隧道圍巖變形預測模型的優(yōu)化與應用

陳永雄，吳小萍，郜成成，雷堅，劉國龍，成偉光

?

隧道圍巖變形預測模型的優(yōu)化與應用

陳永雄1, 4，吳小萍1, 2，郜成成3，雷堅3，劉國龍1，成偉光1

(1. 中南大學 土木工程學院，湖南 長沙 410075；2. 倫敦大學學院 交通研究中心，英國 倫敦 WC1E6B； 3. 中鐵第四勘察設計院集團有限公司，湖北 武漢 430063； 4. 湖南交通職業(yè)技術學院 路橋工程學院，湖南 長沙 410132)

為了克服回歸分析法在隧道施工監(jiān)測數據分析中預測模型的不足，利用多目標加權灰色局勢決策法對回歸模型的多個評價指標進行整合量化，得到綜合效果測度和優(yōu)選回歸預測模型?；谝褍?yōu)選的回歸模型與模糊自適應變權重組合預測法建立最優(yōu)非線性組合預測模型，將組合模型與優(yōu)選模型進行效果測度對比，并基于該算法編制“智能監(jiān)測—模型優(yōu)化—信息反饋”系統(tǒng)。結合麻栗埡隧道工程，對組合模型和單項模型進行分析，預測拱頂沉降值。研究結果表明：以殘差與后驗差為評判標準，實時構建的最優(yōu)組合預測模型的平均相對誤差絕對值為4%，方差為6.5，后驗差比值為0.34，小誤差概率為1，更能對隧道施工過程圍巖變形進行有效的預測和反饋。

隧道變形監(jiān)測；回歸模型；灰色局勢決策；模糊自適應變權重組合；組合預測

1 基本原理

1.1 多目標加權灰色局勢決策

上限效果測度：

下限效果測度：

適中效果測度：

1.2 模糊自適應變權重組合預測方法

1.2.1 權重的計算

模糊自適應變權重組合預測模型的表達式為：

1.2.2 回歸模型的選擇

1) 擬合優(yōu)度2

2) 檢驗值

式中：為回歸平方和。

值檢驗是進行顯著性檢驗的指標，是檢驗所有自變量作為一個整體與因變量之間是否有顯著相關性。值越大，回歸方程越好。

3) 剩余標準離差

剩余標準離差表示觀測點與回歸曲線偏離的一個量值，值越小，回歸方程越好。

2 模型精度

后驗差比值：

小誤差概率：

值和值是評價網絡外推性能和泛化能力好壞的指標[16]，一般可將預測精度分為 4 類，見表 1。

表1 預測精度等級

3 模型建立過程

現場的監(jiān)控量測必然會存在一定的偶然誤差，這就會造成監(jiān)測數據具有離散性，根據實測數據繪制的散點圖會呈現上下波動和不規(guī)則的狀況，很難進行分析判別。因此必須運用數學方法對所獲得的實測數據進行處理，并以相應的數學公式進行描述?；?NET平臺，利用C#語言編制隧道圍巖變形預測分析系統(tǒng)，提供異常數據的剔除功能，剔除粗差，來提高實測數據的可靠性。該系統(tǒng)中內置數10種常規(guī)回歸模型可以提高模型適用性[17?18]。

最優(yōu)預測模型構建程序流程如圖1所示。首先將實測拱頂變形數據導入系統(tǒng)，剔除異常數據，調用回歸函數對實測數據進行分析計算，得到較佳回歸模型及相應的評價指標：擬合優(yōu)度2、剩余標準離差及檢驗值，完成回歸模型的初選[19]。以最佳回歸模型為事件，初選的回歸模型為對策得到相應局勢，以均等決策權的2，，和(參數個數)作為決策目標，獲得各個模型的綜合效果測度值，r完成回歸模型的優(yōu)選。

然后，根據優(yōu)選的回歸模型的優(yōu)劣性和相應的圖形特征智能選取模型進行組合，取分析數據的總時長為有限時域長度，平均的周期數按照模型近期的擬合情況進行經驗選取[20]，(0＜＜1)根據近期預測擬合精度高的取大值，反之取小值的方案獲取，將上述參數輸入模糊自適應變權重組合模型程序，計算得出各個組合模型的權系數k()，得到組合模型，最后將組合模型與之前優(yōu)選的回歸模型進行效果測度值對比，進一步確定最優(yōu)預測模型。利用該模型對近期以及極限的圍巖變形情況進行預測并輸出，用于指導施工作業(yè)。

4 工程實例與驗證分析

4.1 工程概況

背景項目為張桑高速公路麻栗埡隧道，位于湖南省張家界市永定區(qū)麻栗埡村境內。該隧道為雙洞單向交通隧道，左幅隧道起訖樁號里程樁號為ZK34+875~ZK35+170，長295 m，右幅隧道起訖樁號里程樁號為YK34+875~YK35+170，長295 m。水文概況：沿線水系較發(fā)育，較大的常年性地表水體為澧水支流茅溪河和禹溪等河流，水位、水量隨季節(jié)性變化大，小溪流多具有暴漲暴落特點。地質描述：勘探隧址區(qū)揭露地層主要為第四系全新統(tǒng)種植土粉質黏土碎石，志留系下統(tǒng)龍馬溪群砂質頁巖等組成。監(jiān)測數據分析以斷面ZK35+123為例，隧道的建筑界限為10.25 m(凈寬)*5 m(凈高)，該監(jiān)測斷面圍巖級別為V級，監(jiān)測時在拱頂、拱左、拱右的3個位置分別布置了測點，采用3個測點的平均值作為拱頂沉降值[10]，在該隧道斷面開挖并做好初期支護1 d后開始進行沉降監(jiān)測，二次襯砌前的監(jiān)測頻率為1次/d。選取該斷面的初支后的66 d(初測時間：2015?06?10)的實測數據進行分析，在這66個樣本點中，去除初測監(jiān)測值為零的點，故以前55個樣本點作為建立模型的訓練樣本，后10個樣本點作為驗證模型的檢驗樣本。

4.2 隧道圍巖穩(wěn)定預警預報與二次襯砌支護判定

隧道圍巖穩(wěn)定性的評價指標一般優(yōu)先考慮圍巖位移變形?；诒疚乃惴ň幹频乃淼李A測系統(tǒng)也選取了圍巖位移為穩(wěn)定性評價的指標。結合《公路隧道施工監(jiān)測技術規(guī)范》(征求意見稿)的要求，本系統(tǒng)的位移管理等級設置如表2所示。

對于隧道圍巖變形的最大位移允許值的精確確定有時存在困難，一般情況下會以隧道的初期支護預留變形值取代最大位移允許值作為位移控制基準。本文以2車道隧道、Ⅴ級圍巖和圍巖破碎為條件，按《公路隧道設計規(guī)范》(JTG D70—2004)規(guī)定的襯砌結構設計預留變形量取0為120 mm。

根據規(guī)范規(guī)定，當周邊位移與拱頂下沉監(jiān)測結果，滿足下列條件之一時，可進行二次襯砌施作：1) 各項測試項目的變形明顯收斂，圍巖基本穩(wěn)定。2) 各項測試項目實測變形值達到預計總位移量的 80%~90%，且周邊位移速率連續(xù)小于0.2 mm/d。 3) 淺埋、膨脹巖、軟巖地段實測值超過允許位移值時，應及時盡心二次襯砌施作。本系統(tǒng)對于二次襯砌支護時機的判定只需要滿足上述條件之一時，可進行二次襯砌施工。

4.3 單項回歸模型的初選

隧道變形預測的單項回歸模型的表達式[19]如表3所示。

圖1 最優(yōu)預測模型構建程序流程

根據拱頂沉降累積變形(見表4)，利用本系統(tǒng)中含有的多種回歸模型對訓練樣本進行分析，綜合考慮擬合曲線圖和常規(guī)評價指標，初步選定倒指數函數、對數函數、雙曲線函數以及皮爾曲線函數為較好擬合函數模型，對55個訓練樣本點進行的回歸擬合分析，得到實際回歸模型以及相應的2，和值，見表5。

表2 位移管理等級

注：為實測位移值；0為設計極限位移值，按允許相對位移值與測線間距離的乘積計算所得

表3 回歸方程表達式

4.4 回歸模型的進一步優(yōu)選

將初選回歸模型的2，，及，利用灰色局勢決策法，計算各個模型的綜合測度值，倒指數模型、對數模型、雙曲線模型及皮爾曲線模型的測度值分別為0.486，0.451，0.917及0.856，見表4。根據r值越大，對策滿意度越好的原則，可以發(fā)現：雙曲線模型最佳，皮爾曲線模型次之，倒指數模型與對數模型較差。在傳統(tǒng)的回歸模型的比選中往往是比較2(越大越好)、(越小越好)、(越大越好)，而這3個評價指標有時會出現“此消彼長”的情形，在本實例中，倒指數模型的2值比對數模型大，而值卻是偏小的，那么在選擇回歸模型時會造成一定困難，會因為人的主觀性與經驗性造成回歸模型的選擇差異性，利用局勢決策法對評價標準進行量化，用一個統(tǒng)一的值對回歸模型優(yōu)劣進行評判，有效的解決了上述問題。

表4 拱頂沉降累積變形表

表5 灰色局勢決策的測度值

4.5 組合預測模型的確定

該模型的預測值與訓練樣本實測值的2，及值為0.957，3.235及1349.32。

4.6 最佳預測模型的確定

為進一步確定得到的組合模型為最佳預測模型，將組合模型與之前優(yōu)選的回歸模型進行對比分析，分析結果見表5，最佳預測模型選擇綜合測度最大值，即是雙曲線模型與皮爾曲線模型組成的組合模型。

表6 灰色局勢決策的測度值

4.7 結果驗證分析

系統(tǒng)利用組合優(yōu)化的方法對ZK35+123斷面的當前圍巖穩(wěn)定性和未來圍巖穩(wěn)定判別結果。通過結果顯示預測的本斷面的變形量為36.96 mm，綜合分析當前斷面圍巖穩(wěn)定性良好，可繼續(xù)施工或根據二襯支護時機判定是否進行二襯支護施作。同時對ZK35+123斷面周邊位移與拱頂下沉監(jiān)測結果，拱頂沉降速率連續(xù)小于0.15 mm/d，周邊收斂速率連續(xù)小于0.2 mm/d。已產生的拱頂沉降量達到預計最大位移值的90%，已產生的周邊收斂量達到預計最大位移值的90 mm，已產生的拱頂沉降量達到預計最大位移值的90%，且周邊位移速率連續(xù)小于0.2 mm/d，基于以上條件判定二次襯砌施工時機。

將得到的組合模型、雙曲線模型和皮爾曲線模型對未來十天沉降值進行預測,不同模型的預測值如表6，檢驗樣本預測值與實測值對比曲線如圖2所示，檢驗樣本殘差對比曲線如圖3所示。從圖2可以看出，組合模型預測值與檢驗樣本值最為接近，雙曲線模型次之，而皮爾曲線模型發(fā)展趨勢已基本趨于穩(wěn)定，偏離實際值較遠，預測效果最差。從圖3可以看出，組合模型的誤差值在0附近波動，誤差值要小于雙曲線和皮爾曲線模型。對于預測模型精度的驗證，可以使用MAPE(平均絕對誤差百分比)和MSE(均方誤差)來判別，其中MAPE和MSE的值越小預測模型的精度越高。經過計算，模型檢驗值對比如表7，組合模型的MAPE=4%，MSE=6.5，=0.34，=1；雙曲線模型的MAPE=5.9%，MSE= 13.97，=0.26，=1；皮爾曲線模型的MAPE= 14.4%，MSE=83.67，=0.94，=0.4。根據和的評判標準，皮爾模型不合格，不適于作為預測模型，組合模型與雙曲線模型較好，都可以作為預測模型。但是，組合模型的MAPE和MSE都小于雙曲線模型，其預測值與實測值更為接近，預測精度更優(yōu)。綜上所述，運用該方法優(yōu)選的組合預測模型具有相當可靠度，可以用于圍巖變形的預測分析。

表7 不同模型的預測值

圖2 檢驗樣本預測值與實測值對比曲線

圖3 檢驗樣本的殘差對比曲線

表8 模型檢驗值

5 結論

1) 基于回歸模型、灰色局勢決策與模糊自適應變權重組合方法編制了“智能監(jiān)測—模型優(yōu)化—信息反饋”系統(tǒng)，解決了新增數據的動態(tài)性和模型適用性問題，該系統(tǒng)能及時進行模型重選及模型的參數修正，在保證預測精度的同時反饋有效信息。

2) 在回歸預測分析中引入的灰色局勢決策法將各項評價指標綜合得到一個統(tǒng)一的公正無異的量化指標，對選擇回歸預測模型具有一定指導作用。通過該方法建立的優(yōu)選預測模型與實測值的擬合程度更高，其預測曲線與實測曲線更為吻合，更好地反映了圍巖變形的實際情況。

3) 采用殘差和后驗差對所選組合預測模型與優(yōu)選的單項模型的預測結果進行了對比，組合預測模型在保證一定預測精度的同時，MAPE和MSE值更小，證明了該方法體系應用于隧道拱頂沉降預測的可行性。另外，該方法不僅適用于隧道拱頂沉降量測數據的處理，對其他監(jiān)控量測數據也適用，在一定程度上可以進行推廣。

[1] Adoko A C, JIAO Yuyong, WU Li, et al. Predicting tunnel convergence using multivariate adaptive regression spline and artificial neural network[J]. Tunneling and Underground Space Technology, 2013(38): 368?376.

[2] 張素磊, 陳淮, 王亞瓊. 基于灰色突變理論的隧道襯砌裂縫診斷模型[J]. 交通運輸工程學報, 2015, 15(3): 34?40. ZHANG Sulei, CHEN Huai, WANG Yaqiong. Fault diagnosis model of tunnel lining based on gray mutation theory[J]. Journal of Traffic and Transportation Engineering, 2015, 15(3): 34?40.

[3] 靖洪文, 吳俊浩, 馬波, 等. 基于模糊灰色系統(tǒng)的深部巷道圍巖變形預測模型及應用[J]. 煤炭學報, 2012, 37(7): 1099?1104. JING Hongwen, WU Junhao, MA Bo, et al. Prediction model and application of surrounding rock deformation of deep roadway based on fuzzy gray system[J]. Journal of Coal Science, 2012, 37(7): 1099?1104.

[4] 周奇才, 范思遐, 趙炯, 等. 基于改進的支持向量機隧道變形預測模型[J]. 鐵道工程學報, 2015(3): 67?72. ZHOU Qicai, FAN Sixia, ZHAO Jiong, et al. Based on improved support vector machine for tunnel deformation prediction model[J]. Journal of Railway Engineering Society, 2015(3): 67?72.

[5] 譚鵬, 曹平. 基于灰色關聯支持向量機的地表沉降預測[J]. 中南大學學報(自然科學版), 2012, 43(2): 632?637. TAN Peng, CAO Ping. Ground subsidence prediction based on gray correlation support vector machine[J]. Journal of Central South University (Natural Science Edition), 2012, 43(2): 632?637.

[6] Sharifzadeh M, Kolivand F, Ghorbani M, et al. Design of sequential excavation method for large span urban tunnels in soft ground-Niayesh tunnel[J]. Tunnelling and Underground Space Technology, 2013(35): 178?188.

[7] 劉鵬舉. 基于模糊數學與神經網絡運營隧道結構安全性評估[D]. 南昌: 南昌航空大學, 2011. LIU Pengju. Safety evaluation of operating tunnel structure based on fuzzy mathematics and neural network[D]. Nanchang: Nanchang Aeronautical University, 2011.

[8] LI Xiaojun, ZHU Hehua. Development of a web-based information system for shield tunnel construction projects[J]. Tunneling and Underground Space Technology, 2013(37): 146?156.

[9] DING L Y, ZHOU C, DENG Q X, et al. Real-time safety early warning system for cross passage construction in Yangtze Riverbed metro tunnel based on the internet of things[J]. Automation in Construction, 2013(36): 25?37.

[10] 王衛(wèi)東, 何暉. 回歸分析在隧道拱頂沉降監(jiān)測中的應用[J]. 科技信息, 2011(7): 271?272. WANG Weidong, HE Hui. Application of regression analysis in tunnel vault settlement monitoring[J]. Technology Information, 2011(7): 271?272.

[11] DING L Y, YU H L, LI H, et al. Safety risk identification system for metro construction on the basis of construction drawings[J]. Automation in Construction, 2012(27): 120?137.

[12] 劉思峰, 黨耀國, 方志耕, 等. 灰色系統(tǒng)理論以及其應用[M]. 北京: 科學出版社, 2004: 210?233. LIU Sifeng, DANG Yaoguo, FANG Zhigeng, et al. Gray system theory and its application[M]. Beijing: Science Press, 2004: 210–233.

[13] 程遠,朱合華, 劉松玉, 等. 基于模糊理論大跨淺埋公路隧道施工風險評估[J]. 地下空間與工程學報, 2016, 12(6): 1616?1622. CHEN Yuan, ZHU Hehua, LIU Songyu, et al. Construction risk assessment of long-span shallow-buried highway tunnel based on fuzzy theory[J]. Journal of Underground Space and Engineering, 2016, 12(6): 1616? 1622.

[14] 李術才, 劉斌, 孫懷鳳, 等. 隧道施工超前地質預報研究現狀及發(fā)展趨勢[J]. 巖石力學與工程學報, 2014, 33(6): 1090?1113. LI Shucai, LIU Bin, SUN Huaifeng, et al. Research status and development trend of advanced geological prediction in tunnel construction[J]. Chinese Journal of Rock Mechanics and Engineering, 2014, 33(66): 1090?1113.

[15] Fekete S, Diederichs M, Lato M. Geotechnical and operational applications for 3-dimensional laser scanning in drill and blast tunnels[J]. Tunneling and Underground Space Technology, 2010, 25(5): 614?628.

[16] 雷進生, 包磊, 陳建飛, 等. 基于模糊概率方法的軟土隧道結構性態(tài)風險評估[J]. 地下空間與工程學報, 2012, 8(4): 847?851. LEI Jinsheng, BAO Lei, CHEN Jianfei, et al. Prediction of structural risk of soft soil tunnel based on fuzzy probability method[J]. Journal of Underground Space and Engineering, 2012, 8(4): 847?851.

[17] 李紅霞, 趙新華, 遲海燕, 等. 基于改進 BP 神經網絡模型的地面沉降預測及分析[J]. 天津大學學報, 2009, 42(1): 60?64. LI Hongxia, ZHAO Xinhua, CHI Haiyan, et al. Prediction and analysis of ground subsidence based on improved BP neural network model[J]. Journal of Tianjin University, 2009, 42(1): 60?64.

[18] 李品鈺. 隧道現場施工監(jiān)控量測數據分析中回歸模型的選擇與優(yōu)化[D]. 長沙: 長沙理工大學, 2012. LI Pinyu. Selection and optimization of regression model in analysis of tunnel construction monitoring data[D]. Changsha: Changsha University of Science and Technology, 2012.

[19] 郭忠濤, 魏之軍. 模糊綜合評價法在隧道施工環(huán)境安全評價中的應用[J]. 中小企業(yè)管理與科技, 2011(22): 283?284. GUO Zhongtao, WEI Zhijun. Application of fuzzy comprehensive evaluation method in environmental safety assessment of tunnel construction[J]. Small and Medium Enterprises Management and Science and Technology, 2011(22): 283?284.

[20] 仇玉良. 隧道檢測監(jiān)測技術及信息化智能管理系統(tǒng)[M]. 北京: 人民交通出版社, 2013. QIU Yuliang. Tunnel inspection and monitoring technology and intelligent information management system[M]. Beijing: China Communications Press, 2013.

Optimization and application of prediction method of tunnel surrounding rock deformation

CHEN Yongxiong1, 4, WU Xiaoping1, 2, GAO Chengcheng3, LEI Jian3, LIU Guolong1, CHENG Weiguang1

(1. School of Civil Engineering, Central South University, Changsha 410075, China; 2. Centre for Transport Studies, University of London, London WC1E6BT, U.K.; 3. China Railway Siyuan Survey and Design Group Co., Ltd, Wuhan 430063, China; 4. Hunan Communication Polytechnic, Changsha 410132, China)

In order to overcome the shortcomings of the prediction model selection of regression analysis method in tunnel construction monitoring data analysis, multi-objective weighted gray situation decision method (GSD) was used to integrate and quantify evaluation indexes of the regression model, obtaining the comprehensive effect measure and optimal regression forecast models. Based on optimal regression models and fuzzy adaptive variable weight combination forecasting method (FAVWC), the optimal nonlinear combination forecasting model was established, and the combination model and optimization models were compared to verify the comprehensive effect measure. Using this algorithm, the intelligent monitoring model optimization information feedback system (IMMOIFS) was developed. Combined with Ma Li-Ya tunnel engineering, single models and combined model were analyzed, and the vault settlement were predicted respectively. Results showed that the average relative error of the real-time optimal combination model is 4%, variance is 6.5, posteriori error ratio is 0.34 and small error probability is 1, which is more effective prediction and feedback of surrounding rock deformation in tunnel construction.

tunnel deformation monitoring; regression model; GSD; FAVWC; combining forecasts

10.19713/j.cnki.43?1423/u.2019.02.019

U456.3

A

1672 ? 7029(2019)02 ? 0426 ? 09

2017?11?01

中國鐵路總公司科技研究開發(fā)計劃資助項目(2014G005-A)；湖南省交通科技資助項目(201436)

吳小萍(1965?)，女，四川雅安人，教授，博士，從事道路與鐵道工程、隧道與地下工程等方面的研究；E?mail：xpwu@csu.edu.cn

(編輯 蔣學東)