復(fù)雜環(huán)境下地鐵隧道盾構(gòu)施工誘發(fā)地表土體變形的智能預(yù)測

韓業(yè)華

（中鐵十六局集團(tuán)有限公司，北京 100018）

0 引言

盾構(gòu)隧道開挖工程技術(shù)要求較高，尤其在復(fù)雜的地質(zhì)環(huán)境下，需要實(shí)時對開挖掌子面、土體沉降等進(jìn)行監(jiān)測，并以此調(diào)整盾構(gòu)參數(shù)來滿足規(guī)范要求。然而，傳統(tǒng)反饋式監(jiān)測手段往往具有一定的滯后性，無法適用于工程突發(fā)狀況。鑒于盾構(gòu)施工引起土體的變形是一個漸進(jìn)過程，因此其隨時間變化存在一定的演化規(guī)律，如果根據(jù)已有的監(jiān)測結(jié)果，結(jié)合遺傳算法[1]、禁忌算法[2]、神經(jīng)網(wǎng)絡(luò)[3]等智能算法對后續(xù)土體變形進(jìn)行預(yù)測，變反饋式監(jiān)測為前饋式控制，能顯著降低工程突發(fā)事故發(fā)生概率，具有重要工程意義和社會效益。

目前，神經(jīng)網(wǎng)絡(luò)已在土木工程領(lǐng)域有一定的應(yīng)用。周瑞忠和邱高翔[4]利用BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)對已測得的基坑位移進(jìn)行了參數(shù)反演。程龍飛和袁寶遠(yuǎn)[5]應(yīng)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測了基坑變形。齊干[6]利用BP神經(jīng)網(wǎng)絡(luò)對施工期間周圍土體沉降進(jìn)行了預(yù)測。殷晟泉[7]利用Elman動態(tài)神經(jīng)網(wǎng)絡(luò)對深基坑變形進(jìn)行了預(yù)測。劉勇健[8]利用神經(jīng)網(wǎng)絡(luò)對高速公路地基的最終沉降進(jìn)行了預(yù)測。楊濤等[9]建立BP沉降預(yù)測模型，能夠利用短預(yù)壓期的沉降預(yù)測長預(yù)壓期的沉降。以上可見，神經(jīng)網(wǎng)絡(luò)在工程領(lǐng)域具有較高的可行性。

本文運(yùn)用BP神經(jīng)網(wǎng)絡(luò)建立地鐵隧道盾構(gòu)施工誘發(fā)地表土體變形智能預(yù)測模型，結(jié)合現(xiàn)場實(shí)測沉降數(shù)據(jù)進(jìn)行模型的訓(xùn)練、預(yù)測，并通過實(shí)測數(shù)據(jù)對模型預(yù)測精度進(jìn)行驗(yàn)證。

1 工程條件

本工程位于杭富城際鐵路11標(biāo)，富陽區(qū)受降村黃沙畈以北。盾構(gòu)穿越宋家塘車輛段出入段線及大樹下橋后，沿新G320國道繼續(xù)往東敷設(shè)，經(jīng)受降紀(jì)念廳后向北下穿杭富線附屬配套工程6 號隧道，沿G320 國道到達(dá)受降站接收。盾構(gòu)區(qū)間左線長度2187.938m（長鏈7.151m），右線長度2180.822m。

1.1 工程地質(zhì)條件

本項目的工程地質(zhì)層組的劃分及其層序編號根據(jù)土層的物理、力學(xué)性質(zhì)以及土層的時代和成因，并參照《杭州地鐵巖土工程勘察地層編號規(guī)定（修編稿2015年版）》確定，全線地層共分4個工程地質(zhì)層組，17個工程地質(zhì)層，見表1。

表1 各巖土層厚度一覽表

整個隧道盾構(gòu)推進(jìn)過程中遇到的圍巖地層主要有兩種：1）上部圍巖為全、強(qiáng)風(fēng)化基巖層，下部圍巖為強(qiáng)、中等風(fēng)化基巖層；2）圍巖全斷面均為中等風(fēng)化基巖層。局部存在圍巖軟硬不均現(xiàn)象，力學(xué)性質(zhì)上主要表現(xiàn)為上軟下硬，盾構(gòu)推進(jìn)過程中易出現(xiàn)“上抬、跑偏”現(xiàn)象，姿態(tài)較難控制。對于中等風(fēng)化基巖層盾構(gòu)掘進(jìn)預(yù)計難度較大。

1.2 水文地質(zhì)條件

地表水體主要為北渠，北渠位置埋深22m，底層為(31)a3層中等風(fēng)化粉砂巖，滲透性較差，對隧道基本無影響。北渠為山溪性溪流，平常溪溝中水深大多小于1.0m，大部分為生活廢水等，雨季時受地表匯水影響，水位可暴漲3～4m，勘察期間測得水文數(shù)據(jù)如表2。

表2 北渠水文資料一覽表

2 BP神經(jīng)網(wǎng)絡(luò)算法基本原理

作為一種著名的前向型神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)主要包含圖1所示的典型結(jié)構(gòu)：1個輸入層，數(shù)個隱含層和1個輸出層。層與層之間全連接，而同一層的各神經(jīng)元之間相互獨(dú)立。其中，隱含層的神經(jīng)元通常采用S型非線性傳遞函數(shù)，而輸出層傳遞函數(shù)大多采用線性形式。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.1 BP神經(jīng)網(wǎng)絡(luò)的基本思想

對輸入樣本對進(jìn)行訓(xùn)練，經(jīng)隱含層和輸出層計算后，輸出層輸出對應(yīng)的預(yù)測值。若預(yù)測值與期望值差別（誤差）較大，則從輸出層反向傳播該誤差，對權(quán)值和閾值進(jìn)行調(diào)整，逐步減小誤差，直至滿足精度要求。

2.2 BP神經(jīng)網(wǎng)絡(luò)的算法核心

權(quán)值和閾值是導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)預(yù)測值與期望值之間誤差的根本原因[10-11]，將誤差沿負(fù)梯度方向（誤差函數(shù)下降最快方向）分配給各個神經(jīng)元的權(quán)值和閾值，逐步提高預(yù)測值精確度。

如圖1所示，設(shè)輸入變量為xi(i=1,2,…,n)，νij(i=1,2,…,n;j=1,2,…,n)為輸入層至隱含層的網(wǎng)絡(luò)連接權(quán)值，wj(j=1,2,…,n)為輸出變量的連接權(quán)值。

根據(jù)輸入值xi與初始化的νij計算隱含層的輸出值φj(j=1,2,…,m)（單隱層）或ηj(j=1,2,…,m)（多隱層），設(shè)定訓(xùn)練次數(shù)（N）、訓(xùn)練目標(biāo)誤差（δ）與學(xué)習(xí)率（ξ）：

式中，f為隱含層激勵函數(shù)，通常采用Sigmoid函數(shù)；aj(j=1,2,…,m)為隱含層的閾值。

②根據(jù)式（2）、式（3）計算輸出值y：

式中，b為隱含層初始閾值。

③計算目標(biāo)值g與預(yù)測值y之間的誤差ε=g?y，根據(jù)反向誤差更新權(quán)值為：

式中，ξ為學(xué)習(xí)率，且ξ∈ [0.01,1]。

④更新神經(jīng)網(wǎng)絡(luò)閾值：

重復(fù)步驟②～④，直至誤差達(dá)到計算要求（即ε≤δ）為止。

3 地鐵隧道盾構(gòu)施工誘發(fā)地表土體變形智能預(yù)測

由上述分析可知，BP神經(jīng)網(wǎng)絡(luò)能夠通過自我調(diào)整逐漸縮小誤差來提供更加準(zhǔn)確的預(yù)測，因此本文采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行盾構(gòu)施工誘發(fā)地表土體變形的智能預(yù)測。設(shè)定初始的計算參數(shù)如表3所示。

表3 BP神經(jīng)網(wǎng)絡(luò)參數(shù)

針對地表沉降，選取2019年5月～2019年8月的典型測點(diǎn)的監(jiān)測項目作為樣本，采用BP神經(jīng)網(wǎng)絡(luò)對2019年8月17日、2019年8月22日和2019年8月27日的監(jiān)測數(shù)據(jù)進(jìn)行預(yù)測，監(jiān)測結(jié)果與預(yù)測值見圖2。此外，選取2019年5月～2019年12月的左線沉降、右線沉降數(shù)據(jù)（R1～R8、L1～L7），并預(yù)測2019年12月18日、2019年12月22日和2019年12月27日的沉降數(shù)據(jù)，實(shí)際監(jiān)測結(jié)果與預(yù)測結(jié)果見圖3和圖4。

圖2 盾構(gòu)施工引起地表沉降預(yù)測

圖3 盾構(gòu)施工引起右線沉降預(yù)測

圖4 盾構(gòu)施工引起左線沉降預(yù)測

由圖2～圖4可知，BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與實(shí)際監(jiān)測所得數(shù)據(jù)比較吻合，綜合走向及趨勢均相同。因此，本文采用的BP神經(jīng)網(wǎng)絡(luò)能夠有效預(yù)測復(fù)雜環(huán)境下盾構(gòu)施工誘發(fā)的地表土體變形，從而變傳統(tǒng)的反饋式監(jiān)測為前饋式智能預(yù)測，進(jìn)而基于此提前修改盾構(gòu)參數(shù)，降低后續(xù)施工可能的風(fēng)險。

4 結(jié)論

1）建立了基于BP神經(jīng)網(wǎng)絡(luò)的復(fù)雜地質(zhì)條件下盾構(gòu)隧道施工誘發(fā)地表土體變形沉降預(yù)測模型，算例驗(yàn)證表明，該模型預(yù)測值與實(shí)測值比較接近，能夠?qū)崿F(xiàn)較高精度的預(yù)測。

2）通過BP神經(jīng)網(wǎng)絡(luò)，利用左線沉降、右線沉降的長期數(shù)據(jù)進(jìn)行預(yù)測，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)對大樣本預(yù)測同樣具有較高的精度，且樣本數(shù)量越高，精度越大。