邵成猛

(中國鐵建十六局集團有限公司，北京　101100)

?

基于盾構掘進參數(shù)的LVQ神經(jīng)網(wǎng)絡地層識別

邵成猛

(中國鐵建十六局集團有限公司，北京101100)

摘要：以蘇州4號線2標及2號線東延伸線5標地鐵工程為背景，分析了盾構機的掘進參數(shù)：千斤頂推力、推進速度、刀盤扭矩、螺旋機轉速和同步注漿量在不同地層條件下的變化規(guī)律。提出了基于盾構機掘進參數(shù)的學習向量量化(Learning Vector Quantization，LVQ)神經(jīng)網(wǎng)絡地層識別方法。建立了以盾構機五個掘進參數(shù)作為輸入，地層特性編碼為輸出的數(shù)學模型，通過每種地層100組訓練樣本對模型進行訓練，通過57步訓練，訓練樣本誤差控制在0.1以內(nèi)，并用每種地層50組檢驗樣本進行檢驗，地層總體識別率達到82.7%。

關鍵詞：盾構機；掘進參數(shù)；地層識別；LVQ神經(jīng)網(wǎng)絡

0引言

近年來，隨著城市經(jīng)濟的快速發(fā)展，城市建設逐漸向空間擴展，地鐵成為各個城市發(fā)展的重點。盾構機由于具有全封閉、快掘進、同時襯砌等優(yōu)點，被廣泛應用在地鐵隧道施工工程。但是盾構機也具有只能進不能退的明顯缺點，如果在施工過程中遇到地質災害，會產(chǎn)生塌方、掉塊等事故，甚至導致盾構機進退兩難，輕則耽誤工期、增大施工費用，重則產(chǎn)生設備損壞等安全事故[1-2]。很多工程經(jīng)驗告訴我們地層特征和盾構機的掘進參數(shù)往往存在一定的內(nèi)在聯(lián)系，研究這種內(nèi)在聯(lián)系對做好地層預報和保障盾構機高效、穩(wěn)定施工具有重要意義[3-4]。以蘇州地鐵春申湖路站～陽澄湖路站區(qū)間和新發(fā)路站～星華街站區(qū)間隧道工程為背景，基于施工現(xiàn)場實測的盾構掘進參數(shù)，結合LVQ神經(jīng)網(wǎng)絡[5]智能算法，提出了基于盾構機掘進參數(shù)和LVQ神經(jīng)網(wǎng)絡的地層識別分析方法。

1工程背景

春～陽區(qū)間和新～星區(qū)間是蘇州地鐵4號線和2號線東延伸線工程重要組成部分，春～陽區(qū)間全長約1 279.058 m，穿越地層主要為④1粉質黏土層和⑥1黏土層；新～星區(qū)間全長約678.776 m，穿越地層主要④2粉砂層。施工皆選用同一臺小松6340土壓平衡盾構機，本文所采用的掘進參數(shù)通過盾構機自帶的傳感器和信息采集系統(tǒng)獲得。

2地層對掘進參數(shù)的影響分析

選擇千斤頂推力、推進速度、刀盤扭矩、螺旋機轉速和同步注漿量5個參數(shù)進行分析[6]。表1為在不同地層下盾構機掘進參數(shù)變化范圍。

表1　盾構施工掘進參數(shù)統(tǒng)計

針對不同地層，對盾構掘進過程中的主要參數(shù)進行初步分析。千斤頂推力對地層有較為明顯的反應，不同地層下的千斤頂推力如圖1(a)所示，在黏土層推力較大；粉砂層和粉質黏土層千斤頂推力均較小。推進速度反映了盾構機的掘進效率，當?shù)貙影l(fā)生變化時，其掘進速度會有相應變化，不同地層下的推進速度如圖1(b)所示，在粉質黏土層，推進速度基本保持了50～70 mm/min之間；在黏土層推進速度較小，但采取土體改良措施后，推進速度也可有較大提升；在粉砂層推進速度較大，但不穩(wěn)定。不同地層下的刀盤扭矩如圖1(c)所示，從圖中可以看出在粉質黏土層刀盤扭矩基本保持在1 500 kN·m；在黏土層和粉砂層，刀盤扭矩都保持在2 000 kN·m以上。不同地層下的螺旋機轉速如圖1(d)所示，在掘進過程中盾構機排土量和螺旋輸送機轉速成正比，從圖中可以看出在黏土層螺旋機轉速最大，在粉質黏土和粉砂層，螺旋機轉速波動較大。不同地層下同步注漿量如圖1(e)所示，在粉質黏土層和粉砂層中，同步注漿量較大，在黏土層同步注漿量基本保持在3 500 L/環(huán)。對盾構機5個掘進參數(shù)進行初步分析發(fā)現(xiàn)，很難建立直觀的掘進參數(shù)與地層特性的匹配規(guī)律。

圖1　不同地層下的盾構掘進參數(shù)變化

3LVQ神經(jīng)網(wǎng)絡

LVQ神經(jīng)網(wǎng)絡可看成是把自組織特征映射算法改良成有監(jiān)督學習算法，其由輸入層，競爭層，輸出層組成，如圖2所示。

圖2　LVQ神經(jīng)網(wǎng)絡結構

圖中，p為R維輸入模式，S1為競爭層神經(jīng)元個數(shù)，IW1,1為輸入層與競爭層的連接權值矩陣，n1為競爭層神經(jīng)元的輸入，a1為競爭層神經(jīng)元的輸出，IW2,1為競爭層與線性輸出層的連接權值矩陣，n2為線性輸出層的神經(jīng)元輸入，a2為線性輸出層神經(jīng)元的輸出。

LVQ神經(jīng)網(wǎng)絡的學習步驟如下描述[7-8]：

(1) 初始化神經(jīng)網(wǎng)絡連接權值ωq為[0,1]區(qū)間的隨機值。

(2) 將故障特征X={x1,x2,…,xR}T輸入到輸入層，按式(1)計算競爭層神經(jīng)元與輸入故障特征之間的距離。

(1)

式中，ωij為輸入神經(jīng)元j與競爭層神經(jīng)元i的連接權值。

(3) 選擇與輸入特征距離最近的兩個競爭層神經(jīng)元α,β。

(4) 設定神經(jīng)元判定條件：①神經(jīng)元α與神經(jīng)元β不屬于同一類別；②神經(jīng)元α和神經(jīng)元β與輸入特征距離da，dβ滿足min{dα/dβ,dβ/dα}>p，其中p為輸入特征可能落入的接近于兩個向量中段平面的窗口寬度，一般取2/3。

(5) 若所選擇的神經(jīng)元α,β滿足(4)所設定的條件，則更新2個獲勝神經(jīng)元的權值，權值更新規(guī)則如下：

①若神經(jīng)元α對應的類別Cα與輸入的類別CR一致，則神經(jīng)元α和神經(jīng)元β權值修正公式為

(2)

②若神經(jīng)元β對應的類別Cα與輸入的類別CR一致，則神經(jīng)元α和神經(jīng)元β權值修正公式為

(3)

(6)若所選擇的神經(jīng)元α,β不滿足(4)所設定的條件，則只更新1個獲勝神經(jīng)元權值，權值更新規(guī)則如下：

①若神經(jīng)元α對應的類別Cα與輸入的類別CR一致，則權值調整公式為

(4)

②若神經(jīng)元對應的類別與輸入的類別不一致，則權值調整公式為

(5)

(7)完成LVQ神經(jīng)網(wǎng)絡訓練。

4地層識別模型設計與識別結果

以掘進參數(shù)千斤頂推力、推進速度、刀盤扭矩、螺旋機轉速和同步注漿量作為LVQ神經(jīng)網(wǎng)絡的輸入特征，LVQ神經(jīng)網(wǎng)絡具有5個輸入神經(jīng)元，最終將數(shù)據(jù)分為3類，因此具有3個輸出神經(jīng)元，競爭層神經(jīng)元經(jīng)過交叉驗證后確定為15個，為了訓練LVQ神經(jīng)網(wǎng)絡，需要對地層特性進行編碼：粉質黏土-1，黏土-2，粉砂03。本文根據(jù)所采集的掘進參數(shù)，隨機選取粉質黏土層、黏土層、粉砂層各100組樣本作為訓練樣本，進行LVQ神經(jīng)網(wǎng)絡訓練。設置訓練目標為0.01，初始設定訓練步數(shù)為100步，學習速率為0.1，LVQ神經(jīng)網(wǎng)絡訓練過程的網(wǎng)絡平均平方誤差變化如圖3所示，通過57步訓練，達到訓練目標，完成LVQ神經(jīng)網(wǎng)絡訓練，利用每種地層特性50個測試樣本對訓練好的神經(jīng)網(wǎng)絡進行測試，識別結果如圖4所示。其中*為LVQ識別結果，從圖中可以看出，粉質黏土層識別率為80%，黏土層識別率為90%，粉砂層識別率為78%，總體識別率為82.7%。實驗結果證明所提出的基于盾構機掘進參數(shù)的LVQ神經(jīng)網(wǎng)絡地層識別方法能夠實現(xiàn)盾構機掘進參數(shù)與不同地層之間的良好映射，可用于盾構機掘進過程中在線、實時對所作業(yè)的地層進行識別。

圖3　LVQ神經(jīng)網(wǎng)絡訓練誤差變化

圖4　檢驗樣本地層識別結果

5結論

通過對蘇州地鐵4號線2標春～陽區(qū)間及2號線東延伸線5標新～星區(qū)間隧道工程的盾構掘進參數(shù)進行研究分析，表明盾構機掘進參數(shù)與地層特性具有一定聯(lián)系，但無法準確建立盾構機掘進參數(shù)與不同地層之間的數(shù)學模型，因此借助LVQ神經(jīng)網(wǎng)絡智能算法實現(xiàn)地層識別。以盾構機掘進參數(shù)作為輸入、地層特性編碼作為輸出，通過設定誤差閥值和進化次數(shù)，實現(xiàn)LVQ神經(jīng)網(wǎng)絡訓練，通過檢驗樣本進行檢驗表明，粉質黏土層識別率為80%，黏土層識別率為90%，粉砂層識別率為78%，總體識別率為82.7%。所提出的方法可用于盾構掘進過程的在線、實時監(jiān)測和地層識別。

參考文獻

[1]王林，楊世東，李攀. 盾構隧道穿越河堤引發(fā)異常沉降原因分析及治理[J]. 石家莊鐵道大學學報：自然科學版，2013，26(9)：204-211.

[2] 柴玉梅，邵誠. 基于盾構掘進參數(shù)及粗糙集理論的地層判別[J]. 礦業(yè)工程，2014，12(3)：63-66.

[3] 柳宏達. 南京地鐵過江段盾構施工技術[J]. 石家莊鐵道大學學報：自然科學版，2013，26(5)：27-28.

[4] 竇鵬濤. 盾構過富水砂層、老黃土地層施工技術[J]. 石家莊鐵道大學學報：自然科學版，2015，28(5)：107-112.

[5]Bayir R. Condition monitoring and fault diagnosis of serial wound starter motor with learning vector quantization network[J]. Journal of Applied Sciences, 2008(8):3148-3156.

[6] 李忠超，陳仁明，孟凡衍，等. 軟黏土中盾構掘進地層變形與掘進參數(shù)關系[J]. 浙江大學學報:工學版，2015，49(4)：1-8.

[7] 段明秀，何迎生. 基于LVQ神經(jīng)網(wǎng)絡的手寫字母的識別[J]. 吉首大學學報：自然科學版，2010，31(2)：41-43.

[8]Jiang Y, LI Z X, Tang M. A learning vector quantization neural network for faults diagnosis of rolling bearing and its application[J]. Mechanical Science and Technology for Aerospace Engineering, 2011(30):408-411.

Identification of Strata with LVQ Neural Network Based on Shield Tunneling Parameters

Shao Chengmeng

(China Railway 16th Bureau Group Co., Ltd. Beijing 101100, China)

Abstract:Considering the subway projects of NO.2 line and NO. 4 line in Suzhou, the changing rule of tunneling parameters under different stratum conditions is analyzed. The tunneling parameters include cylinder thrust force, advancing velocity, cutterhead torque, rotating speed of screw conveyor and synchronous grouting quantity. A stratum recognition method based on tunneling parameters of TBM and LVQ neural network is proposed, and a mathematical model with the input of five tunneling parameters and output of stratum coding is built. Each stratum has 100 training samples, and the model error of training samples is limited below 0.1 through 57 step training. Fifty samples are selected for each stratum to test this model, and the overall recognition rate reaches 82.7%.

Key words:shield machine; tunneling parameter; stratum recognition; LVQ neural network

中圖分類號：TU6

文獻標志碼：A

文章編號：2095-0373(2016)01-0093-05

作者簡介：邵成猛(1979-)，男，高級工程師，主要從事城市軌道交通土建工程施工技術研究， E-mail:supercheng2007@163.com

收稿日期：2015-05-10責任編輯:車軒玉

DOI:10.13319/j.cnki.sjztddxxbzrb.2016.01.17

邵成猛.基于盾構掘進參數(shù)的LVQ神經(jīng)網(wǎng)絡地層識別[J].石家莊鐵道大學學報:自然科學版,2016,29(1):93-96.