《Buildings》:Diaphragm-Wall Settlement Prediction and Relative Anomaly Screening for Deep Excavations Using Multi-Model Comparison and Intelligent Optimization
编辑推荐:
深基坑是高风险的岩土工程活动,地下连续墙沉降的准确预测对施工监测和变形控制具有重要意义。本研究以中国天津高银金融117大厦深基坑工程中23个地下连续墙监测点的累计竖向沉降为研究对象,采用统一的五折滚动起点扩展窗口验证方案,评估了七种预测模型——朴素持久性模型、
深基坑是高风险的岩土工程活动,地下连续墙沉降的准确预测对施工监测和变形控制具有重要意义。本研究以中国天津高银金融117大厦深基坑工程中23个地下连续墙监测点的累计竖向沉降为研究对象,采用统一的五折滚动起点扩展窗口验证方案,评估了七种预测模型——朴素持久性模型、自回归积分滑动平均(ARIMA)、K近邻(KNN)、多层感知器(MLP)、门控循环单元(GRU)、Transformer和XGBoost。GRU取得了最佳的整体基线性能,平均R2为0.9172,平均绝对误差(MAE)为0.1009 mm,均方根误差(RMSE)为0.1341 mm,平均绝对百分比误差(MAPE)为0.5875%。随后采用乌鸦搜索算法(CSA)、遗传算法(GA)和鲸鱼优化算法(WOA)对GRU进行了优化。GRU-WOA取得了最佳的数值性能,平均R2为0.9289,RMSE为0.1215 mm。进一步根据预测的沉降变化率识别相对异常等级,以表征沉降变化活动的时间集中性和空间聚集性。所提出的框架可支持优先巡查和针对性监测,但所得异常等级代表项目相对统计偏差,而非基于规范的安全等级。
**基于多模型对比与智能优化的深基坑地下连续墙沉降预测及相对异常筛查:研究解读**
**1. 研究背景与问题提出**
随着城市地下空间开发强度的不断增大,大量地铁车站、地下综合体、超高层建筑地下室及市政管廊的兴建,使深基坑开挖成为城市建设中常见且高风险的活动。开挖会扰动原状土体应力场和地下水环境,引发支护结构变形、坑外地表沉降及邻近建(构)筑物和地下管线的附加变形。若不及时识别和控制,可能导致环境破坏甚至工程事故。地下连续墙的竖向变形直接反映了支护体系在开挖卸荷、墙土相互作用、支撑体系约束及施工工序转换等综合作用下的工作状态,其墙顶竖向位移通常具有累积性、阶段性和空间变异性,其演化过程可为支护体系评估、异常墙段识别及施工风险控制提供重要信息。因此,如何从现场监测数据中准确刻画地下连续墙沉降的时程演化规律并识别潜在异常位置,是深基坑信息化施工与安全管理的关键问题。
传统沉降分析方法包括经验公式、解析解和数值模拟,各有局限:经验方法依赖特定地区或工程条件下的统计规律,适用性受限;解析方法需对土层分布、边界条件等做出理想化假定;数值模拟结果对计算模型和参数取值敏感且标定成本高。近年来,机器学习与深度学习方法因其可自动从监测数据中学习复杂非线性关系而被广泛应用。然而,现有研究仍存在若干不足:一是高精度模型常依赖多源输入,如开挖工况、支撑轴力、土体参数等,实际工程中这些数据可能缺失、异时或难以连续获取,限制了模型的推广性;二是多数研究集中于单一最优模型或复杂混合模型,缺乏统一框架下对KNN、MLP、GRU、Transformer、XGBoost等模型仅基于各监测点自身历史沉降序列的系统比较;三是多数研究侧重预测精度,预测结果与异常分析(如基于速率的筛查、分侧时程演化、逐点空间分布)的集成仍有待加强。此外,坑外沉降反映的是土体及周边环境的竖向响应,地下连续墙水平位移反映的是支护体系水平变形,而地下连续墙竖向沉降则反映支护构件及墙土系统的协同竖向变形,针对后者的专门建模与异常识别仍属必要。基于此,研究人员利用中国天津高银金融117大厦大型深基坑工程现场监测数据,研究了地下连续墙累计竖向沉降,并开发了一套逐点预测与相对异常分析框架。
**2. 研究内容与关键方法**
研究人员提出了一个监测数据驱动的地下连续墙沉降分析框架,发表于《Buildings》期刊。该框架集成了时间序列预测与时空异常分析,并在多个监测位置评估预测性能。研究基于中国天津西青区一深基坑工程案例,该基坑地下连续墙围护的地下室区域约368 m×264 m,开挖深度变化于19.35 m至26.35 m之间,采用0.8 m厚地下连续墙结合钢筋混凝土水平内支撑。共计23个竖向位移监测点(DW1–DW23)分布于基坑四周,监测期为2011年8月7日至2012年6月15日。研究采用了以下主要技术方法:(1)统一五折滚动起点扩展窗口验证方案,确保时间因果性并防止未来信息泄漏;(2)七种基线预测模型比较,涵盖朴素持久性模型、ARIMA、KNN、MLP、GRU、Transformer和XGBoost;(3)三种元启发式优化算法(CSA、GA、WOA)对GRU超参数进行逐点优化,每种算法采用相同搜索空间与计算预算;(4)基于优化模型预测的沉降变化率,采用百分位数阈值进行相对异常等级划分,并构建综合相对异常评分(RAS)用于监测点空间分级与分侧时程分析。
**3. 主要研究结果**
**3.1 实测地下连续墙沉降的时程特征**:北侧DW1–DW6的实测累计沉降记录显示,各点总体演化趋势一致,表现为前期快速沉降、中期波动调整、后期逐步稳定,但各点间存在明显差异,表明同一开挖侧沿墙长方向存在局部空间变异性。北侧均值曲线平滑了短期逐点波动,保留了主导沉降趋势。沉降快速发展期与外围开挖阶段(?14.75至?19.65 m,2011年8月25日至2012年1月12日)及深部开挖阶段(?21至?26.65 m,2011年9月28日至2012年1月12日)在时间上重叠,为变形响应的工程解读提供了对应依据。
**3.2 基线模型预测性能比较**:在五折滚动起点验证下,GRU取得最佳整体基线性能:平均R
2=0.9172、MAE=0.1009 mm、RMSE=0.1341 mm、MAPE=0.5875%。朴素持久性模型平均R
2=0.7997、RMSE=0.1541 mm;ARIMA平均R
2=0.8097、RMSE=0.1592 mm。GRU优于这两个时间基准,表明其预测精度不能仅归因于累计沉降的光滑性和时间自相关性。MLP和XGBoost也表现出较强性能(平均R
2分别为0.8975和0.8968),Transformer为0.8797,而KNN出现负的平均R
2,滚动起点泛化能力差。泰勒图进一步确认GRU与观测参考点最为接近,因此被选为后续优化对象。
**3.3 GRU优化效果**:在10次独立运行中,GRU-WOA取得最佳数值性能,平均R
2=0.9289,RMSE=0.1215 mm;GRU-CSA平均R
2=0.9270,RMSE=0.1242 mm;GRU-GA平均R
2=0.9273,RMSE=0.1238 mm。经Holm校正后,GRU-WOA与GRU-CSA的差异具有统计学显著性(校正p=0.0466),而与GRU-GA的差异未达显著水平(校正p=0.0802)。因此,GRU-WOA被描述为取得最佳数值性能而非统计上优于GRU-GA。
**3.4 代表性监测点的改进效果**:在四个代表性点(DW2、DW18、DW22、DW23)的多指标比较中,三种优化GRU变体普遍优于原始GRU。GRU-WOA在DW2、DW18和DW22取得最佳数值性能,而GRU-CSA在DW23表现最强。跨23个监测点,GRU-WOA的R
2均值和中位数分别为0.9289和0.9280,RMSE均值和中位数分别为0.1215 mm和0.1166 mm;逐点R
2标准差为0.0348,RMSE标准差为0.0450 mm。一步沉降增量MAE均值为0.1204 mm,增量RMSE均值为0.1573 mm,最大增量误差出现在DW4。
**3.5 相对异常等级、分侧指数与空间异常分布的时程演化**:基于GRU-WOA预测的日沉降变化率,以初始历史参考期(2011年8月7日至2012年3月7日)内全部23个点的非零预测变化率校准百分位阈值,用于后续异常筛选。监测期内异常活动增强时段与深基坑开挖阶段在时间上重叠,提供了工程一致性检验。然而,缺乏完整的事件级现场巡查记录或已验证的异常事件标签用于回溯验证,因此异常等级应视为项目相对异常指标而非已验证的工程预警等级。分侧分析显示,各侧相对异常指数早期较高,后期在较低水平波动;各侧峰值出现的时间和持续时间存在差异,表明沉降变化活动在基坑周围存在空间异步性。空间分布方面,东侧平均RAS最高(0.302),其次为西侧(0.170)和南侧(0.161),北侧最低(0.121);东侧DW9–DW13多个点达到中等等级及以上,其中DW9达到极高等级,表明高异常呈局部聚集而非均匀分布。敏感性分析显示,扰动百分位阈值和权重系数后,23个监测点的RAS排序与基线方案的Spearman秩相关系数分别为0.970–0.977和0.999–1.000,表明逐点空间排序在合理参数变化下保持稳定。
**4. 讨论与结论总结**
讨论部分指出,地下连续墙竖向沉降反映了开挖卸荷、墙土相互作用、墙趾约束、支撑约束及施工工序转换等综合作用下的支护体系响应;点特定历史沉降即使缺乏完整施工阶段和多源监测数据,也能捕捉主导演化模式。基线模型性能差异表明,模型结构显著影响预测性能,GRU在仅使用逐点历史沉降序列时比MLP、XGBoost和Transformer更适用,因其以较少参数通过门控保留历史状态,适合具有时间依赖性的工程变形数据。智能优化机制上,WOA通过包围和螺旋更新动态平衡全局探索与局部开发,可能是其取得最佳数值性能的原因;深度学习性能高度依赖超参数组合,元启发式算法通过全局搜索降低了人工试错的不确定性。异常筛查的工程意义在于,沉降变化率相比最终累计沉降对短期加速和异常波动更敏感,百分位数分类法避免了累计值较大但变化率已稳定时持续赋高异常的问题,可在点、侧、空间尺度上识别优先巡查区域;但结果应与连续墙水平位移、支撑轴力、地下水位、墙体内力及施工工况等信息联合解读。局限性包括:基于单一工程案例,结果属于案例特定证据,跨项目推广需外部验证;异常等级为项目特定统计指标,未对照完整的现场巡查事件数据库、结构承载力准则或规范预警阈值进行验证;仅使用累计竖向沉降作为模型输入,未同时纳入其他监测变量。
研究结论归纳为四点:(1)实测沉降记录呈现明显的时程演化规律和局部空间变异性;(2)在五折滚动起点扩展窗口验证下,GRU取得最佳基线性能,平均R
2=0.9172、RMSE=0.1341 mm,优于持久性模型和ARIMA;(3)GRU-WOA在优化模型中取得最佳数值性能,平均R
2=0.9289、RMSE=0.1215 mm,与GRU-CSA的差异经Holm校正后具有统计学显著性,但与GRU-GA的差异不显著;(4)相对异常分析揭示了沉降变化活动的时间集中性和局部空间聚集性,所得到的项目相对指标可支持优先巡查与针对性监测,但不应解释为经过验证的基于规范的安全预警等级。未来工作应开展独立的跨项目验证并整合多源监测信息,以进一步提升该框架的稳健性和工程适用性。