檢測驗(yàn)收;神經(jīng)網(wǎng)絡(luò);深度迭代回歸分析

中圖分類號：TU753.3 文獻(xiàn)標(biāo)識碼：A ? ? 文章編號：1001-5922（2021）12-0155-03

Research on Construction Quality Detection Technology of Building Pile Foundation Engineering

Kou Wen， Duan Chunqiang， Liu Yi， Ma Jinsheng， Zhang Hongli

（The Fourth Construction Co.， Ltd. of CSCEC 7th Division， Zhengzhou 450000， China）

Abstract：A construction quality detection method of building pile foundation based on neural network data depth iterative regression method has been studied. The actual operation data of large diameter deep hole drilling rig and casing pipe sinking machine in the process of pile foundation construction is analyzed. In addition， the depth Iterative regression analysis of logarithmic regression function module and binary reprojection regression function module is carried out. Thus the evaluation result of pile foundation resolution with accuracy of 10 mm is obtained. Compared with the traditional microseismic test method， the boundary of the abnormal area is more clear， and the internal data of the abnormal area is more detailed. However， the new method still lacks the decision-making evaluation method for the availability of pile foundation， which needs to be used in combination with the traditional detection method.

Key words：Pile foundation; Construction quality; Detection and acceptance; Neural network; Deep iterative regression analysis

0 引言

建筑物樁基礎(chǔ)的工程學(xué)意義是在深度發(fā)育第4系或高風(fēng)化軟巖基礎(chǔ)上，將建筑物自重靜壓向深部穩(wěn)定巖層進(jìn)行傳遞的力學(xué)結(jié)構(gòu)[1]。對軟基礎(chǔ)上的高層建筑來說，樁基礎(chǔ)的施工質(zhì)量如果不達(dá)標(biāo)，則會對整個建筑物的穩(wěn)定性、安全性帶來顯著影響。因?yàn)椴糠謽痘A(chǔ)的底端埋深達(dá)到數(shù)十米，無法在施工后根據(jù)地表鋼筋混凝土結(jié)構(gòu)的一般檢測手段進(jìn)行施工質(zhì)量檢測，所以早期研究采用了多種基于大數(shù)據(jù)分析的全息檢測方法[2]。傳統(tǒng)驗(yàn)收模式下，可能采用微震法對樁基礎(chǔ)進(jìn)行補(bǔ)充物探，即在施工完成的樁基礎(chǔ)頂端施加一定強(qiáng)度的微震，通過在樁基礎(chǔ)周邊土層中使用高精度激光加速度計(jì)獲得土層振動響應(yīng)結(jié)果，從而實(shí)現(xiàn)對地埋樁基礎(chǔ)部分的三維成像[3]。但因?yàn)樵摲椒ǖ某上窬仁艿酵翆咏Y(jié)構(gòu)、地下水賦存情況，以及地溫、氣溫等影響，導(dǎo)致成像結(jié)果并不穩(wěn)定，成像效果難以達(dá)到施工質(zhì)量檢測工作的預(yù)期[4]。

本文以管式沉樁澆筑法為個案，研究鉆孔機(jī)、沉樁機(jī)等設(shè)備的運(yùn)行數(shù)據(jù)，在后續(xù)大數(shù)據(jù)分析的基礎(chǔ)上進(jìn)行深度數(shù)據(jù)挖掘分析，從而得出樁基礎(chǔ)施工質(zhì)量評價(jià)結(jié)果[5]。

1 個案一般情況

某高層建筑地上36層，地下3層，基坑深度11.4 m，地上部分高度112.5 m，占地面積1 032 m2，基坑成型面積（肋型墻中線）752 m2，總建筑面積3.6萬m2。建筑物基礎(chǔ)為長江中下游沖擊平原，基坑范圍第4系厚度37～52 m，第4系下伏巖層為厚度19～22 m的高節(jié)理亞鐵粉砂巖（C15），粉砂巖下部巖層為大于50 m厚度致密鮞狀灰?guī)r（C45）。地質(zhì)探查鉆孔共3處，揭露3處，鉆孔深度100 m，均為揭露灰?guī)r底板[6]。

故施工設(shè)計(jì)中，計(jì)劃將建筑物9個深孔樁置入該灰?guī)r層頂板下2 m，樁套管外徑570 mm，為圓形截面鋼套管，內(nèi)澆筑C40混凝土成樁。該9個深孔樁的基本參數(shù)如表1所示。

由表1可知，9個鉆孔深度最小的為47.2 m，最大的為65.8 m，均屬于超深沉樁澆筑式鉆孔。鉆孔養(yǎng)護(hù)期為4個月，在養(yǎng)護(hù)期內(nèi)進(jìn)行基于施工數(shù)據(jù)的數(shù)據(jù)挖掘，分析鉆孔質(zhì)量，同時(shí)保留微震法檢測作為備份技術(shù)[7]。

2 數(shù)據(jù)采集方法

核心數(shù)據(jù)來自大孔徑深孔鉆機(jī)、沉管機(jī)等核心施工設(shè)備的施工過程運(yùn)行參數(shù)，包括轉(zhuǎn)速、給進(jìn)速度、液壓壓力等。所有數(shù)據(jù)根據(jù)鉆頭即沉管前緣的給進(jìn)深度進(jìn)行統(tǒng)一整理，待挖掘數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)如表2所示。

由表2可知，針對每個深度值，構(gòu)建6個單精度浮點(diǎn)變量（Single格式），形成7×n的數(shù)據(jù)挖掘原始矩陣，對該矩陣進(jìn)行基于神經(jīng)網(wǎng)絡(luò)算法的深度分析，當(dāng)加大鉆頭/前緣深度的取樣密度時(shí)，該數(shù)據(jù)可以較大程度反映出鉆孔施工過程中的相關(guān)參數(shù)。

實(shí)際數(shù)據(jù)采集中，采用0.01 m（10 mm）的采樣間隔，即在上述9個鉆孔中，取得4 720～6 580組數(shù)據(jù)，通過對這些數(shù)據(jù)進(jìn)行深度挖掘分析，可以得到相應(yīng)的數(shù)據(jù)分析結(jié)果[8]。

3 神經(jīng)網(wǎng)絡(luò)算法模塊設(shè)計(jì)

如果將最大7×6 580的原始數(shù)據(jù)矩陣直接輸入神經(jīng)網(wǎng)絡(luò)，則會造成兩點(diǎn)問題：一是其運(yùn)算過程的節(jié)點(diǎn)結(jié)構(gòu)會較為復(fù)雜，數(shù)據(jù)降維造成的數(shù)據(jù)信息損失較為嚴(yán)重;另外，單一神經(jīng)網(wǎng)絡(luò)輸出的數(shù)據(jù)難以滿足對整個鉆孔質(zhì)量的統(tǒng)一觀察控制。所以，采用相鄰數(shù)據(jù)記錄聯(lián)合、逐一對數(shù)據(jù)進(jìn)行分析，從而或者包含一個輸出結(jié)果數(shù)據(jù)列的分析結(jié)果。該神經(jīng)網(wǎng)絡(luò)架構(gòu)如圖1所示。

由圖1可知，以第n條記錄為核心數(shù)據(jù)，參照第n-1條記錄和第n+1條記錄為參照數(shù)據(jù)，分別對3條記錄各6個數(shù)據(jù)進(jìn)行輸入融合，即將6條Single格式數(shù)據(jù)融合成1條Double格式數(shù)據(jù)，得到3個Double格式數(shù)據(jù)后，經(jīng)過1個中央融合模塊，將其進(jìn)一步降維成1個Double格式數(shù)據(jù)F（n）。該數(shù)據(jù)即為針對第n條記錄的評價(jià)結(jié)果，該結(jié)果應(yīng)為一個[-1，+1]區(qū)間上的數(shù)據(jù)，當(dāng)數(shù)據(jù)接近于0時(shí)，認(rèn)為數(shù)據(jù)正常，而當(dāng)數(shù)據(jù)接近于-1或+1時(shí)，認(rèn)為數(shù)據(jù)存在問題[9]。其中：

（1）輸入融合模塊。輸入融合數(shù)據(jù)的統(tǒng)計(jì)學(xué)意義是將6個Single型數(shù)據(jù)融合成1個Double型數(shù)據(jù)，屬于數(shù)據(jù)降維算法過程，但與傳統(tǒng)的降維模塊不同，該模塊應(yīng)更側(cè)重?cái)?shù)據(jù)細(xì)節(jié)的表現(xiàn)，即采用對數(shù)回歸函數(shù)進(jìn)行節(jié)點(diǎn)設(shè)計(jì)。輸入層6節(jié)點(diǎn)之后，設(shè)計(jì)5層隱藏層，分別為11節(jié)點(diǎn)、23節(jié)點(diǎn)、37節(jié)點(diǎn)、17節(jié)點(diǎn)、7節(jié)點(diǎn)，輸出層為1節(jié)點(diǎn)。輸入層、隱藏層、輸出層的節(jié)點(diǎn)基函數(shù)公式：

式中，Xi為第 i 個輸入變量;Y 為節(jié)點(diǎn)輸出變量;e為自然常數(shù);A、B為待回歸變量。雖然該對數(shù)回歸函數(shù)較降維模塊最常使用的高階多項(xiàng)式回歸函數(shù)的待回歸變量資源量更少，但通過適當(dāng)增加隱藏層層數(shù)和增加神經(jīng)網(wǎng)絡(luò)模塊的總節(jié)點(diǎn)數(shù)，可以有效平衡帶回歸變量的不足，使數(shù)據(jù)降維過程的信息損失量可以得到充分利用[10]。

（2）中央融合模塊。中央融合模塊的統(tǒng)計(jì)學(xué)意義同樣為小數(shù)據(jù)信息損失量條件下的數(shù)據(jù)降維過程，其將3個Double型變量降維為1個Double型變量進(jìn)行最終F（n）數(shù)據(jù)的輸出。因?yàn)閿?shù)據(jù)信息損失量遠(yuǎn)小于輸入融合模塊，所以其同樣不采用傳統(tǒng)降維模塊的輸出形式，而是采用可以實(shí)現(xiàn)更多數(shù)據(jù)二值化效果的二值化函數(shù)進(jìn)行數(shù)據(jù)處理。其隱藏層設(shè)計(jì)2層，每層5個節(jié)點(diǎn)。輸入層、隱藏層、輸出層的節(jié)點(diǎn)基函數(shù)如公式：

式中，Xi為第 i 個輸入變量;Y 為節(jié)點(diǎn)輸出變量;e為自然常數(shù);A、B為待回歸變量;2×x-1的數(shù)據(jù)整理過程，是將函數(shù)投影區(qū)間的[0，1]重投影到[-1，+1]上。

此時(shí)，最終輸出序列與原始輸入序列的對應(yīng)關(guān)系，會損失第1條記錄和最后1條記錄的對應(yīng)值，但對最短距離超過47.2 m，最小記錄集超過4 720條記錄的當(dāng)前分析條件，該輸出結(jié)果已經(jīng)滿足分析要求[11]。

4 數(shù)據(jù)可視化與數(shù)據(jù)對比

按照上述方案或革新方案的測試結(jié)果，利用傳統(tǒng)微震法獲得傳統(tǒng)測試結(jié)果，將兩種結(jié)果在同一坐標(biāo)系下進(jìn)行對比觀察，得到的測試結(jié)果如圖2所示。

由圖2可知，革新測試給出了3個弱異常區(qū)的明確邊界，該3個弱異常區(qū)在微震測試中得到了一定程度體現(xiàn)，如其對應(yīng)了微震測試的3個弱異常區(qū)。其中，弱異常區(qū)A、B的邊界吻合度較高，但弱異常區(qū)C 下因?yàn)榇嬖谝粋€強(qiáng)信號，所以導(dǎo)致傳統(tǒng)微震測試的弱異常區(qū)出現(xiàn)一定程度的干擾性上移。對比兩種測試結(jié)果，可以發(fā)現(xiàn)以下3個規(guī)律：

（1）兩種測試方法均可以給出樁基礎(chǔ)的弱異常區(qū)和弱異常規(guī)模，標(biāo)志著混凝土振動沉降不均勻、裂隙、氣泡等瑕疵。但革新測試方法較傳統(tǒng)測試方法，其弱異常區(qū)的邊界更加明晰，數(shù)值化程度更高[12]。

（2）革新測試方法可以在給出弱異常區(qū)的同時(shí)，捕捉強(qiáng)異常信號，標(biāo)志著混凝土樁基礎(chǔ)套管的澆筑溢出及部分地質(zhì)強(qiáng)化現(xiàn)象。

（3）傳統(tǒng)測試更容易列出樁基礎(chǔ)瑕疵的容忍邊界，而革新方案如單獨(dú)使用，還應(yīng)對其復(fù)雜高精度信號條件下的容忍邊界評價(jià)體系進(jìn)行更深入研究。

5 結(jié)語

對大孔徑深孔鉆機(jī)和套管沉管機(jī)的工作記錄數(shù)據(jù)進(jìn)行基于神經(jīng)網(wǎng)絡(luò)的深度迭代回歸分析，可以得到較傳統(tǒng)的微震法更加清晰的樁基礎(chǔ)狀態(tài)結(jié)果;此數(shù)據(jù)還可以較傳統(tǒng)微震測試法給出更加清晰的異常區(qū)邊界及異常區(qū)內(nèi)部數(shù)據(jù)。

但在此革新測試方法的結(jié)果中，并不能給出該樁基礎(chǔ)合格標(biāo)準(zhǔn)的決策性數(shù)據(jù)。鑒于此，還應(yīng)開發(fā)對其數(shù)據(jù)進(jìn)行進(jìn)一步分析，提出樁基礎(chǔ)可用性、可靠性的數(shù)據(jù)審計(jì)決策方法。

參考文獻(xiàn)

[1]齊海鵬，李 帥，閻玉菡，等. 橋梁樁基礎(chǔ)完整性檢測技術(shù)研究[J]. 甘肅科技縱橫，2020，49（08）：50-52.

[2]本刊編輯部. 系統(tǒng)化的服役橋梁樁基礎(chǔ)檢測評定方法[J]. 中國公路，2020（11）：17-18.

[3]李冠澤. 巖土樁基礎(chǔ)施工中的地基基礎(chǔ)檢測優(yōu)化策略研究[J]. 建筑技術(shù)開發(fā)，2020，47（09）：159-160.

[4]郭文廣. 建筑工程軟弱地基樁基礎(chǔ)施工質(zhì)量檢測分析[J]. 中國住宅設(shè)施，2020（04）：126+128.

[5]高 昕，王余鵬. 基于模糊理論的樁基超聲波檢測的研究[J]. 電聲技術(shù)，2020，44（04）：94-96.

[6]Palu?ováV，BREIER R， CHAUVEAU E，et al. Natural radionuclides as background sources in the Modane underground laboratory[J]. Journal of Environmental Radioactivity，2020，216.

[7]MARCO CARESANA，F(xiàn)RANCESCO CORTESI，STEFANO CORIA. Study of a discriminative technique between radon and thoron in the Radout detector[J]. Radiation Measurements，2020，138.

[8]任文理，李琳琳，李 巖，等. 蘭州市綠色建筑室內(nèi)空氣氡污染研究[J]. 綠色建筑，2019，11（04）：81-84.

[9]吳東艷. 地下人防工程內(nèi)部空氣質(zhì)量現(xiàn)狀及改善措施[J]. 污染防治技術(shù)，2019，32（03）：24-25+41.

[10]DJAMEL GHERNAOUT. Aeration Process for Removing Radon from Drinking Water-A Review[J]. Applied Engineering， 2019， 3（1）：32-45.

[11]NERI MARCO， GIAMMANCO SALVATORE， LEONARDI ANNA. Preliminary Indoor Radon Measurements Near Faults Crossing Urban Areas of Mt.Etna Volcano （Italy）.[J]. Frontiers in public health，2019，7： 105.

[12]彭 貝，劉玉潔，熊琦琪，等. 長沙市地下車庫氡污染的現(xiàn)狀及對策研究[J]. 中外建筑，2019（04）：55-58.