基于深度學習的破碎帶盾構施工沉降預測分析

武鐵路

(中鐵十六局集團北京軌道交通工程建設有限公司, 北京 101100 )

0 引言

盾構法施工技術距今已有超過200年的歷史。盾構法具有掘進效率高、環境擾動小和施工安全性好等特點，其在城市軌道交通、公路隧道以及輸水隧洞等領域應用越來越廣泛。然而，隨著地下空間資源日益枯竭以及城市規劃設計的需要，在破碎帶、上軟下硬等復雜地層條件下進行盾構隧道施工的頻率逐漸提高[1-2]。

在復雜地層條件下進行盾構施工存在顯著的安全風險。以破碎帶為例，盾構施工過程中地層強度大幅變化會造成盾構刀盤嚴重磨損[3-4]。王在泉等[5]認為破碎帶中的承壓裂隙水會引起涌水突泥，并造成地面塌陷等地質災害。張慶松等[6]以及孫星亮等[7]從試驗和數值模擬2個方面說明破碎帶導致的開挖面地層差異會進一步加劇盾構軸線偏移，并顯著增加地面沉降控制難度。因此，有必要對破碎帶盾構隧道沉降問題做進一步研究。

目前，關于盾構施工引起地面沉降的預測方法較為豐富。根據沉降分布規律提出的經驗公式法,主要利用高斯曲線預測隧道橫斷面的沉降分布[8-9]。解析法是由Sagaseta[10]提出的利用數學方程計算盾構施工引起的周圍土體位移從而預測地面沉降的方法。借助數值模擬技術，Lee等[11]通過建立數值模型研究盾構隧道開挖過程對周圍地層的擾動影響，進而確定地面沉降數值。近年來，隨著人工智能應用的日益成熟，韋凱等[12]基于盾構施工參數采用蟻群算法對盾構隧道的長期沉降進行預測。然而，上述方法多適用于均勻地層條件，在破碎帶等復雜地層條件下無法有效反映完整性較差的開挖面對地面沉降的影響。

本文依托廣州地鐵7號線謝村站—鐘村站區間(簡稱謝鐘區間)盾構工程，在考慮盾構超挖與注漿影響的基礎上，通過分析破碎帶開挖面特性與不同盾構參數的相關性，提出適用于破碎帶地層盾構隧道沉降問題的深度學習預測模型；并利用現場數據對深度學習模型進行訓練，有效提升破碎帶中盾構隧道沉降預測的準確性。

1 研究方法

為實現破碎帶盾構隧道沉降預測，本文主要從確定盾構沉降影響參數以及建立預測模型2方面進行研究。

1.1 盾構沉降影響參數

一般地層條件下，盾構施工導致地面沉降主要由盾構超挖引起地層損失或施工擾動引起盾構周邊土體產生二次固結等因素造成[13-14]。謝自韜等[15]通過對盾構注漿過程進行模擬分析，證明壁后注漿可顯著減小盾構超挖引起的地面沉降。當盾構隧道掘進線路中存在破碎帶時，破碎帶引起開挖面整體性降低以及地下水條件的改變會進一步增加發生開挖面失穩、涌水突泥等地質災害的風險，并最終影響盾構施工造成的地面沉降結果。因此，本文將地層損失相關參數以及破碎帶特性作為影響地面沉降的2大類因素。

由于破碎帶與盾構開挖面的相對位置不同，在開挖面可能出現不同的破碎帶分布情況。對盾構隧道存在影響的破碎帶一般尺寸規模較大，相較于尺寸較小的盾構開挖面，盾構隧道掘進方向可假設與破碎帶垂直，且可將破碎帶在開挖面中的界面簡化為水平分布界面，如圖1所示。

(a) 盾構沿線剖面圖(b) 盾構開挖面剖面圖

圖1盾構開挖面破碎帶分布示意圖

Fig. 1 Distribution of fractured zone on shield tunneling face

通過對比不同破碎帶分布情況下的地面沉降規律，可確定破碎帶對盾構隧道沉降的影響。由于破碎帶顆粒尺寸、裂隙水含量等特性無法直接量化分析，故采用破碎帶在開挖面中的面積比作為直接反映破碎帶特性的參數進行研究分析。不同分布情況下破碎帶面積比的計算如圖2所示。以開挖面中心為原點建立坐標系，則破碎帶在開挖面中的面積為

(1)

式中:Af為開挖面中破碎帶的面積，m2；r為開挖面半徑，m；h為破碎帶侵入開挖面的高度，m。

因此，破碎帶面積比可表示為

(2)

式中Kf為破碎帶面積比。

(a) 隧道沿線地層分布

(b) A-A剖面(c) B-B剖面

圖2破碎帶面積比計算示意圖

Fig. 2 Calculation sketches of area ratio of fractured zone

由于破碎帶分布情況需基于地層勘察結果確定，所以在盾構掘進過程中較難實時分析。為增加工程實用性，本研究采用相關系數矩陣分析方法，確定與破碎帶面積比具有較強相關性的盾構施工參數作為破碎帶特性參數。

實時記錄的盾構施工參數主要有推力、刀盤轉矩、刀盤轉速、掘進速率、螺旋輸送機速率和土艙壓力等參數。利用相關系數矩陣法可對上述參數與破碎帶面積比之間的相關性進行分析，并最終選擇相關性最高的1～2個盾構施工參數作為破碎帶特性參數。

1.2 深度學習預測模型

深度學習模型的學習過程為信號前向從輸入層經過隱含層傳播至輸出層，再將誤差從輸出層經隱含層反向傳播至輸入層，并依次調節隱含層到輸出層的權重和偏置以及輸入層到隱含層的權重和偏置。深度學習模型高效的學習特點，使其適用于基于多影響因素的盾構隧道沉降預測。

深度學習模型預測地面沉降的結構圖如圖3所示。為優化深度學習預測模型的運算效率和預測精度，對影響地面沉降的相關因素進行篩選。盾構掘進過程中,由超挖和注漿共同作用下確定的地層損失是造成地面沉降的最主要原因。具體地，超挖是由于盾構姿態變化、軸線偏移等因素引起，可以通過盾構間隙進行量化；注漿則是對超挖造成地層損失的一種補償機制，可通過注漿量量化。因此，本研究將量化的盾尾間隙、注漿量以及破碎帶特征參數作為輸入量，通過深度學習模型的學習反饋機制確定盾構隧道沉降預測模型。

1—n影響因素；S地面沉降。

圖3深度學習模型預測地面沉降的結構圖

Fig. 3 Structure of deep learning model for settlement prediction

2 研究結果

本研究依托廣州地鐵7號線謝鐘區間盾構工程，應用上述研究方法確定破碎帶中盾構隧道沉降預測模型，并對預測結果進行驗證分析。

2.1 工程概況

廣州地鐵7號線謝鐘區間盾構工程位于華南褶皺帶，區域原始地貌類型可分為珠江三角洲沖積平原地貌和剝蝕殘丘地貌。其中，珠江三角洲沖積平原地貌的特點是地勢較平坦，現地貌多為擬建道路及新客站附屬工程的施工場地，下臥基巖多為白堊系粉砂巖和泥質粉砂巖；剝蝕殘丘地貌現多為廠房和市政道路，少量區域為農用地，下臥基巖多為震旦系混合花崗巖，該區域局部丘崗和沖溝相間，地面起伏較大。

根據本區間地質勘查所揭露地層的地質時代、成因類型和巖性特征度等工程特性，將沿線范圍內巖土層劃分為9類： 人工填土層、沖積—洪積砂層、沖積—洪積、坡積土層、殘積土層、基巖全風化帶、基巖強風化帶、基巖中風化帶、基巖微風化帶和糜棱巖。經現場勘察，在盾構隧道200—600環內存在糜棱巖破碎帶，長度約為350 m，總體走向為東南向西北，與盾構隧道呈26°，盾構掘進范圍內的破碎帶具體分布情況如圖4所示。

(a) 盾構左線地層分布

圖4 謝鐘區間破碎帶分布情況

Fig. 4 Distribution of fractured zones on Xiecun Station-Zhongcun Station Section

破碎帶內的巖土種類主要有強風化糜棱巖、中風化糜棱巖和微風化糜棱巖3類。強風化糜棱巖呈現灰綠或淺灰色，巖石礦物風化強烈，巖芯呈半巖半土狀，遇水易軟化、崩解；中風糜棱巖表現為灰綠或淺灰色，呈糜棱結構或碎裂構造，母巖為石英巖，主要礦物為石英、長石和綠泥石，裂隙稍發育，巖芯呈塊狀及少量短柱狀，巖質較硬，錘擊聲脆，平均巖石質量指標(RQD)值約為25；微風化糜棱巖多為灰綠或淺灰色，巖石結構為糜棱結構或碎裂構造，母巖為石英巖，主要礦物為石英、長石和綠泥石，巖芯較完整，局部可見少量風化裂隙，巖芯呈短柱—長柱狀，巖質堅硬，錘擊聲響，平均巖石質量指標(RQD)值約為85。

2.2 盾構施工參數

盾構施工過程中，對區間每環的推力、刀盤轉矩、刀盤轉速以及掘進速度進行記錄，結果如圖5所示?？傮w上，盾構在進入破碎帶前的掘進速度相對較高，進入破碎帶后盾構左右線的掘進速度均開始震蕩下行，并最終保持在20 mm/min左右。在300環附近由于受破碎帶與上軟下硬復合地層的影響，刀盤轉速調整較為頻繁，且出現較大范圍的波動。盾構總推力則一直保持波動狀態，但均值變化不大。刀盤轉矩一直保持寬幅震蕩，可能是受開挖面破碎程度影響的原因。

(a) 盾構總推力

(b) 刀盤轉矩

(c) 刀盤轉速

(d) 掘進速度

Fig. 5 Shield tunneling parameters in fractured zone of Xiecun Station-Zhongcun Station Section

2.3 地面沉降及相關參數監測

盾構掘進過程中，每隔20環設立地面沉降監測截面，記錄盾構通過截面后盾構隧道正上方的最大地面沉降值，含破碎帶的200—600環地面沉降結果如圖6所示。盾構左右線均以沉降為主，左線350環與右線275環附近存在輕微地面隆起。盾構左右線沉降最大值均出現在400環附近。

土體損失率作為均質地層條件下盾構引起地面沉降最主要的因素，在謝鐘區間盾構掘進過程中，采用記錄盾尾間隙以及注漿量的方法進行了監測。圖7與圖8分別示出200—600環盾尾間隙均值與注漿量數值。盾構左右線盾尾間隙的均值基本都保持在70～80 mm，左線偶爾存在下降的情況，但總體上盾構掘進過程中地層損失保持在穩定狀態。盾構左線的注漿量基本保持在6～8 m3，而右線則在350—425環出現明顯上漲。

圖6 謝鐘區間盾構隧道地面沉降

Fig. 6 Ground settlement during shield tunneling in Xiecun Station-Zhongcun Station Section

圖7 謝鐘區間200—600環盾尾間隙

Fig. 7 Shield tail gap of ring 200 to 600 in Xiecun Station-Zhongcun Station Section

Fig. 8 Grouting volume of ring 200 to 600 in Xiecun Station-Zhongcun Station Section

綜合圖7和圖8可知，350—425環地層損失率在盾尾間隙保持不變和注漿量增加的共同作用下產生下降，但按照均值地層沉降規律，此時，地面沉降應出現減小趨勢。然而，圖6對應的實際地面沉降在350環減小后立即出現增大趨勢，并在400環左右盾構左右線同時達到沉降最大值。根據現場監測的差異，可以推測均值地層地面沉降規律在破碎帶地層條件下的適用性較差，需進一步考慮潛在的破碎帶特性參數對地面沉降的影響。

2.4 破碎帶表征因素分析

由圖4中破碎帶分布情況可確定開挖面內破碎帶的侵入高度，并由式(1)和式(2)得到開挖面破碎帶面積比，計算結果如圖9所示。開挖面破碎帶面積比的變化趨勢與地層分布情況具有一致性。盾構左線開挖面破碎帶占比更大，而盾構右線的破碎帶面積比的變化更為頻繁。

圖9 謝鐘區間破碎帶面積比

Fig. 9 Area ratio of fractured zone in Xiecun Station-Zhongcun Station Section

剔除不存在破碎帶的開挖面后，采用相關系數矩陣分析破碎帶面積比與盾構參數的關系，計算結果如表1所示。表中，Kf為破碎帶面積比，F為推力，T為刀盤轉矩，R為刀盤轉速，A為掘進速度。通過對不同盾構參數相關系數的對比分析，可確定刀盤轉矩與破碎帶面積比的相關性最好，故將刀盤轉矩作為代表破碎帶特性的參數。

表1 面積比與盾構參數相關系數計算結果

2.5 深度學習模型沉降預測

剔除謝鐘區間200—600環內開挖面不存在破碎帶的環號后，得到左線共86環、右線共298環刀盤轉矩、盾尾間隙以及注漿量數據。將右線298環參數數據作為輸入值導入模型的輸入層，將對應的地面沉降數據導入模型輸出層。預測模型訓練結束后，對左線86環參數以及對應的地面沉降進行驗證。通過設置不同隱含層和節點數進行模型試算發現，將隱含層設置為1層、隱含層節點數設為10、迭代次數設為3 000，可得到滿足工程精度要求的預測結果。同時，進一步增加節點數并未帶來預測精度的顯著上升，反而極大增加計算成本。

圖10示出考慮破碎帶和不考慮破碎帶模型的預測效果對比。相較于不考慮破碎帶特性時的深度學習模型沉降預測結果，考慮破碎帶的預測值與沉降實測值更為接近，說明本研究提出的深度學習模型能基于刀盤轉矩等盾構施工參數更加準確地預測盾構隧道沉降值。因此，針對破碎帶盾構施工，考慮破碎帶特性的預測效果好于僅考慮盾構超挖和注漿的預測效果。

圖10 深度學習模型沉降預測擬合效果

Fig. 10 Fitting results of settlement prediction results by deep learning model

3 分析討論

圖11示出剔除開挖面無破碎帶環號的盾構左線深度學習模型誤差。盾構掘進至300環附近時，開挖面內的破碎帶面積比較大。使用不考慮破碎帶特性模型的預測效果較差，最大誤差達20 mm，不符合工程使用要求。對應的考慮破碎帶特性模型的預測誤差僅為8 mm左右，預測精度更高。其余盾構掘進過程中，預測誤差均維持在±10 mm，基本滿足工程要求。但是，預測結果與實測值還存在一定的誤差，其原因可能與破碎帶裂隙發育程度有關，將由后續研究做進一步分析。需要指出的是，本研究僅利用深度學習模型探索了隧道軸線正上方的最大沉降，對于沉降的橫向分布未作研究。今后可結合Peck公式對地面沉降分布形態的深度學習預測模型做進一步研究。

圖11 深度學習模型誤差分析

盡管本研究提出的預測模型具有較好的實用性，但常規工程僅對盾構沿線地質進行勘查，使得破碎帶的分布限于隧道沿線的平面內，無法進一步研究破碎帶與隧道相對位置關系對開挖面破碎帶分布情況的影響。鑒于仍存在破碎帶特性參數不夠全面、地面沉降監測斷面間隔較大等局限，本預測方法仍有一定的改進空間。

4 結論與建議

本文依托廣州地鐵7號線謝鐘區間盾構工程，研究破碎帶中盾構隧道沉降預測方法，得到以下結論：

1)盾構隧道開挖面破碎帶的分布情況可根據其侵入高度確定，破碎帶面積比可反映破碎帶對盾構隧道沉降的影響程度。通過相關系數矩陣法確定刀盤轉矩與破碎帶面積比相關性較強，可作為破碎帶的特性參數。

2)盾構隧道沉降影響因素分為破碎帶特性和地層損失相關參數2大類。破碎帶特性由刀盤轉矩進行量化； 地層損失由反映盾構超挖情況的盾尾間隙以及反映地層補償的注漿量決定。

3)深度學習模型以影響因素為輸入層、地面沉降為輸出層，通過盾構右線數據訓練后可較為準確預測盾構左線沉降值?？紤]破碎帶特性后的沉降預測精度顯著提升，大部分預測誤差可控制在±10 mm。

4)模型預測結果顯示，考慮開挖面破碎狀態可提高盾構沉降預測的準確性，故建議繼續對開挖面節理特性的量化分析進行研究，并提出相關指標應用于盾構沉降的預測分析。