基坑变形智能监测及预测模型融合技术研究

摘要：为研究基坑变形智能监测及预测模型融合技术，文章基于实际工程，在现场试验中采用自动化监测专用设备，实现了深层水平位移自动化监测，并采用两种机器学习算法KNN和RBF对监测数据进行预测分析。结果表明：自动化监测设备可以很好地完成深层水平位移监测，极大提高了基坑监测的效率，保证了基坑施工的安全；KNN对基坑监测数据的预测比RBF更加准确，后续可将KNN算法程序导入到自动化监测程序中，实现水平位移的提前预测与不断校准完善。

关键词：基坑；变形；自动化监测；预测模型；融合技术

中图分类号：U412.6

0 引言

近年来，城市建筑的扩张导致工程项目多样化，不再局限于地面。因此，城市地下空间的利用大幅增加，大量基坑工程应运而生［1-5］。同时，基坑工程领域日益复杂，基坑监测的重要性日益凸显［6-10］，基坑监测技术也逐渐从人工监测向自动化监测转变［11-13］。

与人工监测相比，自动化监测采用多个传感器与监测设备建立连接，能够从每个监测仪器获取实时数据。这有利于在全天候条件下对基坑进行连续、全面的监测。这种方法不仅可以节省人员费用，还可以提高各个监测点实时监测的有效性和精度。此外，由于计算机技术的广泛应用，岩土工程领域也逐步采用了机器学习技术［14-18］。

然而，鲜有将两种技术融合起来进行应用的案例。为此，本文基于现场自动化监测实测数据，结合两种机器学习算法，初步探索一种基坑变形自动化监测及预测模型融合技术，以期将此技术应用到基坑自动化监测领域中，实现基坑自动化监测及预测。

1 基坑变形智能监测及预测模型的建立

1.1 基坑变形自动化监测

基坑监测中采用的自动监测技术依赖于大数据和物联网技术的融合。这种集成涉及各种传感器的利用，其中中央监控设备是核心组件。然后将收集到的数据传输到监控云平台，进行实时分析。通过将指定的控制值纳入分析，监控云平台能够产生实时预警。这种自动化方法有效地解决了通常难以通过手动方式克服的众多挑战。

本项目深层水平位移采用固定式测斜仪、全自动测斜机器人进行自动化监测，最后集成于自动化监测专用设备上。

1.2 预测模型的建立

本文将采用KNN和RBF两种机器学习算法。

KNN算法常采用欧式距离对样本点与新样本点之间的距离进行度量：

2 工程应用

2.1 工程概况

本文依托工程基坑位于白沙洲大道与南湖路交叉口西北角，周边环境复杂，基坑北侧距现状白沙洲大道为11.6～20.9 m；西侧距巡司河岸13.3 m，距巡司河管理用房5.1 m；南侧距离现状京广铁路走廊净距29.3 m；基坑东侧距现状南湖路约14.3～19.9 m，东侧民房及商铺与基坑最小净距约15 m。

试验场地土的物理力学指标见表1。

2.2 测点布置

在工程中，为了解基坑开挖过程中围护结构侧向变形，通常以围护结构附近测斜点土体深层水平位移来间接反映围护结构的侧向变形。虽然在数值上可能与实际围护结构的变形略有不同，但整体规律较为吻合，也有利于测点的保护和数据的量测。为分析基坑变形规律，本文选取了1个测斜点ZQT11。

2.3 结果分析

图1为测点的水平位移图，按照时间顺序选取了开挖过程中的12个时间步。

从图1可以看出，测点的水平位移随着开挖的进行总体呈现增大的趋势，且水平位移总体较小，基坑未发现明显变形。

本次测斜数据总量为300，将其中80%作为训练数据，20%作为预测数据。数据的输入参数依次为测点深度、时间步、重度、压缩模量、粘聚力、内摩擦角。数据的输出参数为测点水平位移。训练集和测试集数据结果比较如图2～4所示，指标评价结果见表2。

由图2可以看出，KNN的训练集数据和RBF的训练集数据都很接近1∶1线，说明数据的训练效果很好。从表2也可以反映出这个现象，KNN的均方根误差（RMSE）和平均绝对误差（MAE）分别为0.116 8和0.078 8，相关系数（R）为0.993 9；RBF的均方根误差（RMSE）和平均绝对误差（MAE）分别为0.128 0和0.104 9，而相关系数（R）却达到了0.992 1，两者训练数据的效果较为接近。

由图3～4可以看出，KNN的测试集数据相比于RBF更加接近1∶1线，说明本文KNN的训练效果更好，从表2也可以反映出这个现象，RBF的均方根误差（RMSE）和平均绝对误差（MAE）分别为0.573 9和0.388 0，相关系数（R）为0.986 6；KNN的均方根误差（RMSE）和平均绝对误差（MAE）分别为0.207 3和0.153 8，而相关系数（R）却达到了0.993 4，比RBF提高了0.69%。从图4还可以明显看出KNN在几个峰值点的预测明显比RBF更加精准。

综上所述，本文采用KNN方法比RBF方法能更好地对自动化监测的水平位移进行预测。后续可将RF算法程序导入到自动化监测程序中，实现水平位移的提前预测与不断校准完善。

3 结语

本文研究了基坑变形自动化监测及预测模型融合技术，主要得出以下结论：

（1）本文自动化监测测点的水平位移随着开挖的进行总体呈现增大的趋势，且水平位移总体较小，基坑未发现明显变形。

（2）在训练集中，KNN的训练集数据和RBF的训练集数据都很接近1∶1线，两者的训练效果较为接近；在测试集中，KNN的相关系数（R）达到了0.993 4，比RBF提高了0.69%。此外，KNN在几个峰值点的预测明显比RBF更加精准。

（3）本文采用KNN方法比RBF方法能更好地对自动化监测的水平位移进行预测。后续可将RF算法程序导入到自动化监测程序中，实现水平位移的提前预测与不断校准完善。本文提供了基坑变形自动化监测及预测模型融合技术思路，后续预测算法可根据研究需要不断改进完善。

参考文献

［1］俞建霖，龚晓南.深基坑工程的空间性状分析［J］.岩土工程学报，1999，21（1）：24-28.

［2］俞建霖，龚晓南.基坑工程变形性状研究［J］.土木工程学报，2002（4）：86-90.

［3］俞建霖，龙 岩，夏 霄，等.狭长型基坑工程坑底抗隆起稳定性分析［J］.浙江大学学报（工学版），2017，51（11）：2 165-2 174.

［4］郑 刚，苏奕铭，刁 钰，等.基坑引起环境变形囊体扩张主动控制试验研究与工程应用［J］.土木工程学报，2022，55（10）：80-92.

［5］Zheng G，Su Y，Diao Y，et al. Field measurements and analysis of real-time capsule grouting to protect existing tunnel adjacent to excavation［J］.Tunnelling and Underground Space Technology，2022，122：104350.

［6］JGJ 120-2012，建筑基坑支护技术规程［S］.

［7］Mair，Robert J，Schwamb，et al. Fibre optic monitoring of a deep circular excavation［J］. Geotechnical Engineering，2014，167（2）：144-154.

［8］叶帅华，李德鹏.复杂环境下深大基坑开挖监测与数值模拟分析［J］.土木工程学报，2019，52（S2）：117-126.

［9］Wu J，Peng L，Li J，et al. Rapid safety monitoring and analysis of foundation pit construction using unmanned aerial vehicle images［J］.Automation in Construction，2021，128（9）：103706.

［10］徐前卫，龚振宇，孙梓栗，等.滇中引水工程超深圆形基坑施工变形和内力监测结果分析［J］.土木工程学报，2022，55（6）：102-111.

［11］曹 权，李清明，项 伟，等.基坑群开挖对邻近既有地铁隧道影响的自动化监测研究［J］.岩土工程学报，2012，34（S1）：552-556.

［12］黄海滨，曹 洪，梁卫军，等.基坑上跨已运营地铁隧道的设计及实测分析［J］.岩土工程学报，2014，36（S1）：148-154.

［13］赵 峰.基于BIM的基坑工程自动化监测平台研发［J］.煤田地质与勘探，2018，46（2）：151-158.

［14］Altman，N. S. An introduction to kernel and nearest-neighbor nonparametric regression［J］. The American Statistician，1992，46（3）：175-185.

［15］杨 敏，任红林.智能岩土工程的特点初探［J］.同济大学学报（自然科学版），2000（6）：636-640.

［16］Hu C，Jain G，Zhang P，et al. Data-driven method based on particle swarm optimization and k-nearest neighbor regression for estimating capacity of lithium-ion battery［J］. Applied Energy，2014，129（9）：49-55.

［17］张雯超，史培新，刘 维，等.基于改进KNN与基坑参数对地连墙变形预测研究［J］.华中科技大学学报（自然科学版），2021，49（9）：101-106.

［18］Wei，M，Meng，W，Dai，F，et al. Application of machine learning in predicting the rate-dependent compressive strength of rocks［J］. Journal of Rock Mechanics and Geotechnical Engineering，2022，14（5）：1 356-1 365.

收稿日期：2024-03-18

作者简介：田久晖（1979—），硕士，高级工程师，主要从事市政方面的研究工作。