盾構穿越回填區域扭矩參數預測識別

王 鋒

（中鐵二十局集團第三工程有限公司 重慶 400000）

1 引言

目前，隧道施工變形研究一般借助于傳統的有限元分析方法，但在實際應用中存在不少疑難問題待解決。人工神經網絡具有良好的參數辨識敏感性、非線性擬合能力，因此它為復雜地質盾構掘進參數反饋創造了條件，同時也降低了擬合計算非線性隧道變形問題以及構建相關模型的難度［1］。在地下工程中引入神經網絡技術能夠很好地彌補傳統技術所得信息不夠明確、處理不當等缺陷，故而備受工程領域的青睞［2］。現階段，BP神經網絡也被廣泛應用于地下工程施工領域。

朱北斗等［3］分析了砂土、黏土等底層中盾構掘進參數的特點和發展趨勢，并在構建底層識別模型時引入了BP神經網絡法，模型通過訓練樣本數據進行訓練，盾構掘進參數通過耦合作用共同反映地層對它們的擾動。結果表明該網絡能夠實現地層與盾構掘進參數之間的非線性映射，能夠在掘進過程中實現土層識別［4］。

李正等［5］基于深圳地鐵兩個盾構區間施工監測數據，基于BP神經網絡方法構建了相應的模型，此模型能夠預測盾構在珠三角上軟下硬地層的掘進參數，得出的預測值與實際數據變化規律相近，平均誤差控制在15%之內。

趙俊杰等［6］以蘭州－新疆鐵路某隧道為研究背景，基于FLAC3D數值模擬軟件聯合MATLAB網絡工具箱構建了神經網絡計算模型，建立了隧道開挖位移正演和反演模型，分析了圍巖的物理力學參數，為后期工程的施工和優化設計提供參考。

本文以西安地鐵14號線尚賢路站至學府路站盾構區間穿越深厚人工回填坑為例，實現了盾構掘進扭矩參數預測模型建設與BP人工神經網絡方法的結合，此模型能夠用于預測地表地層因在人為因素影響下的盾構掘進參數，進而為相關分析研究工作提供依據。

2 工程概況

尚賢路站盾構隧道始發端頭位于西安市北郊，沿線主要地貌為渭河河漫灘，地層結構由粉土、粉質黏土、粉細砂、中砂及粗砂組成，區間隧道均處于地下水位以下。盾構掘進以全斷面砂層為主，區間沿線地表20 m以下深度范圍內可液化地層均不液化。

由于二十世紀九十年代非法盜砂等行為猖獗，盜竊后遺留的大面積砂坑使用瀝青、灰渣、磚塊等建筑垃圾及破布、塑料等生活垃圾回填，少量黏性土、砂土充填，導致成分雜亂，疏密不均。現場探勘情況如圖1所示。

圖1 盾構隧道穿越區段典型回填土堆

此區域綿延在研究區范圍內（北客站附近以東區域）達數平方公里，形成眾多的回填坑。土堆于YCK2＋560 m～YCK2＋720 m段厚度最大，鉆探揭露最大厚度為22.4 m。在線路里程區間起點～YCK1＋950 m段的深厚回填坑，鉆探揭露最大深度約11.0 m，在地質剖面上觀察近似梯形，面積約為23 000 m2，如圖2所示。

圖2 某深厚回填坑與盾構區間平面位置關系預測

3 BP神經網絡模型簡介

其原理是通過擬合輸出誤差反饋數據對連接權，進而實現非線性映射功能。傳輸界面會在每層網下傳遞數據時以連接權為紐帶實現對輸出的抑制、減弱、增強［7］。盾構施工掘進參數的模擬采用三層BP網絡能夠在保證精度的情況下實現非線性關系對連續函數的逼近。圖3表示了BP神經網絡信號傳播結構形式。網絡信號傳播結構設置為輸入層-X、中間層（隱含層）、輸出層-Y。

圖3 BP神經網絡信號傳播結構

BP神經網絡是一種比較算法，由計算機大腦執行正反向比較傳播，由正向傳播參數流向和反向回傳誤差信息兩個環節組成，這兩個環節在計算和分析期間交替進行，在權向量空間內對權值的修正是通過誤差梯度下降法實現的，而最優權向量的明確是通過動態迭代完成的，這樣網絡基本不會出現太大的誤差函數，進而達到提取和存儲信息的目的［8］。

4 BP神經網絡模型的建立

在西安北客站鄭西高鐵高架附近進行前期勘測，經過已有相關資料的初步整合，得到BP神經網絡預測所需要的巖土物理力學參數，包括地層含水率、飽和度、孔隙比等，同時確認了該區域的盾構隧道埋深、含水層埋深范圍。進行了取樣重點為深厚回填區域的探坑開挖，對所取得的樣本進行三軸壓縮試驗及快剪試驗，得到土體的黏聚力及內摩擦角參數；對所取得的土體樣本進行固結試驗，得到土體的壓縮模量、各級壓力下的壓縮系數及固結系數［9］。探坑開挖過程見圖4。

圖4 回填土區域探坑設置與勘測

將上述體現外部地質變化因素的巖土物理力學參數導入網絡輸入層-X，通過中間層關系建立及誤差信息過濾，導出輸出層-Y所需要的盾構掘進扭矩參數，找出相關特征，進而實現預測識別目的［10］。

李超等發現，在同一掘進斷面上，地層的復合地層數超過兩層（包含2層），各地層參數的加權平均值以開挖面各地層所占比重為依據進行確定，以地表距離隧道斷面頂部的長度作為隧道埋深，以刀盤頂部距離地下水位的長度作為地下水埋深，同時采用線性插值方法來明確過渡段的參數［11］。

為提高訓練精度，預測模型采用單中間層的網絡結構。區間沿線地表20 m以下深度范圍內可液化地層均不液化，則不將含水層埋深作為輸入層節點。輸入層-X節點數目確認為5個，包括盾構隧道埋深-X1、土體天然重度-X2、土體粘聚力-X3、土體內摩擦角-X4與回填土層固結系數-X5，輸出層節點為盾構刀盤扭矩-Y1。

（1）網絡結構設置

隱含層神經元數和輸入層節點數分別用S和N表示，S＝11，N ＝5，以5-11-1為網絡結構。

（2）傳遞函數的選擇

以tansig作為目標模型輸入層至隱含層的函數，以purelin作為隱含層到輸出層函數。

（3）其他參數設置

本模型進行20 000次迭代處理，期間一直保持0.01的學習速率，精度目標值為0.01。

5 刀盤扭矩參數預測分析

需進行訓練的樣本數據為尚賢路至學府路站盾構區間右線500環的數據，結束訓練之后，在［0，1］區間對輸出值進行歸一化處理，之后反歸一化還原輸出值［12］。

由于該區段實際推進時刀盤扭矩參數波動較大，同時搜集了刀盤扭矩實際參數上限值及刀盤扭矩實際參數下限值形成對比曲線，如圖5所示。

圖5 刀盤扭矩上下限值曲線

經過訓練的BP神經網絡能夠精確的跟蹤訓練樣本，而且非線性映射能力也比較理想。較為完整地還原了原始數據的變化規律，如圖6所示。

圖6 刀盤扭矩預測值與實際值對比曲線

通過分析圖6的曲線不難發現，曲線描繪出了實際盾構掘進扭矩參數的變化特點。盾構掘進到0～81環時，扭矩值迅速增大后趨于平穩變化。盾構機掘進至400環左右，回填土層觸及掌子面，帶來了前后的較大反彈性波動。預測值不會與實際值存在明顯的偏差，但是預測數據與實際數值不可能完全一致。

實際掘進過程中，刀盤扭矩參數隨著掘進環數的上升表現出整體下降趨勢，預測值表現出盾構在西安深厚回填區域進行掘進的刀盤扭矩變化趨勢。

6 總結

通過大量訓練此BP神經網絡模型，使之能夠以外部地層外部參數為依據來對盾構掘進扭矩參數變化特征進行準確預測。掘進參數的輸出值與原始數值的偏差比較小，這意味著此模型的非線性映射能力通過了驗證。相較于實際數據，預測數據變化規律相近，平均誤差約為11.60%。