岳 嶺,劉 方,劉 輝,曹利強(qiáng)

(1.中鐵工程設(shè)計(jì)咨詢集團(tuán)有限公司,北京 100055；2.北京交通大學(xué)城市地下工程教育部重點(diǎn)實(shí)驗(yàn)室,北京 100044)

引言

隨著我國城市化建設(shè)的快速推進(jìn)，為解決城市有效用地不足、交通擁堵等問題，城市地下空間開發(fā)利用迎來了大發(fā)展[1-2]。盾構(gòu)法憑借其自動(dòng)化程度高、施工速度快、對(duì)環(huán)境影響小等優(yōu)點(diǎn)得到了廣泛的應(yīng)用。盾構(gòu)隧道開挖不可避免地會(huì)對(duì)隧道周圍土體產(chǎn)生擾動(dòng)，引起土體的移動(dòng)和變形，當(dāng)變形超過一定限度時(shí)，則會(huì)對(duì)隧道工程施工、周邊建(構(gòu))筑物和管線等產(chǎn)生影響，甚至誘發(fā)重大的工程事故。對(duì)于城市密集區(qū)的大直徑盾構(gòu)隧道，由于市區(qū)內(nèi)建(構(gòu))筑物繁多，地鐵、市政道路縱橫交錯(cuò)，地下管線錯(cuò)綜復(fù)雜，同時(shí)大直徑隧道開挖土體多，對(duì)周邊地層的擾動(dòng)也更為突出，因此對(duì)于施工過程的地層變形歷時(shí)變化預(yù)測(cè)具有重要意義[3-4]。

為了最大限度地減少施工過程中對(duì)地層的擾動(dòng)，減少地層移動(dòng)和變形，實(shí)現(xiàn)隧道工程正常掘進(jìn)和周邊環(huán)境安全保護(hù)，對(duì)施工中地層變形的實(shí)時(shí)、精確預(yù)測(cè)尤為重要，國內(nèi)外地下工程方向的研究學(xué)者也對(duì)此進(jìn)行了系列研究。但由于巖土體具有不均勻性與隨機(jī)性以及盾構(gòu)施工對(duì)地層變形影響因素的復(fù)雜性和多耦合性，使得我們?cè)谘芯慷軜?gòu)施工引起的地層響應(yīng)時(shí)不可能像研究其他建筑結(jié)構(gòu)一樣得到精確的力學(xué)模型和數(shù)值解，這也使得盾構(gòu)施工引起地層響應(yīng)的分析和預(yù)測(cè)方法多種多樣，概括起來主要有：經(jīng)驗(yàn)公式法[5-6]、理論解析法[7-8]、現(xiàn)場(chǎng)監(jiān)測(cè)法[9-10]、數(shù)值模擬法[11-12]、模型試驗(yàn)法[13-14]和人工智能分析法[15-16]。傳統(tǒng)的基于巖石力學(xué)和土力學(xué)地層變形分析理論和預(yù)測(cè)方法需要確定的力學(xué)模型、確定的巖土體參數(shù)和確定的計(jì)算理論，這與巖土體作為一種非均質(zhì)、各向異性且具有流變特性的復(fù)雜介質(zhì)特性產(chǎn)生沖突，加之一般工程的地質(zhì)條件都很復(fù)雜，使得這類方法在建立模型時(shí)產(chǎn)生了困難，同時(shí)此類方法也難以充分考慮施工中盾構(gòu)機(jī)掘進(jìn)參數(shù)和施工條件對(duì)于地表沉降的影響。而近年來興起的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法由于具有良好的自適應(yīng)學(xué)習(xí)能力和非線性映射能力，能夠充分挖掘輸入監(jiān)測(cè)數(shù)據(jù)的潛在規(guī)律，對(duì)于盾構(gòu)系統(tǒng)多因素耦合，求解過程繁瑣的地表沉降預(yù)測(cè)過程表現(xiàn)出巨大的優(yōu)越性。

人工智能預(yù)測(cè)方法在變形監(jiān)測(cè)方面的應(yīng)用主要包括下面兩個(gè)思路：多元參數(shù)預(yù)測(cè)模型和基于時(shí)間序列模型。1998年Jingsheng Shi等[17]依據(jù)巴西利亞盾構(gòu)隧道施工地層變形實(shí)測(cè)數(shù)據(jù)，采用BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)盾構(gòu)施工后期的地表沉降并分析給出11條影響地層移動(dòng)的主要因素；2001年孫鈞和袁金榮等[18]考慮了盾構(gòu)施工參數(shù)、盾構(gòu)物理參數(shù)、地質(zhì)環(huán)境條件對(duì)地層移動(dòng)的綜合影響，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)對(duì)盾構(gòu)隧道施工過程的地層移動(dòng)進(jìn)行了實(shí)時(shí)動(dòng)態(tài)預(yù)測(cè)；2007日本學(xué)者Lee，J.H.等[19]考慮新奧法隧道開挖地層條件和隧道幾何條件的影響，建立了隧道開挖變形神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；2012年Satar Mahdevari和Seyed Rahman Torabi等[20]考慮現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)、地質(zhì)勘測(cè)以及室內(nèi)試驗(yàn)所得巖石參數(shù)，基于多層感知神經(jīng)網(wǎng)絡(luò)，深入挖掘其與隧道收斂的相關(guān)關(guān)系；2017年德國學(xué)者S.Freitag和B.T.Cao[21]利用數(shù)值模擬充分考慮隧道開挖過程中時(shí)間因素對(duì)隧道開挖過程分階段考慮，建立區(qū)間神經(jīng)網(wǎng)絡(luò)模型，同時(shí)利用時(shí)間序列預(yù)測(cè)模型很好地詮釋了變形的歷時(shí)發(fā)展規(guī)律。

本文在延續(xù)前人預(yù)測(cè)地層變形優(yōu)勢(shì)的基礎(chǔ)上，充分考慮施工中地層變形的時(shí)空效應(yīng)和施工條件影響，綜合考慮時(shí)間序列和變形多因素多元輸入影響，建立了新的基于時(shí)間序列的非線性自回歸神經(jīng)網(wǎng)絡(luò)模型，表現(xiàn)出了更好的預(yù)測(cè)效果。文章基于京張高鐵清華園隧道施工過程，整理分析隧道掘進(jìn)試驗(yàn)段地表沉降的監(jiān)測(cè)數(shù)據(jù)，選取了試驗(yàn)斷面地表沉降8個(gè)測(cè)點(diǎn)的隧道開挖地表沉降歷時(shí)變化監(jiān)測(cè)數(shù)據(jù)，建立了基于時(shí)間序列的NARNN(不含外部輸入)和NARXNN(含外部輸入)非線性自回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并與實(shí)測(cè)值和傳統(tǒng)時(shí)間序列ARMA模型預(yù)測(cè)結(jié)果對(duì)比分析，綜合評(píng)價(jià)3個(gè)模型的預(yù)測(cè)效果。

1 工程概況

京張高鐵清華園隧道位于北京市核心區(qū)，近距離側(cè)向并行地鐵13號(hào)線，于學(xué)院南路北側(cè)入地，依次穿越北三環(huán)，知春路，北四環(huán)、成府路，清華東路共5條主要的市政道路，之后于五環(huán)內(nèi)出地面，盾構(gòu)布置設(shè)3座豎井，2個(gè)盾構(gòu)區(qū)間，全長約6 km，最大埋深41.4 m。清華園隧道還依次穿越規(guī)劃地鐵12號(hào)線、10號(hào)線、15號(hào)線等3處地鐵，以及下穿重要市政管線達(dá)70余條，且隧道周邊建筑物密集。清華園隧道是目前國內(nèi)位于城市核心區(qū)，穿越地層最復(fù)雜、重要建(構(gòu))筑物最多的國鐵單洞雙線大直徑盾構(gòu)高風(fēng)險(xiǎn)隧道。隧道掘進(jìn)采用2臺(tái)直徑為12.64 m的海瑞克泥水平衡盾構(gòu)機(jī)，試驗(yàn)段斷面內(nèi)地質(zhì)以粉質(zhì)黏土為主，上覆土為雜填土，試驗(yàn)段末端為粉質(zhì)黏土和卵石土分界點(diǎn)，隧道分布有2層地下水，上層滯水埋深4～5 m；下層潛水埋深22～26 m，微承壓，本試驗(yàn)段盾構(gòu)掘進(jìn)范圍內(nèi)無地下水[22]。

隧道地處城市核心區(qū)，周邊居民建筑、高校密集，還遍布有各類市政道路、地鐵及管線等風(fēng)險(xiǎn)源，因此對(duì)施工控制提出了極為苛刻的要求。施工過程中的地層變形作為工程施工評(píng)估重要的預(yù)警信息，依據(jù)監(jiān)測(cè)信息分析、預(yù)測(cè)施工過程中地層位移和變形在時(shí)間上和空間上的規(guī)律性，明確最危險(xiǎn)地層響應(yīng)發(fā)生的關(guān)鍵時(shí)間和關(guān)鍵位置，并據(jù)此及時(shí)調(diào)整和優(yōu)化施工參數(shù)，則可有效避免工程事故的發(fā)生，這對(duì)于保證工程施工、周邊重要建構(gòu)筑物和地下管線的安全具有重要意義，對(duì)此我們對(duì)于施工監(jiān)測(cè)和地層變形預(yù)測(cè)做出以下研究。試驗(yàn)段地表沉降測(cè)點(diǎn)布置如圖1所示。

圖1 試驗(yàn)段監(jiān)測(cè)斷面測(cè)點(diǎn)布置(單位：mm)

2 NARNN與NARXNN盾構(gòu)隧道重要斷面變形發(fā)展時(shí)間序列預(yù)測(cè)分析

2.1 模型的基本原理

圖2 NARNN模型結(jié)構(gòu)

基于時(shí)間序列的非線性自回歸神經(jīng)網(wǎng)絡(luò)模型主要包含以下兩種：不含外部輸入的NARNN模型(Nonlinear Auto Regressive Neural Network)(圖2)和含外部輸入的NARXNN模型(Nonlinear Auto Regressive with Exogenous Inputs Neural Network)(圖3)。時(shí)間序列是指按照時(shí)間順序排列的一組數(shù)字序列，時(shí)間序列分析是指根據(jù)系統(tǒng)觀測(cè)得到的時(shí)間序列數(shù)據(jù)，以預(yù)測(cè)未來事物的發(fā)展規(guī)律。其基本原理為：(1)承認(rèn)事物發(fā)展的延續(xù)性，即應(yīng)用過去的數(shù)據(jù)就能推測(cè)事物的發(fā)展規(guī)律；(2)考慮事物發(fā)展的隨機(jī)性，任何事物的發(fā)展都可能受到偶然因素影響，需要各種統(tǒng)計(jì)方法對(duì)歷史數(shù)據(jù)加以分析處理。非線性自回歸神經(jīng)網(wǎng)絡(luò)是一種由靜態(tài)神經(jīng)元和網(wǎng)絡(luò)輸出反饋構(gòu)成的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，在金融、工程和數(shù)理領(lǐng)域均有著廣泛的應(yīng)用。一個(gè)典型的非線性自回歸神經(jīng)網(wǎng)絡(luò)主要有由輸入層、隱含層和輸出層及輸入和輸出延時(shí)構(gòu)成。

圖3 NARXNN模型結(jié)構(gòu)

NARXNN模型同時(shí)還考慮了幾組外部輸入影響因子，具體包括施工方法(表1)、地質(zhì)條件(表2)、空間效應(yīng)(埋深)(表3)三類影響因素，并綜合考慮三類施工影響因子對(duì)測(cè)點(diǎn)地表沉降值的影響程度，給出相應(yīng)的外部輸入?yún)⒖贾怠?/p>

表1 施工方法因子選取標(biāo)準(zhǔn)

表2 地質(zhì)條件因子選取標(biāo)準(zhǔn)

表3 空間效應(yīng)法因子選取標(biāo)準(zhǔn)

2.2 模型的參數(shù)設(shè)計(jì)和建立

綜合整理盾構(gòu)試驗(yàn)段2017年11月13日～2018年1月6日監(jiān)測(cè)日?qǐng)?bào)地表沉降監(jiān)測(cè)點(diǎn)的數(shù)據(jù)，以試驗(yàn)斷面DK18160的2017年11月13日～2017年12月15共33數(shù)據(jù)為基礎(chǔ)，分別建立線性回歸ARMA時(shí)間序列模型、非線性自回歸NARNN和含外部輸入的非線性自回歸NARXNN模型。其中選取前25組地表沉降值數(shù)據(jù)為訓(xùn)練數(shù)據(jù)訓(xùn)練學(xué)習(xí)網(wǎng)絡(luò)模型，后8組地表沉降值數(shù)據(jù)為測(cè)試數(shù)據(jù)測(cè)試評(píng)價(jià)網(wǎng)絡(luò)模型的預(yù)測(cè)效果。具體每個(gè)測(cè)點(diǎn)的各網(wǎng)絡(luò)模型的參數(shù)設(shè)計(jì)見表4。

表4 各測(cè)點(diǎn)具體網(wǎng)絡(luò)模型參數(shù)表

注：r1為隱含層神經(jīng)元個(gè)數(shù)；r2為輸出層神經(jīng)元個(gè)數(shù)；a、b為ARMA時(shí)間序列模型參數(shù)；m為外部輸入延時(shí)；n為輸出延時(shí)。

2.3 模型預(yù)測(cè)結(jié)果分析

依據(jù)上面的樣本參數(shù)和各網(wǎng)絡(luò)模型參數(shù)建立網(wǎng)絡(luò)并得到相關(guān)的預(yù)測(cè)模型預(yù)測(cè)結(jié)果，其中NARNN、NARXNN為人工神經(jīng)網(wǎng)絡(luò)模型，由于訓(xùn)練所取初始權(quán)值和閾值不同，網(wǎng)絡(luò)各單次預(yù)測(cè)結(jié)果均不同，依據(jù)各模型預(yù)測(cè)結(jié)果的檢驗(yàn)標(biāo)準(zhǔn)，各選取符合條件的10次預(yù)測(cè)結(jié)果取平均值；而ARMA為線性時(shí)間序列模型，預(yù)測(cè)結(jié)果為一組確定數(shù)據(jù)?，F(xiàn)場(chǎng)實(shí)測(cè)與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果對(duì)比如圖4所示。

圖4 現(xiàn)場(chǎng)實(shí)測(cè)與預(yù)測(cè)結(jié)果對(duì)比

對(duì)于基于時(shí)間序列的測(cè)點(diǎn)DK18160地表沉降歷時(shí)變形預(yù)測(cè)結(jié)果見表5。

綜上可得3個(gè)模型均得到較好的預(yù)測(cè)效果，其中NARNN、NARXNN為非線性模型，對(duì)于復(fù)雜的地表沉降擬合結(jié)果較線性ARMA模型的預(yù)測(cè)結(jié)果要好，同時(shí)NARXNN模型由于考慮了施工因素影響，表現(xiàn)出最好的預(yù)測(cè)效果。

3 結(jié)論

基于盾構(gòu)施工過程中地表沉降的監(jiān)測(cè)數(shù)據(jù)，運(yùn)用基于時(shí)間序列的人工智能神經(jīng)網(wǎng)絡(luò)模型，可以有效地預(yù)測(cè)隧道施工過程中各測(cè)點(diǎn)地表變形的歷時(shí)變化，結(jié)論如下。

(1)基于時(shí)間序列的非線性自回歸神經(jīng)網(wǎng)絡(luò)模型(NARNN模型和NARXNN模型)在地表沉降測(cè)點(diǎn)的盾構(gòu)開挖過程中的沉降值歷時(shí)變化具有很好的預(yù)測(cè)效果，預(yù)測(cè)精度顯著高于傳統(tǒng)的線性時(shí)間序列ARMA模型。

表5 三種模型預(yù)測(cè)結(jié)果分析

(2)綜合考慮了施工過程中施工方法、地質(zhì)條件和時(shí)空效應(yīng)(埋深)的影響引入外部輸入施工影響因子，建立的NARXNN預(yù)測(cè)模型更加貼近工程實(shí)際，因此預(yù)測(cè)效果良好。