復雜環(huán)境下地鐵隧道盾構施工誘發(fā)地表土體變形的智能預測

韓業(yè)華

（中鐵十六局集團有限公司，北京 100018）

0 引言

盾構隧道開挖工程技術要求較高，尤其在復雜的地質環(huán)境下，需要實時對開挖掌子面、土體沉降等進行監(jiān)測，并以此調整盾構參數來滿足規(guī)范要求。然而，傳統(tǒng)反饋式監(jiān)測手段往往具有一定的滯后性，無法適用于工程突發(fā)狀況。鑒于盾構施工引起土體的變形是一個漸進過程，因此其隨時間變化存在一定的演化規(guī)律，如果根據已有的監(jiān)測結果，結合遺傳算法[1]、禁忌算法[2]、神經網絡[3]等智能算法對后續(xù)土體變形進行預測，變反饋式監(jiān)測為前饋式控制，能顯著降低工程突發(fā)事故發(fā)生概率，具有重要工程意義和社會效益。

目前，神經網絡已在土木工程領域有一定的應用。周瑞忠和邱高翔[4]利用BP（Back Propagation）神經網絡對已測得的基坑位移進行了參數反演。程龍飛和袁寶遠[5]應用BP神經網絡預測了基坑變形。齊干[6]利用BP神經網絡對施工期間周圍土體沉降進行了預測。殷晟泉[7]利用Elman動態(tài)神經網絡對深基坑變形進行了預測。劉勇健[8]利用神經網絡對高速公路地基的最終沉降進行了預測。楊濤等[9]建立BP沉降預測模型，能夠利用短預壓期的沉降預測長預壓期的沉降。以上可見，神經網絡在工程領域具有較高的可行性。

本文運用BP神經網絡建立地鐵隧道盾構施工誘發(fā)地表土體變形智能預測模型，結合現(xiàn)場實測沉降數據進行模型的訓練、預測，并通過實測數據對模型預測精度進行驗證。

1 工程條件

本工程位于杭富城際鐵路11標，富陽區(qū)受降村黃沙畈以北。盾構穿越宋家塘車輛段出入段線及大樹下橋后，沿新G320國道繼續(xù)往東敷設，經受降紀念廳后向北下穿杭富線附屬配套工程6 號隧道，沿G320 國道到達受降站接收。盾構區(qū)間左線長度2187.938m（長鏈7.151m），右線長度2180.822m。

1.1 工程地質條件

本項目的工程地質層組的劃分及其層序編號根據土層的物理、力學性質以及土層的時代和成因，并參照《杭州地鐵巖土工程勘察地層編號規(guī)定（修編稿2015年版）》確定，全線地層共分4個工程地質層組，17個工程地質層，見表1。

表1 各巖土層厚度一覽表

整個隧道盾構推進過程中遇到的圍巖地層主要有兩種：1）上部圍巖為全、強風化基巖層，下部圍巖為強、中等風化基巖層；2）圍巖全斷面均為中等風化基巖層。局部存在圍巖軟硬不均現(xiàn)象，力學性質上主要表現(xiàn)為上軟下硬，盾構推進過程中易出現(xiàn)“上抬、跑偏”現(xiàn)象，姿態(tài)較難控制。對于中等風化基巖層盾構掘進預計難度較大。

1.2 水文地質條件

地表水體主要為北渠，北渠位置埋深22m，底層為(31)a3層中等風化粉砂巖，滲透性較差，對隧道基本無影響。北渠為山溪性溪流，平常溪溝中水深大多小于1.0m，大部分為生活廢水等，雨季時受地表匯水影響，水位可暴漲3～4m，勘察期間測得水文數據如表2。

表2 北渠水文資料一覽表

2 BP神經網絡算法基本原理

作為一種著名的前向型神經網絡，BP神經網絡主要包含圖1所示的典型結構：1個輸入層，數個隱含層和1個輸出層。層與層之間全連接，而同一層的各神經元之間相互獨立。其中，隱含層的神經元通常采用S型非線性傳遞函數，而輸出層傳遞函數大多采用線性形式。

圖1 BP神經網絡結構

2.1 BP神經網絡的基本思想

對輸入樣本對進行訓練，經隱含層和輸出層計算后，輸出層輸出對應的預測值。若預測值與期望值差別（誤差）較大，則從輸出層反向傳播該誤差，對權值和閾值進行調整，逐步減小誤差，直至滿足精度要求。

2.2 BP神經網絡的算法核心

權值和閾值是導致BP神經網絡預測值與期望值之間誤差的根本原因[10-11]，將誤差沿負梯度方向（誤差函數下降最快方向）分配給各個神經元的權值和閾值，逐步提高預測值精確度。

如圖1所示，設輸入變量為xi(i=1,2,…,n)，νij(i=1,2,…,n;j=1,2,…,n)為輸入層至隱含層的網絡連接權值，wj(j=1,2,…,n)為輸出變量的連接權值。

根據輸入值xi與初始化的νij計算隱含層的輸出值φj(j=1,2,…,m)（單隱層）或ηj(j=1,2,…,m)（多隱層），設定訓練次數（N）、訓練目標誤差（δ）與學習率（ξ）：

式中，f為隱含層激勵函數，通常采用Sigmoid函數；aj(j=1,2,…,m)為隱含層的閾值。

②根據式（2）、式（3）計算輸出值y：

式中，b為隱含層初始閾值。

③計算目標值g與預測值y之間的誤差ε=g?y，根據反向誤差更新權值為：

式中，ξ為學習率，且ξ∈ [0.01,1]。

④更新神經網絡閾值：

重復步驟②～④，直至誤差達到計算要求（即ε≤δ）為止。

3 地鐵隧道盾構施工誘發(fā)地表土體變形智能預測

由上述分析可知，BP神經網絡能夠通過自我調整逐漸縮小誤差來提供更加準確的預測，因此本文采用BP神經網絡進行盾構施工誘發(fā)地表土體變形的智能預測。設定初始的計算參數如表3所示。

表3 BP神經網絡參數

針對地表沉降，選取2019年5月～2019年8月的典型測點的監(jiān)測項目作為樣本，采用BP神經網絡對2019年8月17日、2019年8月22日和2019年8月27日的監(jiān)測數據進行預測，監(jiān)測結果與預測值見圖2。此外，選取2019年5月～2019年12月的左線沉降、右線沉降數據（R1～R8、L1～L7），并預測2019年12月18日、2019年12月22日和2019年12月27日的沉降數據，實際監(jiān)測結果與預測結果見圖3和圖4。

圖2 盾構施工引起地表沉降預測

圖3 盾構施工引起右線沉降預測

圖4 盾構施工引起左線沉降預測

由圖2～圖4可知，BP神經網絡預測結果與實際監(jiān)測所得數據比較吻合，綜合走向及趨勢均相同。因此，本文采用的BP神經網絡能夠有效預測復雜環(huán)境下盾構施工誘發(fā)的地表土體變形，從而變傳統(tǒng)的反饋式監(jiān)測為前饋式智能預測，進而基于此提前修改盾構參數，降低后續(xù)施工可能的風險。

4 結論

1）建立了基于BP神經網絡的復雜地質條件下盾構隧道施工誘發(fā)地表土體變形沉降預測模型，算例驗證表明，該模型預測值與實測值比較接近，能夠實現(xiàn)較高精度的預測。

2）通過BP神經網絡，利用左線沉降、右線沉降的長期數據進行預測，發(fā)現(xiàn)神經網絡對大樣本預測同樣具有較高的精度，且樣本數量越高，精度越大。