基于小波降噪的神經網絡盾構泥水分離系統參數預測方法

摘要"泥水盾構穿越復合地層時，掘進控制參數和泥水分離系統參數往往出現大幅波動，影響施工安全和掘進效率。為提升施工過程的安全穩定性，實現異常工況預測，依托望京隧道盾構工程，針對地層狀況采用篩分、雙旋流、離心/壓濾固液分離協同控制技術，采集盾構機掘進參數（掘進速度、刀盤轉速和總推進力等）和泥水分離系統運行參數（進漿量、進漿密度和進漿黏度等），通過Cook距離離群檢測和小波閾值去噪處理提升數據質量；以雙旋流分離密度比值、黏度比值等12個參數為輸入，排漿量、排漿密度和排漿黏度為輸出，建立BP神經網絡泥水分離系統參數的預測模型，并選取3個不同地層環段進行預測對比分析。預測結果表明：預測平均絕對誤差均在5%以內，該預測模型在復合地層下仍具有較高的準確性。

關鍵詞"盾構隧道;"泥水分離;"Cook距離;"小波去噪;"BP神經網絡;"參數預測

泥水平衡盾構在地面沉降控制和地層適應性上具有顯著優勢，在城市核心區大直徑隧道修建中應用越來越廣泛。在施工過程中，需要采用性能優良的膨潤土泥漿來保持開挖面的穩定，一般情況下，掘土1"m³要產生2～3"m³的廢棄泥水，若不經妥善的泥水分離處理，不僅會浪費資源和污染生態環境，還會明顯影響盾構的整體掘進速度和效率^[1-3]。在北京鐵路地下直徑線、廣州獅子洋通道、武漢越江隧道、杭州慶春路過江隧道、濟南穿黃隧道等項目中，維修泥水進排漿輸送系統、泥水分離系統等相關故障耗費了大量工期^[4-6]。為了提升泥水盾構施工效率，目前主要研究掘進過程參數，而泥水分離參數和掘進參數交互分析與模擬甚少，故二者之間的交互作用分析及模擬成為熱點。

泥水分離系統的重要評價指標包括排漿密度、黏度和排漿量，掘進過程中應保持前兩個指標穩定，數值過高影響系統的輸送能力，數值過低不利于掌子面的穩定，排漿量則體現了系統的處理能力。這3個指標彼此存在非線性關系，且波動較大，導致數據之間的交互作用分析和模擬十分困難。人工神經網絡具有良好的自學習適應能力、非線性映射能力和并行信息處理能力，為未知的及非線性系統的建模提供了新的思路。該方法克服了傳統技術在處理模糊、不確定信息時的許多弊端，因此，在地下工程中得到廣泛應用^[7-9]。

用于神經網絡的數據預處理非常重要，主要方法有K-Means聚類法、均勻設計法、SDAE網絡降噪法、小波變換表示法、Mahalanobis距離法和滑動平均法。李亞等^[10]和Elbaz等^[11]基于K-Means聚類法建立了預測模型，該模型比標準模型收斂更快，精度更高；張玉平等^[12]通過均勻設計法確定BP神經網絡訓練樣本，采用附加動量法優化網絡結構，縮減了訓練時間且反演過程收斂穩定；Xiao等^[13]基于SDAE和GANs處理融合數據，重構了SDAE網絡中的降噪環節并提升了降噪效果，保留了數據的主要特征，避免數據訓練不足導致的過擬合；Shahsenov等^[14]通過連續小波變換表示數據特征，并分析小波類型和偽頻率范圍的靈敏度，在神經網絡訓練學習中取得了良好效果；徐一帆等^[15]和孫峻楓等^[16]基于Mahalanobis距離法檢測離群數據并采用滑動平均法去噪，建立BP神經網絡并預測復合地層掘進參數，均取得了良好預測效果。樣本數據質量顯著影響神經網絡預測效率和精度，Cook距離離群法和小波閾值去噪法在提升數據質量方面有顯著優勢；前者基于Cook距離公式，某點的Cook距離越大，表示剔除該點后參數估計值的變化越大，即為強影響數據^[17]；后者基于小波分解函數和閾值降噪函數，通過小波函數變換收到的含噪信號，產生小波系數并分層后選擇合適閾值函數降噪，最終得到去噪信號^[18]。

筆者依托京沈客專京冀段望京隧道盾構工程，針對隧道穿越地層復雜、盾構排放泥漿不能及時有效處理導致掘進速度與泥水分離效率難以匹配，進而造成進漿密度增加、黏度增大、掘進扭矩增大、設備磨損加快、效率降低等綜合問題，采用篩分、雙旋流、離心/壓濾固液分離協同控制技術，形成泥水“分級分離-循環利用”系統。通過監測泥水分離系統參數（進排漿量、進排漿黏度、兩級旋流比值等）和掘進過程參數等，利用Cook距離離群檢測、小波閾值降噪對數據進行預處理并建立BP神經網絡預測分析排漿密度、黏度和排漿量的變化，通過評估預測結果針對性地調整泥水分離系統參數和掘進控制參數，為現場施工提供技術支撐和指導。

1"工程概況

望京隧道為雙洞單線隧道，使用2臺泥水盾構機施工，開挖直徑為10.9 m，盾構掘進長度為3 740 m，刀盤采用輻條式，最大開口率為49%，最大掘進速度為50 mm/min，最大進排漿流量為1 800"m³/h。穿越地層以黏土層、粉質黏土層、粉土層和粉細砂層等細顆粒地層為主，地質剖面圖如圖1所示，泥水分離主要流程圖如圖2所示。先用雙層式振動篩選機進行粗顆粒篩分，小于3 mm的顆粒隨泥漿直接進入一級旋流器。一級旋流器上端溢流出的小于75 μm泥漿顆粒進入二級旋流器，溢流出的小于20 μm泥漿顆粒送至沉淀池。經過二級旋流器分離的泥漿滿足配置新泥漿的粒徑要求，送至調整池供制漿系統使用。

2"盾構泥水分離系統參數分析

在工程中對掘進參數和泥漿特性參數進行監測，以保證系統運行的平穩性，具體監測參數如下：第1類為盾構機掘進參數：掘進速度、刀盤轉速、總推進力、貫入度；第2類為泥水分離系統運行參數：進漿量、進漿密度、進漿黏度、排漿量、排漿密度、排漿黏度、初篩后的密度與黏度、一級旋流處理后的密度與黏度、二級旋流處理后的密度與黏度、二次初篩后的密度與黏度、二次進漿的密度與黏度、沉淀池出料及經過調整池后進入盾構機掌子面的密度與黏度。運行過程中每天進行多次測量，以保證泥水分離系統的正常運行，從而保障泥水盾構機的正常運行。

2.1"掘進速度

盾構機掘進速度隨環號變化曲線如圖3所示。由圖3可見，掘進速度總體波動較大，數值主要在15～45 mm/min內變化。結合圖1穿越地層結構圖進行分析，0～300環掘進速度處于較低水平波動狀態，工作狀態處于始發端，速度較低且存在波動；地層結構包含多種土層，如粉土、黏土、粉質黏土等，盾構穿越復合地層時，掌子面巖體軟硬不均極易導致掘進參數出現大幅波動，使得盾構掘進系統以及泥水配套措施都受到了一定影響。300～1 000環掘進速度處于相對較高水平且波動較小，穿越地層主要包括粉質黏土和粉細砂，地質相對穩定，數據也相對穩定。從1 000環到最終，掘進速度頻繁出現大范圍波動，說明后半段地層性質更復雜，地層對于掘進系統和泥水分離系統的影響加重，因此需要根據地層情況來調整泥水分離系統，從而保障盾構機的掘進速度。

2.2"泥漿特性參數

繪制系統的進排漿量、進排漿黏度和進排漿密度變化曲線如圖4所示。由圖4可見，各曲線大致可分為3個部分，在0～300環和1 400～1 800環處于波動較大范圍，在300～1 400環處于較穩定狀態，與掘進區段的地質結構分布也一致，在粉細砂和黏土地層（300～1 400環），泥水特性參數變化相對平穩；其余環段，地質結構復雜，對盾構刀盤切削掌子面土體及泥水分離系統均產生了消極影響。其中，進排漿量均值差為152"m³/h，最大流量差為416"m³/h；進排漿黏度均值差為1.3 s，最大黏度差為6 s；進排漿密度均值差為0.07 g/cm³，最大密度差為0.50 g/cm³。由以上結果可知，在黏土、粉質黏土等細顆粒地層，泥水分離系統通過預篩分、兩級旋流、沉淀和調整等步驟，實現了在城區細顆粒地層中大直徑泥水盾構的高效掘進。

3"盾構泥水分離系統參數預測分析

3.1"數據預處理

1）"數據離群檢測

盾構實際掘進過程中往往會存在一些異常值，采用Cook距離異常值檢測方法進行離群檢測，此方法常用于各種數據分析中異常數據的判斷。Cook距離公式如式（1）所示，通常情況下離群判斷標準如式（2）所示，即正常值與離群值的邊界^[19]。

如圖5所示，虛線邊界上方為離群值，通過數據標簽在數據庫中將其剔除。Cook距離離群檢測方法去除了對整體影響較大的異常離群值，但又保留了合理范圍內的較大值，體現了數據的內在規律特性。

2）"數據小波去噪

為進一步提升數據的整體質量，選擇小波去噪法對盾構掘進參數進行去噪處理。利用小波分析對數據去噪后，通過少量有用信號分量即可表示原始信號，小波分析的多變率分析能夠保護數據的非平穩特征；通過相關操作和選擇不同函數，使用小波分析能夠達到理想效果。

小波閾值去噪法關鍵是閾值函數的選擇，常用的函數有軟閾值函數和硬閾值函數，其表達式分別如式（3）和式（4）所示^[20]。

Sym小波函數具有較好的對稱性，一定程度上能夠減少對信號進行分析和重構時的相位失真。通過Matlab輸入wavemenu命令調取小波分析工具箱GUI工作環境，選擇一維小波分析，導入需要去噪的數據，選擇SymSym2小波函數分析，分解為3層。去噪方法選擇閾值估計方法，閾值函數的選擇必須與所要解決的問題相匹配，對環段①進行軟硬閾值處理效果對比，聲噪比（SNR）和均方根誤差（RMSE）如表1所示。可以看出，軟閾值處理后的SNR指標更高，比硬閾值高4.33 dB，RMSE指標中軟閾值處理結果也相對較低，故軟閾值降噪綜合效果更優。因此，選擇軟閾值去噪處理，處理后效果對比如圖6所示。

3.2"BP神經網絡模型建立

研究輸入層節點數目設置為12（掘進速度、刀盤扭矩、刀盤轉速、總推進力、貫入度、進漿量、進漿密度、進漿黏度、一級分離密度/初篩分離密度、二級分離密度/一級分離密度、一級分離黏度/初篩分離黏度和二級分離黏度/一級分離黏度），輸出層節點數目設置為3（排漿量、排漿密度、排漿黏度）。整體神經結構模型如圖7所示，根據經驗公式S=2N+1，式中S為隱層神經元數，N為輸入節點個數，多次優化隱含層層數與神經元個數，以預測環段①進行網絡結構搜尋，結果如表2所示，最終設置網絡結構為12-10-3。學習速率取0.01，迭代次數取10 000，精度目標值取0.01。

共監測到55 738個數據點，BP神經網絡可用樣本共1 798條。根據地層分布狀況和數值變化規律，分別選取101～200環、801～900環和1 501～1 600環3個部分中的數據作為樣本數據進行訓練，選取的區段示意如圖3中①、②、③區域所示。其中前70%作為訓練組，后30%作為驗證組。

3.3"預測結果及誤差分析

預測模型對于目標的預測值與實際值對比如圖8所示。為進一步驗證小波變換降噪效果和評估本神經網絡的預測能力，需計算預測值和實際值的相對誤差并進行評價分析，相對誤差如式（8）所示，最大誤差、最小誤差和平均誤差取相對誤差的絕對值。小波變換降噪處理效果對比如圖9所示，網絡結構設置均與前文相同，可以看到，通過采用小波變換對樣本數據進行降噪處理后，預測結果準確度顯著提升。

圖10為整體預測相對誤差箱狀圖，由圖10可見，經過離群檢測、小波降噪并通過所建的BP神經網絡對排漿量、排漿密度和排漿黏度預測，樣本數據的平均絕對誤差均在5%以下，總體上達到了較高精度，已達到指導隧道盾構掘進和泥水分離系統運轉的要求^[22]。對比3種預測結果可以看出，環段①和環段③所處地層為復合地層，地質種類較復雜，地層顆粒粒徑變化范圍大，但仍表現出了良好的預測能力，環段③的誤差值保持在5%以內，環段①的最大誤差為10.78%；環段②處于地質較單一地層，主要包含黏土和粉質黏土，預測誤差均值表現較好，但對于極少數異常工況預測誤差達13.62%，說明仍對極少數異常工況無法準確預測，但整體效果可以肯定。

4"結論

針對現階段泥水盾構掘進過程參數提取處理和泥水分離系統預測研究問題，依托實際工程，創新組合運用Cook距離離群檢測和小波閾值去噪法提升數據質量，并以12個掘進控制參數和泥水分離系統運行參數為輸入建立BP神經網絡對排漿量、排漿密度和排漿黏度進行預測分析，主要結論如下：

1）對望京隧道區間中的掘進速度參數與泥漿特性進行直觀分析，將Cook距離離群檢測法和小波閾值去噪法組合應用到采集的盾構掘進控制參數和泥水分離系統運行參數處理中，軟閾值降噪得到的SNR指標相對更高，RMSE指標相對更低，在不改變數據內在規律的前提下提高了數據的整體質量，提升了預測精度。

2）以盾構掘進控制參數和泥水分離系統運行參數（包含二級旋流器處理后的密度、黏度特性等）建立復雜地層下盾構泥水分離參數預測模型，分別選取3個不同環段的排漿量、排漿密度和排漿黏度進行預測分析，在復合地層條件下平均絕對誤差均在5%以內。

參考文獻

1 蘇清貴，"翟志國，"鄧亨義."泥水盾構施工廢棄泥漿的環保處理技術[J]."隧道建設，"2012，"32（Sup2）："222-226.

SU Q G，"ZHAI Z G，"DENG H Y."Treatments of waste slurry of slurry shield machine [J]. Tunnel Construction，"2012，"32（Sup2）："222-226."（in Chinese）

2 林存剛，"吳世明，"張忠苗，"等."泥水盾構隧道施工引起的地面沉降分析及預測[J]."土木建筑與環境工程，"2012，"34（5）："25-32.

LIN C G，"WU S M，"ZHANG Z M，"et al."Analysis and prediction of ground settlements due to slurry shield tunneling in a river-crossing tunnel [J]. Journal of Civil， Architectural ＆ Environmental Engineering，"2012，"34（5）："25-32."（in Chinese）

3 廖晨."超大直徑泥水盾構穿越施工對周邊環境的影響研究[D]."廣州："廣州大學，"2020.

LIAO C."Research of the environmental influence induced by adjacent tunneling with a large-diameter slurry TBM [D]. Guangzhou："Guangzhou University，"2020."（in Chinese）

4 羅慶中，"李娜，"賈光智."中國鐵路發展戰略研究[J]."科技導報，"2020，"38（9）："26-31.

LUO Q Z，"LI N，"JIA G Z."Study on China ，s railway development strategy [J]. Science ＆ Technology Review，"2020，"38（9）："26-31."（in Chinese）

5 趙海濤."京張高鐵大直徑泥水盾構施工泥漿環保處理措施研究[J]."鐵道勘察，"2020，"46（1）："79-81， 94.

ZHAO H T."Study on mud environmental protection treatment measures for construction of large diameter slurry shield in Beijing-Zhangjiakou high-speed railway [J]. Railway Investigation and Surveying，"2020，"46（1）："79-81， 94."（in Chinese）

6 許維青，"李義華，"翟志國，"等."一種泥水盾構機在細顆粒地層中施工的泥漿多級分離方法："CN107416994B [P]. 2020-08-28.

XU W Q，"LI Y H，"ZHAI Z G，"et al."Multi-stage slurry separation method for construction of slurry shield machine in fine particle stratum：nbsp;CN107416994B [P]. 2020-08-28."（in Chinese）.

7 MAHDEVARI S，"TORABI S R."Prediction of tunnel convergence using Artificial Neural Networks [J]. Tunnelling and Underground Space Technology，"2012，"28："218-228.

8 沈翔，"袁大軍，"吳俊，"等."復雜地層條件下盾構掘進參數分析及預測[J]."現代隧道技術，"2020，"57（5）："160-166.

SHEN X，"YUAN D J，"WU J，"et al."Analysis and prediction of driving parameters of shield tunnelling in complex strata [J]. Modern Tunnelling Technology，"2020，"57（5）："160-166."（in Chinese）

9 AYAWAH P E A，"SEBBEH-NEWTON S，"AZURE J W A，"et al."A review and case study of artificial intelligence and machine learning methods used for ground condition prediction ahead of tunnel boring machines [J]. Tunnelling and Underground Space Technology，"2022，"125："104497.

10 李亞，"劉麗平，"李柏青，"等."基于改進K-Means聚類和BP神經網絡的臺區線損率計算方法[J]."中國電機工程學報，"2016，"36（17）："4543-4552.

LI Y，"LIU L P，"LI B Q，"et al."Calculation of line loss rate in transformer district based on improved K-means clustering algorithm and BP neural network [J]. Proceedings of the CSEE，"2016，"36（17）："4543-4552."（in Chinese）

11 ELBAZ K，"YAN T，"ZHOU A，"et al."Deep learning analysis for energy consumption of shield tunneling machine drive system [J]. Tunnelling and Underground Space Technology，"2022，"123："104405.

12 張玉平，"馬超，"李傳習，"等."基于均勻設計及BP神經網絡的大體積混凝土熱學參數反分析[J]."土木與環境工程學報（中英文），"2021，"43（2）："148-157.

ZHANG Y P，"MA C，"LI C X，"et al."Inverse analysis on thermal parameters of mass concrete based on uniform design and BP neural network [J]. Journal of Civil and Environmental Engineering，"2021，"43（2）："148-157."（in Chinese）

13 XIAO X，"XIAO Y，"ZHANG Y，"et al."A fusion data preprocessing method and its application in complex industrial power consumption prediction [J]. Mechatronics，"2021，"77："102520.

14 SHAHSENOV I，"MALIKOV R，"COOK P，"et al."Prediction of Gamma Ray data from pre-stack seismic reflection partial angle stacks using Continuous Wavelet Transform and convolutional neural network approach [J]. Journal of Applied Geophysics，"2022，"197："104523.

15 徐一帆，"王士民，"何川，"等."基于BP神經網絡的復合地層盾構掘進參數預測[J]."鐵道標準設計，"2022，"66（7）："120-125.

XU Y F，"WANG S M，"HE C，"et al."Prediction of driving parameters of shield tunnel in composite strata based on back propagation neural network [J]. Railway Standard Design，"2022，"66（7）："120-125."（in Chinese）

16 孫峻楓，"陳凡，"宋天田，"等."基于神經網絡的雙模盾構復合地層掘進參數預測模型[J]."鐵道標準設計，2023，"67（5）："100-108.

SUN J F，"CHEN F，nbsp;SONG T T，"et al."Tunneling parameter prediction model of dual-mode shield in composite strata based on neural network[J]."Railway Standard Design，"2023，"67（5）："100-108.（in Chinese）

17 王志堅，"羅舒琪，"王斌會."基于穩健Cook距離的時間序列異常值診斷[J]."統計與決策，"2022，"38（3）："40-44.

WANG Z J，"LUO S Q，"WANG B H."Outlier diagnosis of time series based on robust cook distance [J]. Statistics amp; Decision，"2022，"38（3）："40-44."（in Chinese）

18 章浙濤."小波分析理論及其在變形監測中的應用研究[D]."長沙："中南大學，"2014.

ZHANG Z T."Theory of wavelet analysis and its application in deformation monitoring [D]. Changsha："Central South University，"2014."（in Chinese）

19 李成仁，"陸游，"袁豹."基于Cook距離的協方差函數擬合點優選[J]."測繪工程，"2014，"23（5）："21-23.

LI C R，"LU Y，"YUAN B."Optimal selection of covariance function fitting points based on Cook distance [J]. Engineering of Surveying and Mapping，"2014，"23（5）："21-23."（in Chinese）

20 求森."基于小波分析和神經網絡的城市軌道交通客流時間序列預測[D]."北京："北京交通大學，"2017.

QIU S."Prediction of urban rail transit passenger flow time series based on wavelet analysis and neural network [D]. Beijing："Beijing Jiaotong University，"2017."（in Chinese）

21 李曉峰，"劉光中."人工神經網絡BP算法的改進及其應用[J]."四川大學學報（工程科學版），"2000，"32（2）："105-109.

LI X F，"LIU G Z."The improvement of BP algorithm and its application [J]. Journal of Sichuan University （Engineering Science Edition），"2000，"32（2）："105-109."（in Chinese）

22 李明陽，"楊海濤，"鄒高明."復合地層土壓平衡盾構掘進參數模擬分析研究[J]."隧道建設，"2012，"32（3）："287-295.

LI M Y，"YANG H T，"ZOU G M."Simulation analysis on boring parameters of EPB shield in complex strata [J]. Tunnel Construction，"2012，"32（3）："287-295."（in Chinese）