基于BP神經網絡的盾尾油脂消耗預測模型

劉富勤， 劉 穎， 孔凡輝

(1 湖北工業大學土木建筑與環境學院， 湖北 武漢 430068；2 中鐵十四局集團大盾構工程有限公司， 山東 濟南 250000)

盾構法是當今隧道掘進工程的主要施工方法，具有體量大、技術復雜、成本高的特點。盾尾油脂是泥水盾構消耗的最主要材料之一，對盾構掘進成本影響較大。現今國內外大量學者對盾尾油脂的研究主要集中在對盾尾油脂密封性能的測試試驗及改進研究，朱煒健研制出一種新型抗水壓密封測試儀并提出了新的測試標準，解決了目前國內外盾尾油脂抗水壓密封測試標準不統一和不能定量測試等問題[1]；Li等利用不同的基礎油研制出一種新型盾尾油脂，并對盾尾油脂的機械性能和環境性能進行了研究[2]。少量學者對泥水盾構材料消耗量進行研究，何川基于雙模盾構和泥水盾構對比分析了不同地質段和不同模式段的掘進參數變化及能源消耗情況[3]；王緒民就不同地質條件下的盾尾油脂、主驅動外密封油脂以及主驅動內密封油脂消耗量進行了預測[4-5]。以上研究僅僅就不同地質條件下的油脂消耗量進行分析，對影響盾尾油脂消耗的因素沒有進行全過程尋優探索。本文考慮到盾構掘進過程中影響盾尾油脂消耗的因素多且繁雜，結合地質參數的同時，引入施工掘進參數以及泥水參數對盾尾油脂消耗量進行分析。

現如今，人工智能和計算機技術逐漸應用到各個領域，人工神經網絡也為未知或非線性關系的研究開辟了一種新手段。BP神經網絡已廣泛應用于盾構施工參數預測與分析[6]、盾構刀具磨損分析和配置研究[7-8]、盾構機故障診斷及預測[9]以及盾構施工引起的地表沉降[10]，但是將智能算法和盾尾油脂消耗結合的研究較少，本文利用BP神經網絡解決大數據下影響盾尾油脂消耗的相關因素擬合問題。

本文基于武漢某地鐵黃浦路站-徐家棚站越江隧道工程大直徑泥水盾構施工的地質條件、施工掘進參數和泥水參數，使用BP人工神經網絡進行自學訓練和信息處理，構建盾尾油脂消耗量預測模型開展預測與分析，并驗證模型合理性和適用性。研究方法及結論可為類似條件下盾尾油脂消耗量的估算提供新的解決思路和途徑。

1 泥水盾構機理

1.1 泥水盾構系統

泥水盾構是利用循環懸浮液密度與稠度作為調節指標對泥漿壓力進行控制，將懸浮液送入泥水倉內，在開挖面形成不透水的泥膜，通過泥膜的張力保持壓力，以平衡開挖面的土壓力和水壓力，使開挖面保持穩定。開挖面的土砂以泥漿形式輸送到地面，通過泥水處理設備進行分離，分離后的泥水進行質量調整，再輸送到開挖面。本工程所用盾構機可調節氣倉壓力來調節泥漿支護壓力。盾構機具體運作方案如圖1所示。

1-土壤；2-氣壓倉；3-泥水倉；4-刀盤；5-輸送管；6-盾尾；7-注漿孔；8-后腔油脂孔；9-前漿油脂孔；10-鋼刷；11-管片；12-盾尾密封圖1 采用三道鋼絲刷的盾尾密封系統

1.2 油脂作用機理

盾尾密封系統(圖1)是盾構掘進的關鍵系統，往往盾構法施工所發生的安全事故常發生在盾尾。在隧道工程施工過程中，在殼體盾尾和管片內襯之間會有一個環形的空間，一般裝有3道密封鋼刷，鋼刷間隙內充滿密封脂，防止泥漿或地下水通過環形空間進入工作間，如果密封失敗，回填灌漿的壓力將不足，導致地面沉降，甚至坍塌，因此盾尾油脂對盾構隧道掘進至關重要。盾構消耗的油脂還包括主驅動外密封油脂(HBW)和主驅動內潤滑油脂(EP2)，HBW和EP2是保持主驅動正常運行的重要材料，在保持刀盤的旋轉破巖、預防大齒輪輪圈磨損損壞方面發揮著重要作用，與盾尾油脂的消耗量相比HBW和EP2的消耗量要小得多，所以本文選取盾尾油脂進行分析研究。

2 BP神經網絡模型的構建

2.1 BP神經網絡簡介

BP神經網絡是一種將輸出誤差反饋回傳來調整網絡權值的前饋多層感知器系統，其信息處理特點是建立輸入神經元{X1，X2，X3，Xn}經過中間隱含層節點作用于輸出節點，經過非線性映射關系產生輸出神經元Y，每個信號的輸入向量產生的期望向量與實際信息之間的偏差，通過調整各層級間連接強度ωij和ωjk以及閾值，形成數據流的正向傳播和誤差信息的反向傳播，多次循環訓練反饋之后使期望值與實際值的誤差平方和最小，使構建的BP神經網絡模型預測結果與實際值吻合度最優。BP神經網絡拓撲結構模型包括輸入層、隱含層和輸出層，其信息傳播方式如圖2所示。

圖2 BP神經網絡拓撲結構

2.2 BP神經網絡的構建

BP神經網絡各層之間通常采用Sigmoid函數作為激活函數，將輸入信息變換成0～1輸出，然后進行求解運算，表達式如下：

(1)

當信號從輸入層通過激活函數傳入隱含層，隱含層的輸出值Oj向輸出層傳遞，輸出層輸出預測結果Yk，自此完成了輸入神經元到輸出神經元的映射，其計算公式為：

(2)

(3)

θk=Y-Yk

(4)

式中：O為隱含層的輸出值；Yk為輸出層的預測結果；ωij為輸入層到隱含層的連接權值；Xi為系統輸入信息；αj為輸入層到輸出層的誤差；ωjk為隱含層到輸出層的連接權值；βk為隱含層到輸出層的誤差；Y為系統的輸出信息；θk為系統的預測誤差。

BP神經網絡中采用預測誤差作為目標函數，當預測誤差較大，即誤差達不到網絡模型設置的精度時，采用梯度下降法對BP神經網絡的連接權值和誤差進行調整優化，通過調整學習因子和隱含層個數來修正層級節點間權重矩陣的設定和誤差，以減少迭代次數和加快收斂速度。調整步長根據輸出誤差的大小自動調整學習因子，優化隱含層節點個數，縮短學習時間和加大系統容錯能力。其公式如下：

ΔWij(n+1)=η×φi×Oj+μ×ΔWij(n)

(5)

(6)

式中：ΔWij為上層矩陣和下層矩陣之間的權重矩陣的誤差；η為學習因子；Φi為輸出節點i的計算誤差；Oj為輸出節點j的計算輸出；μ為動量因子。φ為調整步長，在0～1之間取值；

2.3 BP神經網絡的反演過程

BP神經網絡反演步驟為：1)根據該工程相關文件采集掘進參數和盾尾油脂消耗量原始數據，將數據進行預處理；2)將輸入和輸出樣本導入BP神經網絡模型進行訓練；3)分析各層神經元的輸入和輸出，計算出誤差，然后將誤差反向傳播，用調整學習因子和隱含層來對權值和閾值進行優化；4)根據圖3流程進行運算，通過設定目標則系統運行結束。具體運行程序如圖3所示。

圖3 算法流程圖

3 實例分析

3.1 工程概況

本文以武漢市某地鐵黃浦路站～徐家棚站越江隧道工程為例， 自始發站沿途經過武昌岸邊段高密集棚戶區， 下穿長江； 路經老舊房屋和重要建(構)筑物到達接收站， 該越江隧道工程總掘進長度約3186 m，該盾構越江隧道工程依次經過粉細砂層、強風化礫巖、弱膠結礫巖、中等膠結礫巖和圓礫土。

3.2 參數的選取

考慮到泥水盾構的作用機理和水下地層的復雜性，選取盾構地質參數、施工掘進參數以及泥水參數對盾尾油脂消耗量進行預測。以環為單位，地質參數為每環各類型土體土方量情況，包括粉細砂層、強風化礫巖、弱膠結礫巖、中等膠結礫巖、圓礫土；施工掘進參數選取氣倉壓力、泥水倉壓力、掘進速度、刀盤扭矩、總推力；泥水參數選取進漿流量、出漿流量、進漿比重、出漿比重。由于此工程刀盤轉一轉為一環，因此刀盤轉速不做考慮。以上述選取參數作為輸入層，盾尾油脂消耗量作為輸出層，輸入系統對神經網絡進行訓練。

本文就該大直徑泥水盾構越江隧道工程的1399組數據，去除有部分數據缺失的環數，將剩下1118組數據隨機選取1048組對BP神經網絡進行訓練，剩下70組用于驗證該模型的適應性和有效性。表1、表2為選取其中部分訓練樣本。

表1 地質參數和施工掘進參數樣本

表2 泥水參數和盾尾油脂消耗量樣本

3.3 盾尾油脂消耗量預測分析及效果評價

人工神經網絡是在醫學、生物學和計算機科學等學科基礎上建立的具有模擬人腦神經組織工作的計算系統模型，在探尋大規模數據下具有并行、自組織、自學習等特點，解決了其他模型不能解決的語音分析、圖像識別以及計算機視覺等問題。BP神經網絡是目前應用最廣泛的神經網絡，具有自學習、自適應、容錯能力以及非線性映射等優點。本文利用BP神經網絡在大數據工程下的優越性，就1048組掘進參數數據與盾尾油脂消耗量數據經過BP神經網絡學習訓練，預測相似條件下的盾尾油脂消耗量問題。

3.3.1樣本訓練為避免自主選擇訓練集或測試集造成的主觀誤差，BP神經網絡模型將1048組數據作為樣本，系統隨機選取70%作為訓練集，15%作為測試集，15%作為驗證集，地質參數、施工掘進參數和泥水參數作為輸入層，盾尾油脂消耗量作為輸出層，對樣本進行神經網絡的構建。不同隱含層神經元個數訓練擬合優度結果如圖4所示。

圖4 不同數量隱含層節點擬合優度

隱含層節點個數對系統運算性能有較大的影響，隱含層節點個數過多時，會導致系統運行時間過長，甚至有可能陷入不收斂的狀態；而當隱含層節點個數太少時，系統模型的容錯能力變差。在確定隱含層節點個數時，結合經驗公式

需要對不同隱含層節點個數的神經網絡模型進行反復測算，選取預測效果最好的神經網絡結構。選取5～15個隱含層節點個數分別模擬試驗，圖4給出不同數量隱含層節點個數總樣本的整體回歸情況，結果曲線波動性規律不明顯，則不同隱含層個數BP神經網絡的反復測算便對隱含層節點的選取尤為重要。由圖4可知，隱含層節點為10個時神經網絡擬合效果為最優，符合經驗公式選取范圍。

3.3.2模擬結果隱含層節點選取之后，對樣本進行迭代訓練，通過迭代逼近來計算參數的非線性關系，直至預測值與實際值誤差通過系統預先設定的誤差檢驗。這樣既可以達到收斂目的也可以避免過擬合，此時訓練樣本、驗證樣本、測試樣本以及總樣本的擬合優度R2如圖5所示。

圖5 盾尾油脂擬合情況

由圖5所示，圓圈代表樣本數據實際值與預測值的離散誤差，直線代表預測值和實際值誤差的擬合情況，數據樣本越接近擬合線，R2越接近1，則表明預測的盾尾油脂消耗量與實際的誤差越小。上圖可看出，數據樣本絕大多數接近擬合線，個別數據出現較大誤差，但是不影響整體擬合效果。當隱含層節點選取10個時，樣本數據的訓練集、驗證集、測試集以及總樣本的擬合優度分別為0.940、0.939、0.932以及0.938，均接近于1，證明構建的BP神經網絡預測模型自學習、容錯能力以及非線性映射能力較好，預測結果與實際輸出有較好的吻合度，且該模型操作簡單，可進一步在工程中推廣實施。

3.3.3模型預測結果分析為進一步評估該模型對盾尾油脂消耗的預測能力，將剩下的70組數據按照巖層復雜度從大到小排列，依次為中等膠結礫巖層、弱膠結礫巖層、強風化礫巖層、圓礫土層、粉細砂層，對該模型的預測效果進行驗證，并將預測結果和實際消耗量進行對比分析，以及闡述誤差以及反常情況產生的原因。盾尾油脂模型預測值和實際值比較分析見圖6。

圖6 盾尾油脂實際消耗量與預測值擬合誤差

由圖6可知，盾尾油脂消耗量擬合情況整體呈下降趨勢，這就意味著隨著地層復雜度降低，也就是說地層整體硬度下降，施工掘進參數和泥水參數也隨之發生改變，造成油脂消耗量也呈現整體下降趨勢。虛線代表BP神經網絡模型的盾尾油脂消耗量預測結果，實線代表盾尾油脂消耗量實際值，雖然兩條線存在一定程度的誤差，但是都存在較好的規律波動性和吻合度，再次證明該模型能較好的預測盾尾油脂消耗量。表3為上述圖6中70組預測數據中選取的10組數據進行誤差分析，并對結果進行評價。由表3分析得出，實際值與預測值的最大誤差為12.02%，最小誤差為0.13%，選取樣本的平均誤差為6.99%，除少量樣本的誤差在10%以上，絕大多數樣本誤差在6%～9%左右，與訓練樣本建立的神經網絡擬合優度0.938相符。由此可得，建立的BP神經網絡模型對盾尾油脂消耗量有較好的非線性預測能力，證明該模型對盾尾油脂的預測具有合理性和適用性。

表3 盾尾油脂實際消耗量與預測相對誤差

由圖6和表3所示，影響盾尾油脂消耗量的因素多且復雜，出現少量反常現象的原因可能是盾構機設備損壞或故障，導致施工掘進參數發生突變，從而導致預測的油脂消耗量發生較大誤差，對比相似地層的參數發現編號9所在地層盾尾油脂消耗量誤差突然增大的原因是刀盤扭矩突增，可能就是上述描述因素所致。還有可能造成盾尾油脂預測異常情況是地層的因素，比如管涌、流沙、沉降量突變或者坍塌，以及勘察不仔細突遇障礙物，都有可能造成掘進參數變化，從而導致預測值與實際值相差較大。較之相比，泥水參數與泥漿的制備密切相關，若制備不及時或者密度與稠度出現較大失誤，也會影響盾尾油脂消耗量預測，從而也進一步反應材料消耗量預測與準備在盾構施工中的重要性。

4 結論

大直徑泥水盾構掘進過程中盾尾油脂消耗是材料消耗的重要組成部分，材料消耗又對盾構掘進過程中的成本控制起重要作用。因此對于盾尾油脂消耗量的預測在實際工程運用中尤為重要。本文對武漢某地鐵越江隧道工程大量數據進行收集、整理以及分析，建立基于BP神經網絡的盾尾油脂消耗量預測模型，可以較為準確的預測盾尾油脂在類似條件下的消耗量，經分析得到下列結論：

1)對于泥水盾構盾尾油脂的消耗量，本文較為全面的考慮影響盾尾油脂消耗量的主要因素，包括地質參數、施工掘進參數以及泥水參數，從而對以往的盾尾油脂消耗影響因素進一步全方位統籌。

2)根據BP神經網絡在具備大規模數據的工程中具有自學習、自適應能力、容錯能力以及非線性映射能力，引入該算法對大數據下的盾尾油脂消耗量進行預測，訓練集、驗證集、測試集、總樣本的擬合優度均接近于1，代表該神經網絡模型預測的盾尾油脂消耗量能較好的反應實際盾尾油脂的消耗量，在工程中有一定的指導作用。

3)本文構建的BP神經網絡盾尾油脂消耗模型經檢驗，誤差可控制在9%以內，該模型結構簡單，對盾尾油脂的預測也呈現顯著的合理性與適用性，可進一步推廣與運用。不僅能為大數據情況下材料消耗量的估算提供實踐參考，同時還為BP神經網絡預測在盾構工程領域數據的處理提供新思路。