张健，李振华，侯学 （中铁四局集团有限公司设计研究院，安徽 合肥 230022）

1 引言

随着城市地铁的高速建设，新建地铁隧道下穿营业铁路线路和场站已成为一种较为常见的工况。为了保证地铁隧道的施工安全和既有铁路运营不受影响，需要在隧道施工时对地表既有铁路路基变形进行持续监测，获取铁路路基的变形规律和特征，为施工安全提供数据支撑[1]。此外，对铁路路基变形趋势预测可以及时发现地铁隧道施工造成的铁路运营安全隐患，提前做好工程防治措施，保障铁路的安全运营。

利用传统的人工测量方法进行监测数据采集时，只能在铁路运营的空档期进行，工作窗口时间较短，且人工观测容易受天气、观测人员操作技能等因素的限制，不利于对既有铁路实现长时间连续的监测。基于智能全站仪的高精度智能监测技术能够实现7×24h无人值守的监测数据自动采集和处理，不仅能够保证监测数据采集频率，而且能够通过数据质量控制策略保证数据采集的质量。

智能全站仪用于地铁隧道监测的研究越来越多，研究表明智能全站仪监测技术可以获得百米范围内1mm 的测量精度[2]。随着研究的深入，智能全站仪监测技术在水利工程中也得到了应用和发展[3-4]，相关学者还开展了智能全站仪自动监测系统的设计与开发[5-6]，阐述了自动化监测技术的应用优势和前景。在开展自动化监测技术研究的同时，变形预测也受到了重视和关注[7]。在人工智能背景下，BP（Back Propagation）神经网络被广泛应用于变形预测研究，并得到了改进和发展[8]，相关学者联合遗传算法（Genetic Algorithm，GA）和BP 神经网络算法研究了GA 改进的BP 神经网络预测模型[9-10]。

尽管国内外已有诸多学者开展了基于智能全站仪的监测技术和变形预测模型的研究，但大多为独立研究，且仍然存在较大的改进空间。本文结合合肥市地铁4 号线下穿合肥东编组站项目监测需求，提出了基于智能全站仪的自动化监测方法，并融合GA-BP神经网络变形预测模型，对铁路变形趋势进行预测，及早消除下穿隧道施工时存在的安全隐患，确保施工顺利进行和铁路安全运营。

2 智能全站仪自动监测方法

智能全站仪能够实现目标的自动搜索、识别、照准和读数等功能，但监测需要根据国家规范要求按照特定的方法进行。为此，需要开发智能监测软件来控制智能全站仪按照特定的监测方案进行数据采集，为了保证数据采集的质量，规定角度和距离测量限差需要满足表1 的要求。

表1 智能全站仪自动监测系统数据采集限差

仪器选址、基准点与监测点布设是实现自动化监测的重要内容，为了保证监测站仪器能够观测监测区域的全貌，选取营业性50m 范围外至高点或稳定的建筑物上安置仪器，在远离铁路影响区域选取稳定点布设基准点，确保监测站与基准点通视性满足后视定向的要求。监测点采用断面形式布设，以沿着铁路轨道方向10m 间隔布设监测断面，每个监测断面应覆盖地铁下穿隧道施工影响区域30m 范围内。在开展监测时，安置在监测站上的智能全站仪通过自动目标识别系统瞄准多个已知基准点，利用自由设站方法计算得到测站点监测坐标，然后利用极坐标法观测并解算各监测点的三维空间直角坐标，再通过数据处理获得监测点变形量。测站点、基准点和监测点布置见图1所示。

图1 监测系统布置示意图

3 GA-BP神经网络变形预测模型

BP 神经网络由输入层、隐含层、输出层组成，一般只有一个隐含层。可以通过经验公式（1）确定隐含层节点数。

式中，i、j、k分别表示模型的输入层、隐含层和输出层节点数；a一般取1～10之间的整数。BP 神经网络包括前向传播和反向传播两个主要步骤，两个步骤循环进行直到输出结果满足误差要求，训练终止。

为了解决BP 神经网络训练效率低下和陷入局部极小点的缺点，可以通过GA 优化BP 神经网络算法，构建GA-BP神经网络变形预测模型，模型构建步骤见图2 所示。首先导入数据，确定GA 拓扑结构；然后对样本进行编码，确定适应度函数，通过遗传进化算法优化，当遗传进化达到设定的迭代次数时，GA 结束，确定最优个体；再代入BP神经网络模型训练，构建GA-BP神经网络变形预测模型；最后利用该模型对变形趋势进行预测。

图2 GA-BP神经网络变形预测模型构建步骤

4 监测与预测结果分析

4.1 项目概况

合肥市地铁4 号线区间隧道线路（天水路站至翠柏路站）从合肥东编组站下面穿越，合肥东编组站是枢纽内唯一技术作业站，主要承担宁西铁路、淮南铁路、合九铁路和枢纽内各站货物列车到发、解编作业。在合肥市地铁4 号线下穿隧道盾构施工期间，合肥东编组站仍然保持正常运营，每日通过列车较多。为了保证铁路运营安全和地铁隧道施工安全，需要对合肥东编组站铁路路基等关键铁路设施进行连续监测。

4.2 铁路路基监测结果

在合肥市地铁4 号线下穿合肥东编组站项目中，利用智能全站仪自动化监测系统对铁路路基进行了监测。自盾构机进入距离施工区域30m 范围内开始监测，一直到盾构机的盾尾远离铁路股道群30m 后且不少于3 个月监测结束。在盾构施工期间，以每日1 期的观测频率对铁路路基监测进行监测。为了便于分析，选取了一个监测断面上的6 个监测点（LJ1、LJ2、LJ3、LJ4、LJ5、LJ6）沉降数据进行了分析，如图3 为铁路路基监测点30期的沉降变形曲线。

图3 铁路路基监测点变形曲线

从图3可以看出，展示的6个监测点中，LJ1的变形最大，LJ6整体变形最小。这是因为LJ1 距离下穿隧道中线最近，从LJ1 到LJ6 距离下穿隧道中线距离逐步减小。可见铁路路基变形主要是由下穿隧道施工影响造成，因此加强下穿隧道施工时铁路路基变形监测对于保障铁路运营安全具有重要意义。

4.3 变形预测模型应用

由于铁路路基变形一般是不可逆的过程，如果一旦发生较大变形，可能会对铁路运营和地铁隧道施工造成安全威胁。为了提前一步发现可能存在的安全隐患，可以通过建立变形预测模型对铁路路基变形趋势进行预判。如果预测预测变形量过大时，可以提前采取工程防治措施，避免事故的发生。选取LJ1 和LJ2 点监测数据作为基础，以10 期数据为一期（前9 期为输入参数，第10 期为输出结果），以此类推，利用前25 期数据滚动式构建训练和测试样本。基于GA-BP 神经网络模型构建铁路路基变形预测模型，并利用该模型预测后5 期的变形值，并通过后5 期实测变形数据对预测模型精度进行评估。铁路路基监测点LJ1 和LJ2 的30 期监测数据见表2和表3 所示。从监测数据可以看出，铁路路基监测点LJ1和LJ2的30期累积最大沉降分别为5.3mm和4.5mm。

表2 铁路路基监测点LJ1变形数据

表3 铁路路基监测点LJ2变形数据

基于GA-BP 神经网络的铁路路基变形预测模型终止迭代次数设置为85，种群规模设置为80，变异概率设置为0.01，交叉概率设置为0.45，并采用轮盘赌法开展预测训练，获得了GA-BP神经网络预测模型，并利用该模型预测了后5 期（第26～30 期）的变形数据。为了更加直观展示变形预测结果，图4 展示了LJ1 和LJ2 两个监测点的预测值与实测值的对比结果，从图4 可以看出LJ1 和LJ2 两个监测点的预测结果与实测数据的趋势基本保持一致，但也可以看出LJ1点的第27期预测结果出现了明显偏差，主要是因为第27 期的实测数据明显偏离了原有变形曲线趋势，有一个显著凸起，这可能是测量误差或外界环境干扰造成的监测数据突变，导致预测模型没有发现这一变化。预测结果与实测数据的对比说明提出的预测模型能够客观真实地描述监测目标的变形趋势和规律，可以将其应用于实际工程变形预测中，为运营线路提供变形参考依据。

图4 监测点LJ1和LJ2变形预测结果与实测值对比

为了评估变形预测模型精度，利用绝对误差和相对误差指标对结果进行精度评定，以监测点LJ1 和LJ2 第26～30期预测结果为基础，计算了绝对误差和相对误差值。LJ1 和LJ2 两个点的误差精度指标见图5所示。

图5 监测点LJ1和LJ2变形预测误差分析

从图5 可以看出，GA-BP 神经网络变形预测模型对监测点LJ1 点变形预测的相对误差最小值为0.35%，最大值为3.66%，平均相对误差为1.836%；对监测点LJ2 点变形预测的相对误差最小值为-0.70%，最大值为-3.53%，平均相对误差为-1.877%。监测点LJ1 变形预测绝对误差最小值为-0.018mm，最大值为-0.183mm，平均绝对误差为-0.0942mm；监测点LJ2 变形预测绝对误差最小值为0.031mm，最大值为0.152mm，平均绝对误差为0.0562mm。监测点LJ1 和LJ2 的相对误差绝对值均小于5%，绝对误差绝对值不超过0.2mm。从预测结果来看，提出的变形预测模型的精度整体较高，与实测变形值非常接近，对两个不同监测点预测趋势整体较为一致，验证了该模型的适用性，该模型可应用于后期同类工程项目的变形趋势预测中，为施工安全提供数据支撑和决策服务。

5 结论与展望

地铁下穿隧道盾构施工易对地表铁路路基造成影响，导致铁路路基发生变形。为了保障地铁隧道施工和地表铁路场站、线路的运营安全，本文提出了利用智能全站仪自动化监测技术对铁路路基进行持续变形监测，获得铁路路基变形规律和特点。为了提前一步发现施工过程中存在的安全隐患，融合GA-BP神经网络算法构建了铁路路基变形预测模型，并结合合肥市地铁4 号线下穿合肥东编组站这一实际工程项目的监测数据对模型进行了测试和精度评估。结果表明，提出的监测方法可以较好地完成自动化监测任务，对监测点实现无人值守的连续数据采集、数据传输和数据处理工作；变形预测模型预测精度较高，能够满足地铁隧道下穿运营铁路和场站项目应用的需要，为尽早消除工程中存在的安全隐患提供了新的手段，具有一定的可行性和参考价值。