王傳儉

（中鐵十四局集團(tuán)隧道工程有限公司，山東 濟(jì)南 250013）

0 引言

填海區(qū)建造地鐵可巧妙避開地面建筑物或構(gòu)筑物對(duì)施工造成的影響，而填海地區(qū)存在多種地層復(fù)合交織，盾構(gòu)機(jī)掘進(jìn)過程中會(huì)遇到各種困難，造成掘進(jìn)工效低、非正常停機(jī)等問題，同時(shí)也難以保證工期。如何高效優(yōu)質(zhì)地完成盾構(gòu)施工成為一個(gè)亟待解決的問題，而盾構(gòu)掘進(jìn)參數(shù)的控制是影響盾構(gòu)機(jī)掘進(jìn)效率的關(guān)鍵因素之一。

目前，國(guó)內(nèi)外學(xué)者對(duì)盾構(gòu)掘進(jìn)機(jī)掘進(jìn)參數(shù)的控制進(jìn)行一定研究，并取得部分研究成果。國(guó)外有預(yù)測(cè)模型被應(yīng)用于土壓平衡盾構(gòu)機(jī)掘進(jìn)性能預(yù)測(cè)評(píng)價(jià)等方面[1-2]，ROSTAMI J等[3]提出用于盾構(gòu)掘進(jìn)性能預(yù)測(cè)的CSM和NTNU等較為成熟的模型；基于CSM模型和NTNU模型，YAGIZ S[4]對(duì)盾構(gòu)現(xiàn)場(chǎng)施工數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，推導(dǎo)出抗壓強(qiáng)度、抗拉強(qiáng)度等變量與掘進(jìn)速度的數(shù)學(xué)模型以進(jìn)行掘進(jìn)速度預(yù)測(cè)；HASSANPOUR J等[5]根據(jù)伊朗卡拉季輸水隧道工程，對(duì)該隧道穿越火成巖時(shí)盾構(gòu)機(jī)的各掘進(jìn)參數(shù)進(jìn)行分析，構(gòu)建新的數(shù)學(xué)模型預(yù)測(cè)刀盤扭矩、刀盤轉(zhuǎn)速等參數(shù)，提出針對(duì)不同工程，需要對(duì)預(yù)測(cè)模型進(jìn)行適應(yīng)性修正；張厚美[6]結(jié)合廣州地鐵3號(hào)線工程實(shí)際，采用正交試驗(yàn)方法建立軟土地層中掘進(jìn)速度和刀盤扭矩的數(shù)學(xué)模型；王洪新等[7]基于模型試驗(yàn)結(jié)果推導(dǎo)出土壓平衡盾構(gòu)中土壓力、掘進(jìn)速度等掘進(jìn)參數(shù)間的數(shù)學(xué)關(guān)系表達(dá)式，并利用現(xiàn)場(chǎng)采集的數(shù)據(jù)驗(yàn)證該數(shù)學(xué)表達(dá)式；楊全亮[8]運(yùn)用數(shù)理統(tǒng)計(jì)分析方法對(duì)現(xiàn)場(chǎng)掘進(jìn)參數(shù)數(shù)據(jù)進(jìn)行分析，指出地質(zhì)條件對(duì)掘進(jìn)參數(shù)的影響程度大于線路選擇，并采用人工神經(jīng)網(wǎng)絡(luò)方法，利用已知推進(jìn)速度、刀盤轉(zhuǎn)速、貫入度預(yù)測(cè)盾構(gòu)機(jī)推力和扭矩；胡紹華等[9]利用BP神經(jīng)網(wǎng)絡(luò)建立土艙力控制模型，根據(jù)當(dāng)前土艙壓力值、當(dāng)前推進(jìn)系統(tǒng)推進(jìn)速度等變量預(yù)測(cè)下一時(shí)刻推進(jìn)速度及螺旋輸送機(jī)轉(zhuǎn)速，實(shí)現(xiàn)實(shí)時(shí)控制盾構(gòu)機(jī)土壓平衡。

從上述研究成果可看出，目前國(guó)內(nèi)外關(guān)于掘進(jìn)參數(shù)預(yù)測(cè)方法主要是建立數(shù)學(xué)模型，其總體思路是基于模型試驗(yàn)或現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)建立各掘進(jìn)參數(shù)間數(shù)學(xué)預(yù)測(cè)模型，可解決部分掘進(jìn)參數(shù)預(yù)測(cè)問題，但其針對(duì)性較強(qiáng)。而BP神經(jīng)網(wǎng)絡(luò)能夠較好地建立起各個(gè)影響因素與掘進(jìn)參數(shù)的非線性關(guān)系，其普適性和泛化能力較佳。本文依托某會(huì)展中心配套市政項(xiàng)目盾構(gòu)施工，采用BP神經(jīng)網(wǎng)絡(luò)方法建立盾構(gòu)掘進(jìn)參數(shù)預(yù)測(cè)模型，并將該預(yù)測(cè)模型用于本工程盾構(gòu)掘進(jìn)參數(shù)預(yù)測(cè)，通過將預(yù)測(cè)值與實(shí)際監(jiān)測(cè)值對(duì)比分析，得出其精度滿足施工要求，表明該方法適用于本工程后續(xù)盾構(gòu)區(qū)間以及類似地層盾構(gòu)掘進(jìn)參數(shù)的預(yù)測(cè)，具有較好的科研價(jià)值和工程實(shí)踐意義。

1 BP神經(jīng)網(wǎng)絡(luò)基本原理

BP神經(jīng)網(wǎng)絡(luò)即誤差回傳神經(jīng)網(wǎng)絡(luò)是一種無(wú)反饋的前向網(wǎng)絡(luò)，神經(jīng)元在網(wǎng)絡(luò)中分層排列。一般網(wǎng)絡(luò)結(jié)構(gòu)分為輸入層、隱含層、輸出層。每層的輸出傳遞至下一層，通過聯(lián)結(jié)權(quán)傳送，可達(dá)到増強(qiáng)、減弱或抑制輸出的作用，除去輸入層的神經(jīng)元外，輸出層和隱含層神經(jīng)元的凈輸入是上一層神經(jīng)元輸出的加權(quán)和。每個(gè)神經(jīng)元的活化程度均由它的輸入、閾值和活化函數(shù)決定，BP神經(jīng)網(wǎng)絡(luò)信號(hào)傳播結(jié)構(gòu)如圖1所示[10-16]。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)層

圖1中，X，Y分別表示BP神經(jīng)網(wǎng)絡(luò)的輸入和輸出，n、q、w分別表示BP神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層和輸出層神經(jīng)元，每個(gè)神經(jīng)元可用1個(gè)節(jié)點(diǎn)表示。在BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程中，神經(jīng)網(wǎng)絡(luò)的輸出值與期望輸出誤差值在向后傳播的同時(shí)修正連接權(quán)值，達(dá)到誤差均方值最小的目的。

2 盾構(gòu)掘進(jìn)參數(shù)預(yù)測(cè)模型設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)，主要是確定輸入輸出參數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)層次，并通過神經(jīng)網(wǎng)絡(luò)構(gòu)建各參數(shù)間的非線性映射關(guān)系。這主要是通過采用Pathon編程語(yǔ)言和JetBrains PyCharm軟件編制BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)程序?qū)崿F(xiàn)。

2.1 網(wǎng)絡(luò)參數(shù)變量選取

BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建中，需要將已從現(xiàn)場(chǎng)采集的數(shù)據(jù)分為兩大類：一大類為體現(xiàn)外部環(huán)境的輸入變量——地層因素，主要包括隧道埋深 h（m）、孔隙比 e、壓縮模量 E（MPa）、土體凝聚力C（kPa）與內(nèi)摩擦角Φ（°）5種參數(shù)。另一類為體現(xiàn)盾構(gòu)機(jī)內(nèi)部性能的輸出變量，主要包括土壓力P（MPa）、掘進(jìn)速度 V（mm/min）、總推力 T（kN）、出土量（m3）、刀盤扭矩 r（kN·m）5個(gè)參數(shù)。其中輸入組中的孔隙比、壓縮模量、土體凝聚力和內(nèi)摩擦角可根據(jù)地質(zhì)詳勘資料和現(xiàn)場(chǎng)開挖的情況確定，隧道埋深則取隧道斷面頂部至地表的垂直距離，從而構(gòu)建輸入變量與輸出變量之間的聯(lián)系，實(shí)現(xiàn)利用盾構(gòu)掘進(jìn)的外部環(huán)境參數(shù)達(dá)到預(yù)測(cè)掘進(jìn)參數(shù)的目的。

2.2 數(shù)據(jù)預(yù)處理

由于樣本數(shù)據(jù)中各掘進(jìn)參數(shù)具有不同的數(shù)量級(jí)，在進(jìn)行數(shù)據(jù)模擬預(yù)測(cè)前，需要對(duì)樣本數(shù)據(jù)進(jìn)行適應(yīng)性的處理，達(dá)到BP神經(jīng)網(wǎng)絡(luò)的取值應(yīng)用范圍。為避免量級(jí)差別帶來(lái)的網(wǎng)絡(luò)識(shí)別精度誤差，并提高網(wǎng)絡(luò)的收斂速度，引入數(shù)值統(tǒng)計(jì)分析中的歸一化方法對(duì)收集到的掘進(jìn)參數(shù)進(jìn)行預(yù)處理，將各掘進(jìn)參數(shù)映射至值域區(qū)間［0，1］中，處理方法如下：

式中，χ*為歸一化后的值，χ為原始值，χmax為數(shù)據(jù)組最大值，χmin為數(shù)據(jù)組最小值。

2.3 數(shù)據(jù)建模

在數(shù)據(jù)樣本挑選及預(yù)處理完成后，則需要對(duì)數(shù)據(jù)樣本進(jìn)行模擬訓(xùn)練。為進(jìn)一步提升數(shù)據(jù)樣本的訓(xùn)練精度，需要對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)及結(jié)構(gòu)層傳遞函數(shù)進(jìn)行優(yōu)選。

2.3.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)是指確定網(wǎng)絡(luò)的層數(shù)及各層神經(jīng)元的節(jié)點(diǎn)數(shù)。由于采用3層BP網(wǎng)絡(luò)結(jié)構(gòu)能夠逼近任何連續(xù)函數(shù)，并且通過增加隱含層層數(shù)減小預(yù)測(cè)誤差，另外，經(jīng)試驗(yàn)發(fā)現(xiàn)，隱含層神經(jīng)元數(shù)目越多，訓(xùn)練樣本的訓(xùn)練精度越高[1 7]，因此選用3層網(wǎng)絡(luò)結(jié)構(gòu)為最佳組合。

該BP神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)的數(shù)目為5（隧道埋置深度、孔隙比、壓縮模量、內(nèi)摩擦角與凝聚力），均與具體問題相聯(lián)系具有一定的實(shí)際意義，輸出層節(jié)點(diǎn)數(shù)為5（土壓力、總推力、掘進(jìn)速度、出土量、刀盤扭矩）。

在BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中，隱含層中神經(jīng)云數(shù)目的確定是網(wǎng)絡(luò)設(shè)計(jì)的關(guān)鍵所在，大多以經(jīng)驗(yàn)公式試算為主。

經(jīng)驗(yàn)公式S＝2N＋1，取N＝5，則隱含層節(jié)點(diǎn)數(shù)目設(shè)置為11，設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)為5-11-5；網(wǎng)絡(luò)參數(shù)設(shè)置如下：迭代層數(shù)net.rrainParam.epochs=20 000，學(xué)習(xí)速度 net.rrainParam.lr＝0.01，精度值 net.rrainParam.goal=0.01。

2.3.2 傳遞函數(shù)的選擇

JetBrains PyCharm軟件中有提供的BP神經(jīng)網(wǎng)絡(luò)算法傳遞函數(shù)有3種，各函數(shù)的計(jì)算公式如下：

針對(duì)樣本數(shù)據(jù)的模擬訓(xùn)練方面，目前還沒有統(tǒng)一、固定的模擬訓(xùn)練方法，主要是采用通過數(shù)據(jù)不斷的輸入-輸出試算，根據(jù)輸出的誤差精度確定。但網(wǎng)絡(luò)結(jié)構(gòu)層具體采用哪種函數(shù)還需要不斷的試驗(yàn)，如表1所示。

表1 不同網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練結(jié)果

從表1可看出，方案2在迭代次數(shù)和訓(xùn)練誤差上最優(yōu)先，因此，本預(yù)測(cè)模型選擇的網(wǎng)絡(luò)結(jié)構(gòu)為tansig-purelin函數(shù)組合的5-11-5網(wǎng)絡(luò)結(jié)構(gòu)層。

2.4 程序的編制及應(yīng)用

采用Pathon編程語(yǔ)言編制出BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)程序，并運(yùn)用JetBrains PyCharm軟件進(jìn)行預(yù)測(cè)程序運(yùn)行，在軟件里將地層條件設(shè)為輸入模塊，盾構(gòu)內(nèi)部各掘進(jìn)參數(shù)值設(shè)為輸出模塊，掘進(jìn)參數(shù)預(yù)測(cè)值與實(shí)際值的相對(duì)誤差設(shè)為預(yù)測(cè)目標(biāo)值。將樣本直接從txt或Excel文件導(dǎo)入軟件輸入模塊，點(diǎn)擊運(yùn)行按鈕進(jìn)行樣本訓(xùn)練、測(cè)試，軟件將自動(dòng)輸出掘進(jìn)參數(shù)的預(yù)測(cè)值及其與實(shí)際值的相對(duì)誤差，如果精度滿足要求則可應(yīng)用于后續(xù)掘進(jìn)參數(shù)預(yù)測(cè)。

3 工程應(yīng)用

3.1 工程概況

某會(huì)展中心配套市政項(xiàng)目規(guī)劃起于T4航站樓，其線路長(zhǎng)約8.35km，沿線共設(shè)置5座車站（機(jī)場(chǎng)北站、重慶路站、會(huì)展南站、會(huì)展北站、會(huì)議中心站），每座車站間的間距約2.01km。該項(xiàng)目于2016年10月開工建設(shè)，土建工期13個(gè)月，建成后，機(jī)場(chǎng)北站到會(huì)展中心只需12min。項(xiàng)目總平面如圖2所示。

圖2 項(xiàng)目總平面

該會(huì)展中心配套市政項(xiàng)目建設(shè)場(chǎng)地屬填海區(qū)復(fù)雜地層。原始地貌為濱海灘涂，現(xiàn)狀為人工造陸場(chǎng)地，現(xiàn)狀地形平坦，局部有起伏，現(xiàn)狀地面標(biāo)高一般為3.0～7.0m，穿越魚塘部位地面標(biāo)高約0.3m。自上至下地層依次為填土（局部填石）、軟土、中粗砂、黏性土、殘積土和風(fēng)化巖?？傮w上沿線基巖埋深較大，僅機(jī)場(chǎng)北站以北區(qū)間局部基巖凸起侵入隧道。液化砂土和軟土主要分布于線路上部，零星位于隧道底。線路地下水具有中等-強(qiáng)腐蝕性。根據(jù)賦存介質(zhì)的類型，沿線地下水主要有2種類型：①第四系地層中的松散巖類孔隙潛水和上層滯水，上層滯水賦存于第四系人工填土（填石）層中，孔隙潛水主要賦存于沖洪積砂土層及海積中粗砂中，因受上下相對(duì)隔水層的阻隔，略具承壓性；②為基巖裂隙水，主要賦存于強(qiáng)、中等風(fēng)化帶中，具有微承壓性。淤泥（質(zhì)）土及黏土層屬隔水層。

3.2 網(wǎng)絡(luò)樣本選取

盾構(gòu)掘進(jìn)現(xiàn)場(chǎng)采集的數(shù)據(jù)樣本主要來(lái)自出段線盾構(gòu)區(qū)間，該區(qū)間段自明挖段始發(fā)，穿越蝦山涌向西北中間風(fēng)井—重慶路站盾構(gòu)區(qū)間并行，到達(dá)重慶路站拆卸、吊出。選取該國(guó)際會(huì)展中心配套市政項(xiàng)目出段線盾構(gòu)區(qū)間中CDK1+833.526—CDK1＋820.537、CDK1＋481.232—CDK1＋779.732、CDK1＋059.732—CDK1+434.732三段共497環(huán)中的地層參數(shù)、盾構(gòu)掘進(jìn)參數(shù)的數(shù)據(jù)作為網(wǎng)絡(luò)樣本預(yù)測(cè)數(shù)據(jù)，剔除掉異常數(shù)據(jù)41個(gè)，得到有效樣本數(shù)據(jù)456個(gè)，用于建立掘進(jìn)參數(shù)預(yù)測(cè)所需的BP神經(jīng)網(wǎng)絡(luò)，部分經(jīng)歸一化處理的數(shù)據(jù)如表2所示。

表2 輸入輸出變量歸一化處理數(shù)據(jù)（部分）

圖3 土壓力預(yù)測(cè)值與實(shí)際值對(duì)比曲線

圖4 總推力預(yù)測(cè)值與實(shí)際值對(duì)比曲線

圖5 掘進(jìn)速度預(yù)測(cè)值與實(shí)際值對(duì)比曲線

圖6 出土量預(yù)測(cè)值與實(shí)際值對(duì)比曲線圖

圖7 刀盤扭矩預(yù)測(cè)值與實(shí)際值對(duì)比曲線

BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)過程中，本文運(yùn)用JetBrains PyCharm軟件隨機(jī)抽取樣本數(shù)據(jù)的95%作為訓(xùn)練樣本，剩余的5%作為測(cè)試樣本，避免人為主觀因素對(duì)預(yù)測(cè)結(jié)果的影響。

3.3 盾構(gòu)掘進(jìn)參數(shù)預(yù)測(cè)分析

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練完成后，需要對(duì)測(cè)試樣本數(shù)據(jù)進(jìn)行模擬測(cè)試。本文選取有效樣本數(shù)據(jù)的5%進(jìn)行各掘進(jìn)參數(shù)的預(yù)測(cè)。土壓力、總推力、掘進(jìn)速度、出土量、刀盤扭矩的預(yù)測(cè)值與實(shí)際值的對(duì)比曲線如圖3～7所示。

由圖3～7中各掘進(jìn)參數(shù)預(yù)測(cè)值與實(shí)際值對(duì)比曲線圖可看出，預(yù)測(cè)值與實(shí)際值的趨勢(shì)基本吻合。為進(jìn)一步表明BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精準(zhǔn)度，可用相對(duì)誤差和平均誤差2個(gè)指標(biāo)驗(yàn)證，計(jì)算結(jié)果如表3所示。

由表3可知，構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)土壓力、總 推力、掘進(jìn)速度、出土量、刀盤扭矩預(yù)測(cè)值的平均誤差分別為0.092，0.075，0.094，0.020 和 0.09，平均誤差在 0.10 以內(nèi)，滿足盾構(gòu)施工的精度要求，在一定程度上可為現(xiàn)場(chǎng)盾構(gòu)施工提供參考。

表3 測(cè)試樣本預(yù)測(cè)值與實(shí)際值的相對(duì)誤差

4 結(jié)語(yǔ)

1）針對(duì)位于填海區(qū)復(fù)雜地層條件下的某國(guó)際會(huì)展中心配套市政項(xiàng)目盾構(gòu)區(qū)間進(jìn)行盾構(gòu)預(yù)測(cè)模型設(shè)計(jì)。首先結(jié)合相關(guān)的地層參數(shù)進(jìn)行參數(shù)變量的選取，其次對(duì)現(xiàn)場(chǎng)收集的數(shù)據(jù)進(jìn)行歸一化預(yù)處理，最后采用Pathon語(yǔ)言和JetBrains PyCharm軟件構(gòu)建填海區(qū)復(fù)合地層條件下BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)體現(xiàn)盾構(gòu)機(jī)內(nèi)部性能的掘進(jìn)參數(shù)進(jìn)行預(yù)測(cè)。

2）將收集和整理大量盾構(gòu)現(xiàn)場(chǎng)的監(jiān)測(cè)數(shù)據(jù)用于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及測(cè)試樣本，預(yù)測(cè)值能夠大致反映盾構(gòu)掘進(jìn)參數(shù)的變化趨勢(shì)，各掘進(jìn)參數(shù)的平均誤差小于0.10，可滿足盾構(gòu)施工精度要求，表明實(shí)際值與預(yù)測(cè)值吻合較好。

3）BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型所需的變量數(shù)據(jù)便于現(xiàn)場(chǎng)采集處理，該預(yù)測(cè)模型只需通過輸入層數(shù)據(jù)的輸入，即可得到各掘進(jìn)參數(shù)的預(yù)測(cè)值，操作簡(jiǎn)單、實(shí)操性強(qiáng)且預(yù)測(cè)效果較佳，這在一定程度上可以為盾構(gòu)安全掘進(jìn)提供施工指導(dǎo)，從而提升盾構(gòu)掘進(jìn)施工整體效率。