超大直徑隧道施工引起地表沉降預測研究

周帆

（上海勘察設計研究院（集團）有限公司，上海 200438）

1 引言

隨著現代城市的經濟飛速發展，我國沿江城市急需增加過江通道來緩解交通壓力，滿足經濟發展需求。過江隧道相比于過江橋梁有著獨特的便利，但地下工程施工必將引起地層損失，進而引起地表沉降[1]。因此，在盾構施工過程中進行地表沉降預測對盾構安全開挖具有重要參考意義。

針對BP 神經網絡進行網絡訓練時易出現局部極小值問題和收斂速度慢等問題，因此，利用GA 遺傳算法改進BP 神經網絡建立網絡預測模型。本文以南京某過江通道為例，重點分析影響因子并利用灰色關聯分析法進行數據關聯度分析，分別使用BP 神經網絡和GA-BP 神經網絡進行樣本數據預測，驗證了GA-BP 網絡在地表沉降預測上比BP 神經網絡更具優勢，可在類似的工程背景即砂土土質下超大直徑盾構隧道施工引起的地表沉降預測中推廣應用。

2 GA 遺傳算法改進BP 神經網絡基本原理

2.1 BP 神經網絡預測原理

BP 神經網絡采用的算法是反向傳播學習算法。BP 神經網絡在處理數據預測方面展現出的優越性能，使其適用于眾多領域中，尤其是用于預測盾構施工引起的地表沉降研究非線性問題中。BP 神經網絡的模型結構沒有限制，比較常用的網絡模型是一種3 層結構，主要由輸入層、隱含層以及輸出層組成。

設Pi（i=1,2,3…,n）是網絡訓練樣本的輸入值，ωi（i=1,2,3…,n）是網絡模型中各個節點之間的權值，b為偏差閾值，f為激活函數，Y 為模型輸出值，隱含層神經元接收的信號值y為：

則最終輸出層的輸出為：

設樣本的原始輸出向量即理想輸出向量為Yk，實際輸出向量為Y′k，則定義誤差函數為：

當得出的損失函數不滿足所給定的精度要求時，則進行反向計算各層級的誤差，按照正向傳播路徑反向推算，反復迭代求解權值、閾值最優值，直至達到所設定的網絡訓練精度，網絡訓練結束[2，3]。

2.2 GA 遺傳算法改進BP 神經網絡

BP 神經網絡模型在進行樣本訓練時，受到模型自身算法因素的影響，極易出現局部極小值和收斂速度慢等問題，GA遺傳算法是基于達爾文進化論所提出的一種迭代優選算法，通過將樣本數據進行編碼化，進行適應度值訓練，進而進行遺傳操作（選擇操作、交叉操作、變異操作），對整體樣本數據進行全局搜索得到最優解。核心優化思路為：使用BP 神經網絡模型預測出的輸出值與真值之差作為適應度值，進行遺傳算法迭代，找尋到BP 神經網絡所需要的最優權值和閾值。

3 灰色關聯分析法

本文為了確定研究測區地表沉降主要影響因子采用灰色關聯分析法來解決。步驟如下。

1）根據樣本數據劃分成參考序列和比較序列這2 類數據；

2）對樣本進行量化處理；均值法：

式中，xa（b）為數據庫內a組數據內第b個數據；xa為數據庫內a組數據的平均數；b=1,2,3,…,n；a=1,2,3,…,m。本文數據n=39，m=8。

3）計算灰色關聯系數；

4）求解相關度。

4 工程實例

江蘇南京某過江隧道項目全長2 965 m，管片外徑15 m，內徑13.3 m，寬度2 m。在超大直徑盾構開挖過程中地表沉降量較大，因此，在盾構始發井至長江江邊公路大堤區間共計5 個監測斷面采集數據并進行地表沉降預測。

根據國家最新圍巖級別劃分依據，研究區間斷面均為Ⅵ級圍巖，地下水文地質條件均為松散巖類孔隙微承壓水[4，5]。因此，圍巖結構和地下水情況不作輸入參數進行模型預測。

針對研究區間對地表沉降有直接影響初步總結出了以下幾個影響參數。由于盾構直徑為15 m，選取的幾個斷面盾構直徑未改變，因此，將隧道埋深和直徑合成為隧道埋徑比，現選定施工影響參數為：監測斷面點距隧道中心線距離X1、隧道埋徑比X2、掘進推力X3、注漿量X4、刀盤轉速X5、刀盤扭矩X6。

6 個影響因子進行灰色關聯度分析，研究確定最終模型影響因子即輸入參數，結果見表1。

表1 影響因子較地表沉降量關聯度表

參數與參數之間相較于地表沉降量關聯度相差不大，均在0.5 以上。因此，將這6 個參數作為最終樣本影響因子代入GA-BP 神經網絡進行數據擬合預測。

為了防止出現輸入節點內樣本輸入值小數據值被大數據值直接淹沒現象，可以采取數據歸一化處理。在歸一化數據時，將數據歸一化至[0.05，0.95]區間，以此來避免歸化至[0，1]極值造成的迭代速度慢等問題。

取前31 組數據作為訓練樣本，后8 組數據作為預測樣本，后8 組數據均為第6 斷面8 個沉降監測點位數據。預測結果如表2、表3 和圖1 所示。

表2 預測結果對比表

表3 BP 與GA-BP 預測模型數據各項誤差對比表

圖1 預測模型數據對比圖

從表3 數據整理可得各相關誤差值，均方根誤差GA-BP神經網絡為0.58 mm，小于BP 神經網絡均方根誤差1.07 mm；平均相對誤差GA-BP 神經網絡為5.1%，小于BP 神經網絡9.6%；全部數據擬合相關系數GA-BP 神經網絡為0.995，BP神經網絡為0.984。從表3 中數據看出，采用GA 遺傳算法優化BP 神經網絡的方式建立預測網絡模型精度明顯提升，在本文研究的測區中適用。

5 結語

對超大直徑盾構速調施工引起的地表沉降進行沉降預測，根據監測數據及時向盾構機傳達信息以調整盾構參數，能夠有效保證超大直徑盾構隧道在施工過程中的安全[6]。本文針對傳統BP 神經網絡的不足之處，如收斂速度慢，易出現局部極小值等問題，運用GA 遺傳算法進行BP 網絡模型優化，利用GA 遺傳算法能夠快速全局找尋最優解的優勢對BP 神經網絡的神經元連接權值和閾值進行改正，極大提高預測模型的運算速度和精度。利用灰色關聯分析法確定最終樣本參數影響因子作為輸入層參數，最終預測結果符合工程要求精度，可在類似的工程背景即砂土土質下超大直徑盾構隧道施工引起的地表沉降預測中推廣應用。

導致地表沉降的因素有很多，由于資料的有限性，有些影響地表沉降影響因素未加入本模型考慮，且樣本數據各影響因子參數數據與地表沉降值之間相關度不高可能受到樣本數據較少、選取斷面監測點等因素影響，后續工作應對影響因子做深入研究。