基于BP神經網絡的填海區復雜地層盾構掘進參數預測與應用

王傳儉

（中鐵十四局集團隧道工程有限公司，山東 濟南 250013）

0 引言

填海區建造地鐵可巧妙避開地面建筑物或構筑物對施工造成的影響，而填海地區存在多種地層復合交織，盾構機掘進過程中會遇到各種困難，造成掘進工效低、非正常停機等問題，同時也難以保證工期。如何高效優質地完成盾構施工成為一個亟待解決的問題，而盾構掘進參數的控制是影響盾構機掘進效率的關鍵因素之一。

目前，國內外學者對盾構掘進機掘進參數的控制進行一定研究，并取得部分研究成果。國外有預測模型被應用于土壓平衡盾構機掘進性能預測評價等方面[1-2]，ROSTAMI J等[3]提出用于盾構掘進性能預測的CSM和NTNU等較為成熟的模型；基于CSM模型和NTNU模型，YAGIZ S[4]對盾構現場施工數據進行統計分析，推導出抗壓強度、抗拉強度等變量與掘進速度的數學模型以進行掘進速度預測；HASSANPOUR J等[5]根據伊朗卡拉季輸水隧道工程，對該隧道穿越火成巖時盾構機的各掘進參數進行分析，構建新的數學模型預測刀盤扭矩、刀盤轉速等參數，提出針對不同工程，需要對預測模型進行適應性修正；張厚美[6]結合廣州地鐵3號線工程實際，采用正交試驗方法建立軟土地層中掘進速度和刀盤扭矩的數學模型；王洪新等[7]基于模型試驗結果推導出土壓平衡盾構中土壓力、掘進速度等掘進參數間的數學關系表達式，并利用現場采集的數據驗證該數學表達式；楊全亮[8]運用數理統計分析方法對現場掘進參數數據進行分析，指出地質條件對掘進參數的影響程度大于線路選擇，并采用人工神經網絡方法，利用已知推進速度、刀盤轉速、貫入度預測盾構機推力和扭矩；胡紹華等[9]利用BP神經網絡建立土艙力控制模型，根據當前土艙壓力值、當前推進系統推進速度等變量預測下一時刻推進速度及螺旋輸送機轉速，實現實時控制盾構機土壓平衡。

從上述研究成果可看出，目前國內外關于掘進參數預測方法主要是建立數學模型，其總體思路是基于模型試驗或現場監測數據建立各掘進參數間數學預測模型，可解決部分掘進參數預測問題，但其針對性較強。而BP神經網絡能夠較好地建立起各個影響因素與掘進參數的非線性關系，其普適性和泛化能力較佳。本文依托某會展中心配套市政項目盾構施工，采用BP神經網絡方法建立盾構掘進參數預測模型，并將該預測模型用于本工程盾構掘進參數預測，通過將預測值與實際監測值對比分析，得出其精度滿足施工要求，表明該方法適用于本工程后續盾構區間以及類似地層盾構掘進參數的預測，具有較好的科研價值和工程實踐意義。

1 BP神經網絡基本原理

BP神經網絡即誤差回傳神經網絡是一種無反饋的前向網絡，神經元在網絡中分層排列。一般網絡結構分為輸入層、隱含層、輸出層。每層的輸出傳遞至下一層，通過聯結權傳送，可達到増強、減弱或抑制輸出的作用，除去輸入層的神經元外，輸出層和隱含層神經元的凈輸入是上一層神經元輸出的加權和。每個神經元的活化程度均由它的輸入、閾值和活化函數決定，BP神經網絡信號傳播結構如圖1所示[10-16]。

圖1 BP神經網絡結構層

圖1中，X，Y分別表示BP神經網絡的輸入和輸出，n、q、w分別表示BP神經網絡的輸入層、隱含層和輸出層神經元，每個神經元可用1個節點表示。在BP神經網絡學習過程中，神經網絡的輸出值與期望輸出誤差值在向后傳播的同時修正連接權值，達到誤差均方值最小的目的。

2 盾構掘進參數預測模型設計

BP神經網絡模型的設計，主要是確定輸入輸出參數、網絡結構層次，并通過神經網絡構建各參數間的非線性映射關系。這主要是通過采用Pathon編程語言和JetBrains PyCharm軟件編制BP神經網絡預測程序實現。

2.1 網絡參數變量選取

BP神經網絡模型構建中，需要將已從現場采集的數據分為兩大類：一大類為體現外部環境的輸入變量——地層因素，主要包括隧道埋深 h（m）、孔隙比 e、壓縮模量 E（MPa）、土體凝聚力C（kPa）與內摩擦角Φ（°）5種參數。另一類為體現盾構機內部性能的輸出變量，主要包括土壓力P（MPa）、掘進速度 V（mm/min）、總推力 T（kN）、出土量（m3）、刀盤扭矩 r（kN·m）5個參數。其中輸入組中的孔隙比、壓縮模量、土體凝聚力和內摩擦角可根據地質詳勘資料和現場開挖的情況確定，隧道埋深則取隧道斷面頂部至地表的垂直距離，從而構建輸入變量與輸出變量之間的聯系，實現利用盾構掘進的外部環境參數達到預測掘進參數的目的。

2.2 數據預處理

由于樣本數據中各掘進參數具有不同的數量級，在進行數據模擬預測前，需要對樣本數據進行適應性的處理，達到BP神經網絡的取值應用范圍。為避免量級差別帶來的網絡識別精度誤差，并提高網絡的收斂速度，引入數值統計分析中的歸一化方法對收集到的掘進參數進行預處理，將各掘進參數映射至值域區間［0，1］中，處理方法如下：

式中，χ*為歸一化后的值，χ為原始值，χmax為數據組最大值，χmin為數據組最小值。

2.3 數據建模

在數據樣本挑選及預處理完成后，則需要對數據樣本進行模擬訓練。為進一步提升數據樣本的訓練精度，需要對BP神經網絡預測模型的網絡結構設計及結構層傳遞函數進行優選。

2.3.1 網絡結構設計

BP神經網絡結構設計是指確定網絡的層數及各層神經元的節點數。由于采用3層BP網絡結構能夠逼近任何連續函數，并且通過增加隱含層層數減小預測誤差，另外，經試驗發現，隱含層神經元數目越多，訓練樣本的訓練精度越高[1 7]，因此選用3層網絡結構為最佳組合。

該BP神經網絡輸入層節點的數目為5（隧道埋置深度、孔隙比、壓縮模量、內摩擦角與凝聚力），均與具體問題相聯系具有一定的實際意義，輸出層節點數為5（土壓力、總推力、掘進速度、出土量、刀盤扭矩）。

在BP神經網絡預測模型中，隱含層中神經云數目的確定是網絡設計的關鍵所在，大多以經驗公式試算為主。

經驗公式S＝2N＋1，取N＝5，則隱含層節點數目設置為11，設置網絡結構為5-11-5；網絡參數設置如下：迭代層數net.rrainParam.epochs=20 000，學習速度 net.rrainParam.lr＝0.01，精度值 net.rrainParam.goal=0.01。

2.3.2 傳遞函數的選擇

JetBrains PyCharm軟件中有提供的BP神經網絡算法傳遞函數有3種，各函數的計算公式如下：

針對樣本數據的模擬訓練方面，目前還沒有統一、固定的模擬訓練方法，主要是采用通過數據不斷的輸入-輸出試算，根據輸出的誤差精度確定。但網絡結構層具體采用哪種函數還需要不斷的試驗，如表1所示。

表1 不同網絡結構訓練結果

從表1可看出，方案2在迭代次數和訓練誤差上最優先，因此，本預測模型選擇的網絡結構為tansig-purelin函數組合的5-11-5網絡結構層。

2.4 程序的編制及應用

采用Pathon編程語言編制出BP神經網絡預測程序，并運用JetBrains PyCharm軟件進行預測程序運行，在軟件里將地層條件設為輸入模塊，盾構內部各掘進參數值設為輸出模塊，掘進參數預測值與實際值的相對誤差設為預測目標值。將樣本直接從txt或Excel文件導入軟件輸入模塊，點擊運行按鈕進行樣本訓練、測試，軟件將自動輸出掘進參數的預測值及其與實際值的相對誤差，如果精度滿足要求則可應用于后續掘進參數預測。

3 工程應用

3.1 工程概況

某會展中心配套市政項目規劃起于T4航站樓，其線路長約8.35km，沿線共設置5座車站（機場北站、重慶路站、會展南站、會展北站、會議中心站），每座車站間的間距約2.01km。該項目于2016年10月開工建設，土建工期13個月，建成后，機場北站到會展中心只需12min。項目總平面如圖2所示。

圖2 項目總平面

該會展中心配套市政項目建設場地屬填海區復雜地層。原始地貌為濱海灘涂，現狀為人工造陸場地，現狀地形平坦，局部有起伏，現狀地面標高一般為3.0～7.0m，穿越魚塘部位地面標高約0.3m。自上至下地層依次為填土（局部填石）、軟土、中粗砂、黏性土、殘積土和風化巖。總體上沿線基巖埋深較大，僅機場北站以北區間局部基巖凸起侵入隧道。液化砂土和軟土主要分布于線路上部，零星位于隧道底。線路地下水具有中等-強腐蝕性。根據賦存介質的類型，沿線地下水主要有2種類型：①第四系地層中的松散巖類孔隙潛水和上層滯水，上層滯水賦存于第四系人工填土（填石）層中，孔隙潛水主要賦存于沖洪積砂土層及海積中粗砂中，因受上下相對隔水層的阻隔，略具承壓性；②為基巖裂隙水，主要賦存于強、中等風化帶中，具有微承壓性。淤泥（質）土及黏土層屬隔水層。

3.2 網絡樣本選取

盾構掘進現場采集的數據樣本主要來自出段線盾構區間，該區間段自明挖段始發，穿越蝦山涌向西北中間風井—重慶路站盾構區間并行，到達重慶路站拆卸、吊出。選取該國際會展中心配套市政項目出段線盾構區間中CDK1+833.526—CDK1＋820.537、CDK1＋481.232—CDK1＋779.732、CDK1＋059.732—CDK1+434.732三段共497環中的地層參數、盾構掘進參數的數據作為網絡樣本預測數據，剔除掉異常數據41個，得到有效樣本數據456個，用于建立掘進參數預測所需的BP神經網絡，部分經歸一化處理的數據如表2所示。

表2 輸入輸出變量歸一化處理數據（部分）

圖3 土壓力預測值與實際值對比曲線

圖4 總推力預測值與實際值對比曲線

圖5 掘進速度預測值與實際值對比曲線

圖6 出土量預測值與實際值對比曲線圖

圖7 刀盤扭矩預測值與實際值對比曲線

BP神經網絡預測過程中，本文運用JetBrains PyCharm軟件隨機抽取樣本數據的95%作為訓練樣本，剩余的5%作為測試樣本，避免人為主觀因素對預測結果的影響。

3.3 盾構掘進參數預測分析

BP神經網絡學習訓練完成后，需要對測試樣本數據進行模擬測試。本文選取有效樣本數據的5%進行各掘進參數的預測。土壓力、總推力、掘進速度、出土量、刀盤扭矩的預測值與實際值的對比曲線如圖3～7所示。

由圖3～7中各掘進參數預測值與實際值對比曲線圖可看出，預測值與實際值的趨勢基本吻合。為進一步表明BP神經網絡預測精準度，可用相對誤差和平均誤差2個指標驗證，計算結果如表3所示。

由表3可知，構建的BP神經網絡預測模型對土壓力、總 推力、掘進速度、出土量、刀盤扭矩預測值的平均誤差分別為0.092，0.075，0.094，0.020 和 0.09，平均誤差在 0.10 以內，滿足盾構施工的精度要求，在一定程度上可為現場盾構施工提供參考。

表3 測試樣本預測值與實際值的相對誤差

4 結語

1）針對位于填海區復雜地層條件下的某國際會展中心配套市政項目盾構區間進行盾構預測模型設計。首先結合相關的地層參數進行參數變量的選取，其次對現場收集的數據進行歸一化預處理，最后采用Pathon語言和JetBrains PyCharm軟件構建填海區復合地層條件下BP神經網絡模型，對體現盾構機內部性能的掘進參數進行預測。

2）將收集和整理大量盾構現場的監測數據用于BP神經網絡的訓練及測試樣本，預測值能夠大致反映盾構掘進參數的變化趨勢，各掘進參數的平均誤差小于0.10，可滿足盾構施工精度要求，表明實際值與預測值吻合較好。

3）BP神經網絡預測模型所需的變量數據便于現場采集處理，該預測模型只需通過輸入層數據的輸入，即可得到各掘進參數的預測值，操作簡單、實操性強且預測效果較佳，這在一定程度上可以為盾構安全掘進提供施工指導，從而提升盾構掘進施工整體效率。