基于機(jī)器學(xué)習(xí)算法的盾構(gòu)掘進(jìn)地表沉降預(yù)測(cè)方法

陳仁朋 戴田 張品 吳懷娜

摘要：針對(duì)有限元、地層損失率等方法難以考慮多參數(shù)耦合作用情況下的地表沉降預(yù)測(cè)的問(wèn)題，基于BP神經(jīng)網(wǎng)絡(luò)（BPNN）和隨機(jī)森林算法（RF）兩種機(jī)器學(xué)習(xí)算法的多參數(shù)、非線性擬合能力，提出了預(yù)測(cè)盾構(gòu)掘進(jìn)過(guò)程中地表最大沉降以及縱向沉降曲線的預(yù)測(cè)方法.通過(guò)粒子群算法（PSO）確定機(jī)器學(xué)習(xí)算法的最優(yōu)超參數(shù)，通過(guò)k折交叉驗(yàn)證方法提高預(yù)測(cè)方法的魯棒性.結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果誤差較大，難以預(yù)測(cè)到較大的地表沉降，隨機(jī)森林算法能夠準(zhǔn)確預(yù)測(cè)地表最大沉降和縱向沉降曲線.

關(guān)鍵詞：盾構(gòu)隧道；地表沉降；機(jī)器學(xué)習(xí)；優(yōu)化

中圖分類號(hào)：U455.43；P642.26文獻(xiàn)標(biāo)志碼：A

基金項(xiàng)目：國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目（51938005），National Natural Science Foundation of China（51938005）；創(chuàng)新平臺(tái)與人才計(jì)劃-湖湘高層次人才聚集工程-創(chuàng)新團(tuán)隊(duì)（2019RS1030）

Prediction Method of Tunneling-induced Ground Settlement Using Machine Learning Algorithms

CHEN Renpeng1，2，3，DAI Tian1，2，3，ZHANG Pin4，WU Huaina1，2，3

（1. Key Laboratory of Building Safety and Energy Efficiency of Ministry of Education，Hunan University，Changsha 410082，China；2. National Center for International Research Collaboration in Building Safety and Environment，Hunan University，Changsha 410082，China；3. College of Civil Engineering，Hunan University，Changsha 410082，China；4. Department of Civil and Environmental Engineering，Hong Kong Polytechnic University，Kowloon，Hong Kong，China）

Abstract：It is difficult to consider the prediction of ground settlement under the coupling effect of multiple fac-tors for the finite element method and formation loss rate. Based on the multi-factor and nonlinear fitting ability of back-propagation neural network（BPNN）and random forest（RF），these two machine learning algorithms are adopted to predict the tunneling-induced ground settlement. The optimum hyper-parameters of the two machine learning al-gorithms are determined by particle swarm optimization（PSO），and k-fold cross validation method is used to improve the robustness of the prediction method. The prediction results indicate that the prediction error of BP neural network is larger and it’s hard for BP neural network to predict the large settlement. The random forest algorithm can accu-rately predict the maximum settlement and longitudinal ground settlement curve.

Key words：shield tunnel；ground settlement；machine learning；optimization

土壓平衡盾構(gòu)由于適應(yīng)地層廣，對(duì)地面交通影響較小，是城市地鐵隧道建設(shè)主要工法.盾構(gòu)掘進(jìn)過(guò)程中擾動(dòng)地層，改變地層應(yīng)力場(chǎng)，使地面產(chǎn)生沉降，威脅周邊建筑物和構(gòu)筑物的安全.準(zhǔn)確預(yù)測(cè)地層沉降能夠降低盾構(gòu)掘進(jìn)過(guò)程中引發(fā)的安全風(fēng)險(xiǎn)[1-2].現(xiàn)有的地表沉降預(yù)測(cè)方法可以分為：1）經(jīng)驗(yàn)和半經(jīng)驗(yàn)公式[3-4]；2）解析法[5]；3）數(shù)值模擬[6-7]；4）模型試驗(yàn)[8]；5）機(jī)器學(xué)習(xí)算法預(yù)測(cè)[9-12].

經(jīng)驗(yàn)和半經(jīng)驗(yàn)公式法可以描繪地表沉降的一般形態(tài)[3-4]，但由于不同地層經(jīng)驗(yàn)參數(shù)的取值差異性較大，因此預(yù)測(cè)的沉降分布在較大范圍內(nèi)，且預(yù)測(cè)結(jié)果的準(zhǔn)確性不能保證.解析法的計(jì)算模型較為簡(jiǎn)單[5]，僅考慮地層參數(shù)和土體損失率，無(wú)法考慮盾構(gòu)施工因素，不能真實(shí)準(zhǔn)確地反映盾構(gòu)掘進(jìn)與地層之間的相互作用，且計(jì)算過(guò)程復(fù)雜，難以在工程實(shí)際中應(yīng)用.數(shù)值模擬方法由于可以考慮到土體性質(zhì)、盾構(gòu)機(jī)與土體之間的相互作用、盾構(gòu)掘進(jìn)參數(shù)等因素，現(xiàn)階段被廣泛應(yīng)用于研究盾構(gòu)掘進(jìn)過(guò)程中的地層響應(yīng)以及對(duì)周圍環(huán)境的影響[6-7]，該方法中本構(gòu)模型參數(shù)確定困難，并且大尺度的模擬計(jì)算耗時(shí)較多.而模型試驗(yàn)廣泛用于研究盾構(gòu)掘進(jìn)過(guò)程中沉降的演變機(jī)理[8]，但考慮的因素有限，且成本較高，無(wú)法用于地表沉降的實(shí)時(shí)預(yù)測(cè).盾構(gòu)掘進(jìn)過(guò)程引起的地表沉降涉及到多參數(shù)的耦合，上述方法均難以實(shí)時(shí)準(zhǔn)確預(yù)測(cè).機(jī)器學(xué)習(xí)算法能利用計(jì)算機(jī)構(gòu)建概率統(tǒng)計(jì)模型，從大量數(shù)據(jù)中學(xué)習(xí)規(guī)律和模式，并能考慮傳統(tǒng)物理模型中難以考慮的因素，實(shí)現(xiàn)多參數(shù)跨單位和量綱的高維度擬合.且沉降預(yù)測(cè)模型訓(xùn)練完成后使用方便，符合實(shí)際工程及時(shí)準(zhǔn)確獲取地表沉降的要求.近年來(lái)開始應(yīng)用于預(yù)測(cè)盾構(gòu)掘進(jìn)引起的地表沉降[9-12].

人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林算法是現(xiàn)階段用于預(yù)測(cè)盾構(gòu)掘進(jìn)引起的地表沉降的主要機(jī)器學(xué)習(xí)算法. Shi等[13]首次使用人工神經(jīng)網(wǎng)絡(luò)的方法預(yù)測(cè)盾構(gòu)掘進(jìn)引起的地表最大沉降. Santos等[14]利用人工神經(jīng)網(wǎng)絡(luò)模型分析掘進(jìn)參數(shù)與地表沉降間的關(guān)系，論證了該方法的可行性.為了提高人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度，Ahangari等[15]提出基于遺傳算法優(yōu)化的人工神經(jīng)網(wǎng)絡(luò).支持向量機(jī)方法能基于少量數(shù)據(jù)做出準(zhǔn)確預(yù)測(cè)，Wang等[16]采用小波函數(shù)與支持向量機(jī)結(jié)合的方法對(duì)地表監(jiān)測(cè)點(diǎn)的沉降變形的過(guò)程進(jìn)行預(yù)測(cè).隨機(jī)森林在盾構(gòu)掘進(jìn)引起的地表沉降的預(yù)測(cè)中性能表現(xiàn)較好[17].在預(yù)測(cè)沉降問(wèn)題中，機(jī)器學(xué)習(xí)算法的超參數(shù)多通過(guò)手動(dòng)調(diào)節(jié)，且缺乏算法的性能對(duì)比.使用優(yōu)化算法對(duì)機(jī)器學(xué)習(xí)算法的超參數(shù)進(jìn)行選取，能提高機(jī)器學(xué)習(xí)算法的預(yù)測(cè)性能.

本文提出了基于粒子群算法（Particle Swarm Optimization，PSO）的混合算法，用于確定BPNN（Back -propagation Neural Network，BPNN）和RF（Random Forest，RF）算法的最優(yōu)超參數(shù).基于某市地鐵線路5個(gè)區(qū)間的實(shí)測(cè)數(shù)據(jù)，采用BPNN和RF算法分別建立地表最大沉降以及縱向沉降曲線的預(yù)測(cè)模型，并對(duì)兩種機(jī)器學(xué)習(xí)算法的性能進(jìn)行了對(duì)比分析.本文的研究對(duì)盾構(gòu)掘進(jìn)地表沉降預(yù)測(cè)及盾構(gòu)掘進(jìn)的智能控制有重要意義.

1沉降預(yù)測(cè)方法

1.1 BP神經(jīng)網(wǎng)絡(luò)

1.2隨機(jī)森林算法

隨機(jī)森林算法（RF）是一種基于決策樹的集成學(xué)習(xí)算法，通常用于分類問(wèn)題和回歸問(wèn)題. RF算法采用非參數(shù)計(jì)算，以隨機(jī)的方式生成若干弱決策樹，并通過(guò)集成所有決策樹的預(yù)測(cè)結(jié)果進(jìn)行預(yù)測(cè). RF算法的隨機(jī)主要體現(xiàn)在決策樹生成的兩方面：1）隨機(jī)選取子樣本；2）隨機(jī)選取輸入?yún)?shù).該方式有效降低了決策樹之間的相關(guān)性，使RF算法具有良好的魯棒性和預(yù)測(cè)精度.

RF算法通過(guò)自主采樣法（bootstrap sampling）和隨機(jī)子空間方法進(jìn)行構(gòu)建，具體構(gòu)建過(guò)程如下：

1）首先使用自主采樣法，該方法模擬抽樣統(tǒng)計(jì)推斷法.在數(shù)據(jù)庫(kù)中進(jìn)行有放回的抽樣，每一組數(shù)據(jù)被抽取的概率相同.隨機(jī)抽取k個(gè)樣本，得到數(shù)據(jù)庫(kù)子集Ri.

2）從數(shù)據(jù)庫(kù)子集Ri中隨機(jī)選取m個(gè)特征（輸入?yún)?shù)類別）作為隨機(jī)森林的根節(jié)點(diǎn)，根據(jù)二叉樹形式對(duì)Ri進(jìn)行不斷劃分，從而構(gòu)建生成CARF決策樹.

3）依次重復(fù)以上步驟1）和步驟2），得到n個(gè)數(shù)據(jù)庫(kù)子集，生成n個(gè)CARF決策樹，從而組成隨機(jī)森林.這些決策樹可獨(dú)立對(duì)輸出目標(biāo)做出預(yù)測(cè)，在分類問(wèn)題中，最終結(jié)果通過(guò)投票方式產(chǎn)生；在回歸問(wèn)題中，最終結(jié)果為所有決策樹的預(yù)測(cè)結(jié)果的平均值.

1.3粒子群算法

1.4基于粒子群算法優(yōu)化的混合算法

超參數(shù)的選取決定機(jī)器學(xué)習(xí)算法的實(shí)際應(yīng)用效果，其數(shù)值需要在機(jī)器學(xué)習(xí)模型訓(xùn)練前預(yù)先設(shè)置，多通過(guò)試錯(cuò)法確定一組較好的參數(shù)[10-11]，但該方法效率較低而且難以保證找到最優(yōu)的參數(shù).沉降預(yù)測(cè)模型中主要調(diào)整的超參數(shù)包括BPNN隱藏層節(jié)點(diǎn)數(shù)和RF算法的決策樹棵數(shù).本文基于PSO算法提出了確定兩種機(jī)器學(xué)習(xí)算法最優(yōu)超參數(shù)的混合算法，其中PSO算法中的粒子位置對(duì)應(yīng)需要調(diào)節(jié)的超參數(shù)，適應(yīng)度函數(shù)定義為模型在k折交叉驗(yàn)證集（cross-vali-dation，CV）上的預(yù)測(cè)誤差.混合算法的流程如圖1所示，具體步驟如下：

1）初始化粒子群，對(duì)粒子群的大小、粒子群的學(xué)習(xí)率、最大迭代次數(shù)進(jìn)行賦值.粒子的初始位置和速度隨機(jī)設(shè)定，粒子的位置代表BPNN的隱藏層節(jié)點(diǎn)數(shù)和RF算法的決策樹個(gè)數(shù).

3）PSO算法設(shè)定迭代次數(shù)，進(jìn)行迭代時(shí)計(jì)算每一個(gè)粒子的適應(yīng)度值，判斷每次迭代后的適應(yīng)度值是否達(dá)到目標(biāo)數(shù)值或PSO算法的迭代次數(shù)是否達(dá)到最大值.若滿足條件則停止迭代，優(yōu)化過(guò)程停止，得到全局最優(yōu)粒子位置，即機(jī)器學(xué)習(xí)算法的最優(yōu)超參數(shù).

1.6模型框架

沉降預(yù)測(cè)模型的訓(xùn)練與預(yù)測(cè)過(guò)程獨(dú)立進(jìn)行，且預(yù)測(cè)計(jì)算時(shí)間較短，適用于實(shí)際工程中實(shí)時(shí)預(yù)測(cè)地表沉降.本文提出了用于盾構(gòu)掘進(jìn)過(guò)程中的沉降預(yù)測(cè)模型框架（如圖2所示）.

具體實(shí)現(xiàn)步驟如下：

模型訓(xùn)練階段：根據(jù)已有的數(shù)據(jù)庫(kù)，并基于PSO混合算法調(diào)整機(jī)器學(xué)習(xí)算法的超參數(shù)，分別建立地表最大沉降預(yù)測(cè)模型（圖示模型A）和地表縱向沉降預(yù)測(cè)模型（圖示模型B）.

施工階段：1）從盾構(gòu)隧道沿線地勘報(bào)告中獲取地質(zhì)勘察結(jié)果，將地質(zhì)條件轉(zhuǎn)換為地質(zhì)參數(shù)，并從隧道設(shè)計(jì)資料中獲取隧道幾何參數(shù).這兩類參數(shù)在施工過(guò)程中不會(huì)改變，故提前存儲(chǔ)于沉降預(yù)測(cè)模型中；2）在盾構(gòu)機(jī)的掘進(jìn)過(guò)程中同步收集掘進(jìn)參數(shù)，同時(shí)根據(jù)盾構(gòu)機(jī)的掘進(jìn)情況確定盾構(gòu)異常因素；3）將盾構(gòu)機(jī)每一環(huán)掘進(jìn)產(chǎn)生的掘進(jìn)參數(shù)和異常因素輸入至預(yù)測(cè)模型A中，從而得到當(dāng)前環(huán)號(hào)的地表最大沉降預(yù)測(cè)值.在輸入?yún)?shù)中添加距離因素并導(dǎo)入預(yù)測(cè)模型B中，得到實(shí)時(shí)的地表縱向沉降的預(yù)測(cè)曲線.

2數(shù)據(jù)庫(kù)建立

2.1數(shù)據(jù)源

數(shù)據(jù)來(lái)源于某市地鐵線路6個(gè)地鐵站5個(gè)區(qū)間，全長(zhǎng)5.44 km，盾構(gòu)隧道管片共計(jì)3 583環(huán).隧道所處區(qū)域地質(zhì)條件較為復(fù)雜，沿線地質(zhì)剖面如圖3所示.該區(qū)間內(nèi)隧道均采用土壓平衡盾構(gòu)法施工完成.盾構(gòu)機(jī)的長(zhǎng)度為8.735 m，直徑為6.28 m.管片襯砌外徑為6 m，內(nèi)徑為5.4 m，采用錯(cuò)縫形式拼接.隧道左右線穿越的土層基本一致，穿越區(qū)域的覆土深度在10～28 m之間，地下水水位位于地表下約3 m位置處.

2.2輸入?yún)?shù)選取

BPNN和RF算法預(yù)測(cè)地表沉降需要選取合理的輸入?yún)?shù)，根據(jù)Zhang等[12]的研究，影響地表沉降的因素可以分為隧道幾何參數(shù)、掘進(jìn)參數(shù)、地質(zhì)條件和異常因素四類.由于數(shù)據(jù)庫(kù)中的隧道規(guī)格相同，而隧道的埋深與盾構(gòu)掘進(jìn)引起的沉降發(fā)展模式以及最終沉降的大小密切相關(guān)，且隧道埋深的大小隨里程數(shù)不斷改變，故盾構(gòu)隧道的埋深作為唯一的隧道幾何參數(shù).盾構(gòu)掘進(jìn)參數(shù)選取與地層擾動(dòng)程度相關(guān)的參數(shù)；推力、扭矩、土倉(cāng)壓力和貫入度，這些參數(shù)是盾構(gòu)掘進(jìn)控制的關(guān)鍵參數(shù)，并能通過(guò)盾構(gòu)機(jī)數(shù)據(jù)采集系統(tǒng)實(shí)時(shí)采集，準(zhǔn)確可靠.同時(shí)考慮到注漿量對(duì)盾構(gòu)空隙以及后期沉降的較大影響[19]，所以該五個(gè)掘進(jìn)參數(shù)被選為輸入?yún)?shù).輸入?yún)?shù)選取的示意圖如圖4所示.

地質(zhì)條件需考慮土層的基本物理力學(xué)性質(zhì)以及土層的空間位置. Chen等[10]提出的地質(zhì)參數(shù)的量化方法能綜合考慮巖土層的物理力學(xué)性質(zhì)以及空間位置信息，包括3個(gè)參數(shù)；修正標(biāo)貫次數(shù)、修正動(dòng)探次數(shù)、修正單軸抗壓強(qiáng)度，故選為輸入?yún)?shù).此外，在開挖工作面或盾尾的地下水滲漏會(huì)引起孔隙水壓力的降低并導(dǎo)致相應(yīng)的固結(jié)沉降，滲漏量與地下空隙水壓力有很大關(guān)系，所以地下水的深度選為輸入?yún)?shù).根據(jù)異常沉降點(diǎn)的統(tǒng)計(jì)分析，較大的地表沉降通常發(fā)生在盾構(gòu)機(jī)開挖面為復(fù)合斷面的位置，因此掌子面巖土層類型也作為一個(gè)輸入?yún)?shù).掌子面巖土層類型可分成四類；土體、圓礫和卵石、巖石以及復(fù)合面地層，分別編碼為1、2、3、4.由于盾構(gòu)機(jī)的停機(jī)可能導(dǎo)致地下水位的下降，從而引起地表沉降的變化，所以盾構(gòu)機(jī)停機(jī)屬于異常因素，1表示停機(jī)，0表示連續(xù)掘進(jìn).綜上，12個(gè)參數(shù)選取為預(yù)測(cè)盾構(gòu)掘進(jìn)引起最大沉降預(yù)測(cè)模型的輸入?yún)?shù).對(duì)于預(yù)測(cè)縱向沉降預(yù)測(cè)曲線的模型，輸入?yún)?shù)還包括盾構(gòu)機(jī)刀盤與沉降監(jiān)測(cè)點(diǎn)的距離，共計(jì)13個(gè)輸入?yún)?shù).所有數(shù)據(jù)以每一環(huán)為單位儲(chǔ)存.同時(shí)，數(shù)據(jù)庫(kù)中隨機(jī)選取80%的數(shù)據(jù)作為訓(xùn)練集，剩余20%的數(shù)據(jù)作為測(cè)試集.

3預(yù)測(cè)結(jié)果

3.1超參數(shù)確定

在兩種混合算法中，PSO算法對(duì)BPNN以及RF算法的超參數(shù)進(jìn)行迭代更新.圖5為混合算法中最優(yōu)適應(yīng)度值的變化過(guò)程.

在訓(xùn)練BPNN生成預(yù)測(cè)縱向沉降的模型時(shí)，適應(yīng)度值沒(méi)有變化，表明在粒子群初始化時(shí)生成該模型的最優(yōu)超參數(shù)，且超參數(shù)的調(diào)整對(duì)該模型性能的提升不明顯.在BPNN預(yù)測(cè)地表最大沉降的模型中，適應(yīng)度值隨迭代次數(shù)下降明顯，該模型的性能有明顯提升.總體來(lái)看，RF算法的兩個(gè)預(yù)測(cè)模型的適應(yīng)度值明顯小于BPNN的適應(yīng)度值.通過(guò)混合算法得到的最優(yōu)超參數(shù)如表1所示.

3.2最大沉降預(yù)測(cè)結(jié)果

圖6為BPNN的預(yù)測(cè)值與實(shí)際值的結(jié)果對(duì)比，可以發(fā)現(xiàn)訓(xùn)練集接近P = M直線，同時(shí)根據(jù)訓(xùn)練集兩個(gè)評(píng)價(jià)指標(biāo)；MAE = 2.58、R = 0.75，表明該模型訓(xùn)練集的學(xué)習(xí)效果較好.而測(cè)試集的結(jié)果中MAE較大，R較低，分別為4.25和0.32，說(shuō)明模型在測(cè)試集上預(yù)測(cè)精度較低.并且隨著實(shí)測(cè)沉降值的數(shù)值增加，預(yù)測(cè)精度明顯下降.尤其在沉降值的最大點(diǎn)，預(yù)測(cè)值的誤差較大.這是由于訓(xùn)練集數(shù)據(jù)中缺乏沉降值較大的數(shù)據(jù)，導(dǎo)致模型對(duì)較大沉降的預(yù)測(cè)存在較大的誤差.

圖7反映的是RF算法的預(yù)測(cè)結(jié)果，訓(xùn)練集兩個(gè)性能評(píng)價(jià)指標(biāo)的數(shù)值為：MAE=0，R=1，表明模型在訓(xùn)練集上表現(xiàn)優(yōu)越.而測(cè)試集MAE和R的值分別為2.69，0.85，測(cè)試集的實(shí)測(cè)值與預(yù)測(cè)值差異較小，且相關(guān)性較好.即使在數(shù)據(jù)庫(kù)中大的沉降數(shù)據(jù)較少的情況下，RF算法仍能準(zhǔn)確地預(yù)測(cè)到較大的地表沉降，表明RF算法良好的泛化能力.

3.3縱向沉降曲線預(yù)測(cè)結(jié)果

BPNN預(yù)測(cè)縱向沉降的結(jié)果如圖8所示.訓(xùn)練集的MAE值較高，達(dá)到了4.29，而相關(guān)系數(shù)R為0.72.同時(shí)，訓(xùn)練集中實(shí)測(cè)沉降值大于20 mm的預(yù)測(cè)值明顯偏低，總體上學(xué)習(xí)效果一般.測(cè)試集的評(píng)價(jià)指標(biāo)的數(shù)值與訓(xùn)練集相差不大，MAE和R分別為4.85、0.67，但表現(xiàn)出較差的預(yù)測(cè)性能.

圖9反映的是RF算法預(yù)測(cè)縱向沉降中的結(jié)果.對(duì)于訓(xùn)練集，預(yù)測(cè)結(jié)果集中分布在P= M附近，MAE值較小，僅為1.15，相關(guān)系數(shù)R的值為0.98.對(duì)于測(cè)試集，性能評(píng)價(jià)指標(biāo)的數(shù)值為MAE = 1.85、R = 0.80，預(yù)測(cè)結(jié)果也幾乎在P= M直線附近上下波動(dòng)，也能較為精確地預(yù)測(cè)大的沉降.

兩種算法的縱向曲線預(yù)測(cè)結(jié)果如圖10和圖11，其中圖10反映的是?。ㄐ∮?0 mm）的縱向曲線預(yù)測(cè)結(jié)果，圖11則為大（大于10 mm）的縱向沉降曲線預(yù)測(cè)結(jié)果.

在圖10中，BPNN的預(yù)測(cè)值在距離較小時(shí)與實(shí)際值較為符合，但預(yù)測(cè)的最終沉降值與實(shí)際值相差較大.在圖11中，BPNN對(duì)最終沉降值的預(yù)測(cè)偏差較大. RF算法預(yù)測(cè)的沉降發(fā)展的位置、沉降發(fā)展的速度以及沉降最終的數(shù)值與實(shí)測(cè)結(jié)果一致，表明RF算法對(duì)不同情況下的縱向曲線預(yù)測(cè)均具有良好的性能.

3.4算法性能對(duì)比

兩種機(jī)器學(xué)習(xí)算法的性能對(duì)比如圖12和圖13所示.對(duì)于訓(xùn)練集，BPNN的MAE明顯高于RF算法，且R值小于RF算法，表明RF算法在訓(xùn)練集中的預(yù)測(cè)性能更好.對(duì)于測(cè)試集，BPNN和RF算法在最大地表沉降的預(yù)測(cè)中MAE差距不大，但RF算法的R明顯更大.兩種算法預(yù)測(cè)縱向沉降曲線時(shí)，RF算法的MAE遠(yuǎn)遠(yuǎn)小于BPNN，且R值更大.

4結(jié)論

本文提出了PSO算法與機(jī)器學(xué)習(xí)算法相結(jié)合的混合算法，該混合算法利用PSO算法確定BPNN和RF算法的最優(yōu)超參數(shù).同時(shí)綜合考慮掘進(jìn)參數(shù)、地質(zhì)條件、隧道幾何參數(shù)和異常因素對(duì)地表沉降的影響，提出了最大地表沉降和縱向沉降曲線的預(yù)測(cè)方法.最終通過(guò)某工程實(shí)測(cè)數(shù)據(jù)進(jìn)行了對(duì)比分析.主要結(jié)論如下；

1）對(duì)盾構(gòu)掘進(jìn)引起地表最大沉降進(jìn)行預(yù)測(cè)，BPNN和RF算法的絕對(duì)平均誤差分別為4.24 mm、2.69 mm；對(duì)盾構(gòu)掘進(jìn)引起地表縱向沉降曲線進(jìn)行預(yù)測(cè)，BPNN和RF算法的絕對(duì)平均誤差分別為4.85 mm、1.85 mm.結(jié)果表明，BPNN沉降預(yù)測(cè)值與實(shí)際值相差較大，RF算法的預(yù)測(cè)結(jié)果誤差較小.

2）BPNN和RF算法用于預(yù)測(cè)盾構(gòu)掘進(jìn)引起的地表沉降時(shí)，BPNN難以預(yù)測(cè)到較大的地表沉降，且在縱向沉降預(yù)測(cè)中對(duì)最終沉降的預(yù)測(cè)誤差較大.RF算法在預(yù)測(cè)縱向沉降曲線時(shí)誤差最小，能捕捉到盾構(gòu)掘進(jìn)過(guò)程中沉降的發(fā)展進(jìn)程.因此，綜合預(yù)測(cè)誤差和預(yù)測(cè)效果，RF算法模型可作為盾構(gòu)掘進(jìn)引起的地表沉降的預(yù)測(cè)模型.

另外，本文的數(shù)據(jù)庫(kù)來(lái)源僅限于某市的盾構(gòu)隧道工程，地表沉降預(yù)測(cè)模型的性能可能由于地域差異存在不足，因此針對(duì)其他地區(qū)的盾構(gòu)掘進(jìn)地表沉降預(yù)測(cè)仍需進(jìn)一步的驗(yàn)證.

參考文獻(xiàn)

[1]ZHANG P，CHEN R P，WU H N，et al. Ground settlement induced by tunneling crossing interface of water-bearing mixed ground；a lesson from Changsha，China[J]. Tunnelling and Underground Space Technology，2020，96：103224.

[2]陳仁朋，張品，劉湛，等. MJS水平樁加固在盾構(gòu)下穿既有隧道中應(yīng)用研究[J].湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，45（7）：103—110. CHEN R P，ZHANG P，LIU Z，et al. Application study of MJS hori-zontal column reinforcement in shield tunneling[J]. Journal of Hu-nan University（Natural Sciences），2018，45（7）：103—110.（In Chinese）

[3]PECK R B. Deep excavations and tunneling in soft ground[C]// Proceedings of the 7th International Conference on Soil Mechanics and Foundation Engineering. Mexico City，1969：225—290.

[4]陳春來(lái)，趙城麗，魏綱，等.基于Peck公式的雙線盾構(gòu)引起的土體沉降預(yù)測(cè)[J].巖土力學(xué)，2014，35（8）：2212—2218. CHEN C L，ZHAO C L，WEI G，et al. Prediction of soil settlement induced by double-line shield tunnel based on Peck formula[J]. Rock and Soil Mechanics，2014，35（8）：2212—2218.（In Chinese）

[5]魏綱，徐日慶.軟土隧道盾構(gòu)法施工引起的縱向地面變形預(yù)測(cè)[J].巖土工程學(xué)報(bào)，2005，27（9）：1077—1081.WEI G，XU R Q. Prediction of longitudinal ground deformation due to tunnel construction with shield in soft soil[J]. Chinese Journal of Geotechnical Engineering，2005，27（9）：1077—1081.（In Chinese）

[6]劉元雪，施建勇，許江，等.盾構(gòu)法隧道施工數(shù)值模擬[J].巖土工程學(xué)報(bào)，2004，26（2）：239—243. LIU Y X，SHI J Y，XU J，et al. Numerical simulation of excavation of shield tunnel[J]. Chinese Journal of Geotechnical Engineering，2004，26（2）：239—243.（In Chinese）

[7]朱才輝，李寧，柳厚祥，等.盾構(gòu)施工工藝誘發(fā)地表沉降規(guī)律淺析[J].巖土力學(xué)，2011，32（1）：158—164. ZHU C H，LI N，LIU H X，et al. Analysis of ground settlement in-duced by workmanship of shield tunnelling[J]. Rock and Soil Me-chanics，2011，32（1）：158—164.（In Chinese）

[8]徐前衛(wèi)，朱合華，廖少明，等.軟土地層土壓平衡盾構(gòu)法施工的模型試驗(yàn)研究[J].巖土工程學(xué)報(bào)，2007，29（12）：1849—1857. XU Q W，ZHU H H，LIAO S M，et al. Experimental study on EPB shield tunnel construction in soft ground[J]. Chinese Journal of GeotechnicalEngineering，2007，29（12）：1849—1857.（InChinese）

[9]孫鈞，袁金榮.盾構(gòu)施工擾動(dòng)與地層移動(dòng)及其智能神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)[J].巖土工程學(xué)報(bào)，2001，23（3）：261—267. SUN J，YUAN J R. Soil disturbance and ground movement under shield tunnelling and its intelligent prediction by using ANN tech-nology[J]. Chinese Journal of Geotechnical Engineering，2001，23（3）：261—267.（In Chinese）

[10]CHEN R P，ZHANG P，KANG X，et al. Prediction of maximum sur-face settlement caused by earth pressure balance（EPB）shield tun-neling with ANN methods[J]. Soils and Foundations，2019，59（2）：284—295.

[11]CHEN R P，ZHANG P，WU H N，et al. Prediction of shield tunnel-ing-induced ground settlement using machine learning techniques[J]. Frontiers of Structural and Civil Engineering，2019，13（6）：1363—1378.

[12]ZHANG P，CHEN R P，WU H N. Real-time analysis and regulation of EPB shield steering using Random Forest[J]. Automation in Construction，2019，106：102860.

[13]SHI J S，ORTIGAO J A R，BAI J L. Modular neural networks for predicting settlements during tunneling[J]. Journal of Geotechnical and Geoenvironmental Engineering，1998，124（5）：389—395.

[14]SANTOS O J Jr，CELESTINO T B Jr. Artificial neural networks analysis of Sao Paulo subway tunnel settlement data[J]. Tunnelling and Underground Space Technology，2008，23（5）：481—491.

[15]AHANGARI K，MOEINOSSADAT S R，BEHNIA D. Estimation of tunnelling-induced settlement by modern intelligent methods[J]. Soils and Foundations，2015，55（4）：737—748.

[16]WANG F，GOU B C，QIN Y W. Modeling tunneling-induced ground surface se ttlement development using a wavelet smooth relevance vectormachine[J].ComputersandGeotechnics，2013，54：125—132.

[17]ZHOU J，SHI X Z，DU K，et al. Feasibility of random-forest ap-proach for prediction of ground settlements induced by the construc-tion of a shield-driven tunnel[J]. International Journal of Geome-chanics，2017，17（6）：04016129.

[18]KOHAVI R. A study of cross-validation and bootstrap for accuracy estimation and model selection[C]// International Joint Conference on Artificial Intelligence. Montreal：Morgan Kaufmann Publishers Inc，1995：1137—1145.

[19]馬文輝，楊成永，彭華，等.大直徑泥水盾構(gòu)下穿地鐵擋墻路基沉降控制[J].湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，47（3）：44—53. MA W H，YANG C Y，PENG H，et al. Settlement control on retain-ing wall embankment affected by underneath traversing large-diam-eter slurry shield tunnels[J]. Journal of Hunan University（Natural Sciences），2020，47（3）：44—53.（In Chinese）