城市轨道交通施工安全监测与控制

代裕清

（中铁上海设计院集团有限公司，上海 200070）

1 引言

社会发展的过程中，交通拥挤问题日益突出，为了能够有效地解决该类问题，越来越多的城市开始发展轨道交通建设。但是地铁工程的施工工艺相对复杂，引发安全事故的因素也较多，地铁的施工建设相对而言是一项高风险的工程。此外，地铁的修建通常都是处于人口相对密集的中心城区，周围的环境复杂，一旦出现事故将会产生不可估计的损失。随着轨道交通的发展，轨道交通工程施工中深基坑的开挖也越来越普遍，深基坑的开挖会使周围的受力状态发生改变，也就会对周围结构以及建筑物的稳定性产生影响[1]。对基坑进行合理的变形监测能够对施工的安全性做出判断，往往能够有效防止事故发生，或者尽可能将事故造成的损失降到最低。地铁施工变形监测与预测就是在地铁施工的过程中通过测量仪器对周围的土体以及建筑物的位移等进行实时测量控制，对后续阶段的施工变形做出预测，同时为后续开挖和支护提出合理建议，确保安全施工[2]。

2 地铁车站监测数据的获取

2.1 地铁工程变形监测的主要内容

对基坑进行监测的主要目的是对基坑周围的围护结构以及环境进行监测，同时及时反馈监测的信息，然后根据监测数据进行对比分析，做出预警。地铁的开挖方式不同，所需要的监测项目也会有所差别。不同开挖形式的监测项目如表1所示。

表1 不同开挖形式的监测项目

地铁主要是由车站和地铁区间组成，不同施工位置需要监测的项目如表2 所示。

表2 不同施工位置的监测项目

2.2 地铁工程各项目监测方法

2.2.1 空间位移监测

空间位移的监测主要包含水平位移、竖向位移、倾斜位移3 个方面。目前，在条件较好的区域可以通过利用电子全站仪、GPS、无棱镜电子全站仪等实现3 项监测内容的一体化、动态化和实时化监测。水平位移监测通常是对基坑的围护体系进行监测，应根据实际情况合理选择监测方法，其中可选择的方法包含GPS、交会测量、导线、视准线等。GPS 测量法水平位移测量的精度较高，能够实现全天候全自动监测。交会测量的方法监测费用较低，不需要特殊的仪器，但其监测的精度以及可靠性相对而言更低[3]。

2.2.2 竖向位移监测

竖向位移监测需要贯穿于整个施工全过程，通常在基坑开挖之前就已经开始监测，直到沉降基本停止。通过进行竖向位移监测能够掌握地面的移动以及变形规律，然后根据变形情况做出预报并提出合理的防治措施。竖向位移监测的仪器通常选用水准仪，可以选择附合水准路线和闭合水准路线两种测量方式。

2.2.3 倾斜监测

倾斜监测是在围护体内安装测斜管，通过此来反映出基坑围护结构以及土体的变形规律，对施工速率进行指导，从而达到保障临近结构物的安全的目的。

2.2.4 裂缝监测

通过裂缝监测能够对裂缝对结构物影响的大小做出判断。对裂缝的监测主要包括裂缝的走向、位置、长、宽、深等参数。对裂缝的测量可以采用千分尺或游标卡尺来直接测量；也可应用摄像机沿着基准线设置比照尺连同裂缝一起摄像，然后再将所拍摄的图像输入计算机中，对裂缝进行分析计算。此外，还可以应用裂缝测宽仪与测缝传感器来对裂缝进行测量。

2.2.5 土压力监测

通过对围护体系侧向压力变化进行监测，能够确保围护体系稳定。土压力的监测主要是应用土压力计。

2.2.6 地下水位监测

对地下水位进行监测，其主要目的是确保基坑中的止水帷幕达到设计要求，地下水位的监测主要通过在钻孔内设置水位管实现。

3 地铁车站施工变形预测模型研究

3.1 地铁车站施工变形预测方法

施工过程中，对地铁车站的变形分析有较多的不确定性因素，目前，变形预测方法主要可以划分为3 类，分别为曲线拟合类、地基参数反演类以及系统分析类[4]。

曲线拟合类的预测方法是一种经验方法，将变形近似为某种具有规律的变化过程，并选择能表达其变化规律的函数类型，建立曲线拟合预测模型，根据模型再反演出参数，在后期的变形预测中进行应用。该方法的参数较少、容易确定，且操作性较强。地基参数反演法属于正演模型，它是由固结理论、数值方法以及本构模型共同建立的。通过对实际检测数据进行优化处理，对现场的相关参数进行反演，从而做到对后期变形情况的预测。系统分类法包含两类建模思路，其一是输入-输出模型法，其二则是动力学方程法。该方法对于有大量数据支撑的项目进行安全分析以及预报较为合适。

3.2 BP 神经网络预测模型

BP 神经网络的拓扑关系通常由输入层、隐含层以及输出层所组成。BP 神经网络的运行通常分为两个阶段，分别为学习阶段和工作阶段。其中，学习过程通常包含两个阶段，其一为信息的正向传播，其二为误差的反向传播。BP 神经网络的本质就是在输入与输出之间的一种非线性映射。误差反向传播是计算训练的关键，需要通过目标函数最小化来完成。BP算法的非线性映射能力较强，对于一般的预测问题，通过BP神经网络能够得到精准的预测。

但是为了优化BP 神经网络的精度，面对较为复杂的问题，往往需要较长的时间来完成训练工作，且当训练逼近局部最小值时，各方面的变化均显示在该点达到了收敛，导致这种误差较难以排除。所以，为了提高训练结果的信任度以及满意度，通常可以增加网络的层数，降低误差。另外，可以采用较多的神经元数目来获得较高的训练精度，同时还可以增加样本空间数据，减小参数之间的变化间隔，使数学模型趋于更加精准。选择不同的初始条件对网络进行再次训练，通过观察不同的训练结果，选择最优的预测目标。

4 地铁车站施工监测预警信息管理系统的设计与实现

通过对地铁施工过程中监测数据的管理与分析，能够对变形体的变形状况进行实时监控，从而及时发现异常，尽可能地避免施工事故的发生。通过计算机及相关技术建立地铁车站施工监测预警信息管理系统，可以处理监测过程中所产生的巨大数据量，做到高效管理和分析。

通过数据管理技术对地铁施工监测各类空间数据以及属性数据进行集成和一体化管理，可以更加便捷地进行数据的共享以及操作。将所测出的数据以及分析的结果有效进行预警并及时反馈于相关负责人。实现数据从采集、录入、展现全过程的实时性，给预警决策提供更多的时间。监测预警信息管理系统的设计模块可以分为4 项，分别为数据的输入与输出、监测数据成图、监测数据预警以及其他功能。从层次方面划分，该系统可以划分为表现层、业务逻辑层以及数据层，如图1所示。其中，数据层是负责空间数据以及属性数据的查询和修改，对系统的数据实现实时管理；业务逻辑层是整个系统的核心层，主要包含监测数据的管理、预警以及成图等；表现层是与用户进行交互，将信息反馈于用户。

图1 系统总体框架

通过单点预警能够实现对单一监测点号的预警，通过对监测累积变化值与预警阈值进行比较分析，从而实现对监测项目数据的预警，实现单点预警的技术路线如图2 所示。模糊预警与单点预警原理一致，只是模糊预警需要输入累积变化预警阈值以及速率预警阈值，且模糊预警是对单点预警的补充。

图2 单点预警实现技术路线

5 结语

为了解决城市交通拥堵的问题，越来越多的城市开始逐步发展轨道交通建设。地铁的施工工艺复杂，影响因素众多，施工风险较高，因此，在轨道交通建设的过程中需要对其进行严密的监测。本文着重介绍地铁车站需要的监测数据，分析了地铁车站施工变形预测模型，提出了地铁车站施工监测预警信息管理系统设计。