范文超， 孫振川， 李鳳遠(yuǎn)， 張 兵， 陳 橋， 王發(fā)民， 王 凱

(1. 盾構(gòu)及掘進(jìn)技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室， 河南 鄭州 450001； 2. 中鐵隧道局集團(tuán)有限公司， 廣東 廣州 511458)

0 引言

盾構(gòu)施工因安全、高效、環(huán)保等優(yōu)點(diǎn)，已廣泛應(yīng)用于隧道工程。盾構(gòu)掘進(jìn)參數(shù)能反映地質(zhì)環(huán)境及盾構(gòu)工作狀況，它們之間存在復(fù)雜的非線性關(guān)系。合理的掘進(jìn)參數(shù)可提高盾構(gòu)掘進(jìn)效率，節(jié)約施工成本，保障施工安全。

目前，國(guó)內(nèi)外學(xué)者已對(duì)盾構(gòu)掘進(jìn)參數(shù)進(jìn)行了大量研究。在理論模型方面： Zare等[1]基于預(yù)測(cè)掘進(jìn)速度和滾刀損耗的NTNU模型，對(duì)掘進(jìn)過(guò)程中時(shí)間和成本進(jìn)行了評(píng)估并取得良好效果； Zhao等[2]基于CSM預(yù)測(cè)模型研究了盤形滾刀能量輸入與巖體能量輸出的效率比，實(shí)現(xiàn)以最小能量效率進(jìn)行開(kāi)挖。在掘進(jìn)參數(shù)相關(guān)性研究方面： 張瑩等[3]根據(jù)施工數(shù)據(jù)研究了盾構(gòu)掘進(jìn)參數(shù)與地質(zhì)參數(shù)之間的關(guān)系； 魏新江等[4]研究了盾構(gòu)掘進(jìn)參數(shù)與地表沉降之間的關(guān)系； 陶冶等[5]根據(jù)SPSS軟件研究了盾構(gòu)掘進(jìn)參數(shù)與掘進(jìn)效率之間的關(guān)系； 張志奇等[6]通過(guò)多元統(tǒng)計(jì)分析方法研究了盾構(gòu)掘進(jìn)速度和刀盤轉(zhuǎn)矩之間的關(guān)系； 李杰等[7]通過(guò)多元非線性回歸方法建立了盾構(gòu)掘進(jìn)速度模型。

在預(yù)測(cè)方法方面： 國(guó)內(nèi)，何然[8]采用Elman-PSO耦合智能算法建立了泥水盾構(gòu)掘進(jìn)參數(shù)智能預(yù)測(cè)系統(tǒng)，實(shí)現(xiàn)氣艙壓力預(yù)測(cè)； 周冠南等[9]構(gòu)建了基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)智能反分析系統(tǒng)(GA-BP)，反演隧道圍巖參數(shù)并預(yù)測(cè)變形； 李杰等[10]建立了盾構(gòu)掘進(jìn)速度的多元線性和非線性預(yù)測(cè)模型，對(duì)施工周期和成本進(jìn)行評(píng)估； 王傳儉[11]結(jié)合填海區(qū)復(fù)雜地層，建立了基于Python語(yǔ)言的BP神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)盾構(gòu)掘進(jìn)參數(shù)； Chen等[12]采用小波神經(jīng)網(wǎng)絡(luò)、廣義回歸神經(jīng)網(wǎng)絡(luò)及隨機(jī)森林等機(jī)器學(xué)習(xí)方法，對(duì)地質(zhì)條件、掘進(jìn)參數(shù)和隧道幾何形狀進(jìn)行分析并預(yù)測(cè)地表沉降量； Su等[13]通過(guò)研究UCS、BTS、CAI、掘進(jìn)速度及刀盤轉(zhuǎn)速等參數(shù)，建立了盤形刀具磨損預(yù)測(cè)模型。國(guó)外，Yagiz等[14]采用粒子群算法、Ghasemi等[15]采用模糊邏輯理論方法、Mahdevari等[16]采用支持向量回歸方法、Delisio等[17]采用多元回歸分析方法，對(duì)盾構(gòu)掘進(jìn)參數(shù)進(jìn)行預(yù)測(cè)研究，取得了良好效果。

國(guó)內(nèi)外關(guān)于盾構(gòu)能耗的研究較少，因大型盾構(gòu)耗電量大，施工周期長(zhǎng)，消耗巨大能源，因此研究盾構(gòu)能耗意義重大。Li等[18]通過(guò)計(jì)算礦山法隧道中每m碳排放量研究盾構(gòu)能耗； 趙偉偉[19]通過(guò)研究盾構(gòu)刀盤驅(qū)動(dòng)系統(tǒng)來(lái)降低掘進(jìn)過(guò)程中的刀盤能耗； 李喬松等[20]根據(jù)地層及掘進(jìn)參數(shù)采用排放系數(shù)法計(jì)算隧道施工過(guò)程中的實(shí)時(shí)能耗和碳排放； 陶冶[21]采用SVM方法挖掘盾構(gòu)掘進(jìn)參數(shù)之間的內(nèi)在關(guān)系來(lái)預(yù)測(cè)刀盤能耗； Zhou等[22]將最小二乘支持向量機(jī)(LS-SVM)和粒子群優(yōu)化(PSO)相結(jié)合，通過(guò)混合能耗分析法建立能量消耗與識(shí)別因子之間的關(guān)系來(lái)分析刀盤能耗。

綜上所述，關(guān)于盾構(gòu)掘進(jìn)參數(shù)的研究，國(guó)內(nèi)外主要集中在TBM和土壓盾構(gòu)等小直徑盾構(gòu)，泥水盾構(gòu)及大直徑盾構(gòu)研究較少；穿越巖石、砂層及黏土層等單一地層研究較多，復(fù)合地層研究較少；關(guān)于掘進(jìn)速度預(yù)測(cè)研究較多，其他掘進(jìn)參數(shù)尤其是刀盤能耗及平均泥水壓力預(yù)測(cè)研究較少；研究的掘進(jìn)參數(shù)較為單一，對(duì)多種掘進(jìn)參數(shù)綜合研究較少。

本文結(jié)合汕頭海灣隧道工程，建立基于BP神經(jīng)網(wǎng)絡(luò)的復(fù)合地層超大直徑泥水盾構(gòu)掘進(jìn)參數(shù)預(yù)測(cè)模型，采用神經(jīng)網(wǎng)絡(luò)挖掘掘進(jìn)參數(shù)之間的內(nèi)在關(guān)系，定量預(yù)測(cè)刀盤轉(zhuǎn)矩、刀盤能耗和平均泥水壓力。由于神經(jīng)網(wǎng)絡(luò)自適應(yīng)性好，探尋非線性關(guān)系能力強(qiáng)，可以更深入挖掘數(shù)據(jù)之間深層次關(guān)系，為掘進(jìn)參數(shù)優(yōu)化、預(yù)測(cè)和控制提供依據(jù)，為安全高效施工提供保障。

1 工程概況

汕頭海灣隧道工程全長(zhǎng)6 680 m，盾構(gòu)段長(zhǎng)3 047.5 m，海域盾構(gòu)段依據(jù)海床標(biāo)高采用-2.9%、-0.3%、0.3%、3.0%的“V”型縱坡形式。隧道外徑14.5 m，采用直徑15.01 m(東線)及15.03 m(西線)超大直徑泥水盾構(gòu)，盾構(gòu)總推力達(dá)220 000 kN，額定轉(zhuǎn)矩超過(guò)42 000 kN·m。

隧道地層斷面如圖1所示。工程地質(zhì)復(fù)雜，包含填筑土、淤泥、淤泥質(zhì)土、淤泥混砂、粉細(xì)砂、粉質(zhì)黏土、中砂、粗砂、礫砂、礫質(zhì)黏性土、微弱中全風(fēng)化花崗巖等多種地層，還包含砂土液化、軟土震陷、花崗巖球狀風(fēng)化體、基巖突起、有害氣體等不良地質(zhì)。工程地質(zhì)勘測(cè)區(qū)內(nèi)分布4個(gè)主要含水層： 粉細(xì)砂層，中粗砂、礫層，中粗砂、礫砂層和風(fēng)化巖層?；鶐r突起段RQD=55%～78%，層頂高程為-34.72～-27.46 m，層底未揭穿，揭露厚度為1.10～9.00 m，飽和單軸抗壓強(qiáng)度為41.7～214 MPa，抗拉強(qiáng)度為2.02～9.35 MPa。此外，工程可能存在結(jié)泥餅、隧道漏水、海水倒灌、不明孤石、涌泥突水等一系列問(wèn)題，因此，選擇合理的掘進(jìn)參數(shù)，根據(jù)掘進(jìn)參數(shù)及時(shí)發(fā)現(xiàn)潛在問(wèn)題非常重要。

圖1 汕頭海灣隧道復(fù)合地層斷面圖(單位： m)

2 主要掘進(jìn)參數(shù)及相關(guān)關(guān)系

盾構(gòu)掘進(jìn)參數(shù)反映地層特性及施工狀況，受地質(zhì)水文、盾構(gòu)設(shè)備及人為操作等影響，合理的掘進(jìn)參數(shù)可提高掘進(jìn)效率，避免發(fā)生事故。泥水盾構(gòu)主要掘進(jìn)參數(shù)有總推力、刀盤轉(zhuǎn)速、貫入度、刀盤轉(zhuǎn)矩、掘進(jìn)速度、刀盤擠壓力、刀盤電流、刀盤能耗、同步注漿量、平均泥水壓力等，可表征當(dāng)前泥水盾構(gòu)工作狀態(tài)。由于泥水盾構(gòu)掘進(jìn)參數(shù)較多，各掘進(jìn)參數(shù)之間關(guān)系更為復(fù)雜。

為分析各掘進(jìn)參數(shù)之間的相關(guān)程度，通常采用相關(guān)系數(shù)法，又稱皮氏積矩相關(guān)系數(shù)(表征2個(gè)現(xiàn)象之間相關(guān)關(guān)系密切程度的統(tǒng)計(jì)分析指標(biāo))。

(1)

根據(jù)隧道施工數(shù)據(jù)，選擇700環(huán)復(fù)合地層超大直徑泥水盾構(gòu)的10個(gè)主要掘進(jìn)參數(shù)，根據(jù)式(1)分別相互計(jì)算皮氏積矩相關(guān)系數(shù)，計(jì)算結(jié)果如表1所示。

表1 各掘進(jìn)參數(shù)之間的皮氏積矩相關(guān)系數(shù)

由表1可知，貫入度和掘進(jìn)速度、刀盤轉(zhuǎn)速的皮氏積矩相關(guān)系數(shù)分別是0.75和-0.77，刀盤電流和刀盤轉(zhuǎn)速的皮氏積矩相關(guān)系數(shù)為-0.87，r絕對(duì)值較大表明它們具有良好的線性相關(guān)性。刀盤能耗和平均泥水壓力等其他掘進(jìn)參數(shù)之間的皮氏積矩相關(guān)系數(shù)r絕對(duì)值較小，表明它們之間相關(guān)關(guān)系不大，或者說(shuō)采用皮氏積矩相關(guān)系數(shù)難以表明它們之間的關(guān)系。這是由于地質(zhì)復(fù)雜，超大直徑泥水盾構(gòu)掘進(jìn)參數(shù)之間的規(guī)律難以尋找，需進(jìn)一步深層次尋找各掘進(jìn)參數(shù)之間的關(guān)系。

3 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

3.1 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

神經(jīng)網(wǎng)絡(luò)是挖掘數(shù)據(jù)之間深層次復(fù)雜關(guān)系的方法，可找到輸入?yún)?shù)與輸出參數(shù)之間隱含的內(nèi)在關(guān)系。BP神經(jīng)網(wǎng)絡(luò)(back propagation)又稱誤差反向傳播神經(jīng)網(wǎng)絡(luò)，是神經(jīng)網(wǎng)絡(luò)的重要組成部分，結(jié)構(gòu)簡(jiǎn)單，自適應(yīng)能力強(qiáng)，已廣泛應(yīng)用于函數(shù)逼近、模式識(shí)別、信息分類預(yù)測(cè)等多種領(lǐng)域。

BP神經(jīng)網(wǎng)絡(luò)屬于有監(jiān)督學(xué)習(xí)方式，由輸入層、輸出層和隱含層組成。隱含層包含多層網(wǎng)絡(luò)，層與層之間為全連接方式，同一層神經(jīng)元之間沒(méi)有聯(lián)系。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。當(dāng)確定神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)和輸出目標(biāo)，每層神經(jīng)元都會(huì)從該層網(wǎng)絡(luò)的輸入層獲取輸入值并產(chǎn)生連接權(quán)值向后傳播，目標(biāo)方向是使輸出層實(shí)際輸出值與目標(biāo)輸出值之間誤差最小，隨后反向傳播學(xué)習(xí)修復(fù)連接權(quán)值，直至誤差達(dá)到訓(xùn)練要求或達(dá)到學(xué)習(xí)次數(shù)，訓(xùn)練結(jié)束。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)等方法都已應(yīng)用于回歸預(yù)測(cè)研究。相比于支持向量機(jī)，BP神經(jīng)網(wǎng)絡(luò)具有更復(fù)雜的智能處理能力和非線性處理能力，網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)可利用建模者經(jīng)驗(yàn)知識(shí)獲取更優(yōu)模型，更廣泛地應(yīng)用于回歸預(yù)測(cè)研究；BP神經(jīng)網(wǎng)絡(luò)本質(zhì)是挖掘數(shù)據(jù)之間內(nèi)在關(guān)系，對(duì)樣本所有因子進(jìn)行加權(quán)訓(xùn)練，更適用于大量數(shù)據(jù)研究，自適應(yīng)能力強(qiáng)。相比于深度學(xué)習(xí)，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，沒(méi)有復(fù)雜的卷積層和降維層，隱含層層數(shù)少，學(xué)習(xí)訓(xùn)練函數(shù)少，學(xué)習(xí)訓(xùn)練周期短；BP神經(jīng)網(wǎng)絡(luò)沒(méi)有特征學(xué)習(xí)部分，特征由人工輸入，從特征到映射即輸入到輸出，忽略非必要特征，偏向于實(shí)際工程，預(yù)測(cè)精度已基本滿足工程需求。

3.2 確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

根據(jù)《智慧盾構(gòu)TBM工程大數(shù)據(jù)平臺(tái)》采集的現(xiàn)場(chǎng)施工數(shù)據(jù)，選取汕頭海灣隧道復(fù)合地層超大直徑泥水盾構(gòu)700環(huán)掘進(jìn)數(shù)據(jù)作為研究對(duì)象。盾構(gòu)主要掘進(jìn)參數(shù)中，刀盤轉(zhuǎn)矩反映地層硬度，是受到前方土體阻力產(chǎn)生的被動(dòng)響應(yīng)參數(shù)，計(jì)算復(fù)雜；刀盤驅(qū)動(dòng)系統(tǒng)額定功率高，正常掘進(jìn)時(shí)驅(qū)動(dòng)功率遠(yuǎn)遠(yuǎn)小于額定功率，存在很大節(jié)能潛力，通過(guò)掘進(jìn)參數(shù)預(yù)測(cè)刀盤能耗將大大提升效率；泥水壓力設(shè)置不當(dāng)易發(fā)生泥水劈裂、海水倒灌等事故。因此，構(gòu)建神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型時(shí)將刀盤轉(zhuǎn)矩、刀盤能耗、平均泥水壓力3個(gè)參數(shù)作為輸出參數(shù)，將推進(jìn)力、掘進(jìn)速度、刀盤轉(zhuǎn)速、貫入度、刀盤電流、刀盤擠壓力、同步注漿量7個(gè)參數(shù)作為輸入?yún)?shù)。

3.2.1 確定BP神經(jīng)網(wǎng)絡(luò)層數(shù)

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，一般3層網(wǎng)絡(luò)即可滿足預(yù)測(cè)模型需求，即輸入層、輸出層和隱含層。本文輸入輸出參數(shù)一共10個(gè)，數(shù)量較少，選取3層網(wǎng)絡(luò)建立預(yù)測(cè)模型。

3.2.2 確定BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元數(shù)目

BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元數(shù)目和實(shí)際輸入輸出參數(shù)有關(guān)，輸入層、輸出層神經(jīng)元數(shù)目分別等于輸入、輸出參數(shù)數(shù)目，因此，本文輸入層、輸出層神經(jīng)元數(shù)目分別為7和3。

隱含層神經(jīng)元數(shù)目十分重要，數(shù)目少則網(wǎng)絡(luò)學(xué)習(xí)能力弱，訓(xùn)練時(shí)間長(zhǎng)；數(shù)目多則網(wǎng)絡(luò)學(xué)習(xí)能力強(qiáng)，但將挖掘出數(shù)據(jù)之間非規(guī)律特性，導(dǎo)致過(guò)擬合而阻礙實(shí)際應(yīng)用。因此，隱含層神經(jīng)元數(shù)目需根據(jù)經(jīng)驗(yàn)公式(2)—(4)確定在一定范圍，再進(jìn)一步試驗(yàn)尋找最優(yōu)數(shù)目。

(2)

(3)

m=lbn。

(4)

式(2)—(4)中：m、n、l分別為隱含層、輸入層、輸出層的神經(jīng)元數(shù)目；a為范圍1～10的常數(shù)。

首先使用上述經(jīng)驗(yàn)公式初步計(jì)算隱含層神經(jīng)元數(shù)目為3～13，進(jìn)一步在后續(xù)的模型試驗(yàn)中確定最優(yōu)數(shù)目，然后確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

3.2.3 確定BP神經(jīng)網(wǎng)絡(luò)函數(shù)

BP神經(jīng)網(wǎng)絡(luò)輸入層、輸出層及隱含層之間的函數(shù)有傳遞函數(shù)、學(xué)習(xí)函數(shù)和訓(xùn)練函數(shù)。選擇合適函數(shù)將大大降低訓(xùn)練時(shí)間，提高訓(xùn)練精度。

1)傳遞函數(shù)：又稱激活函數(shù)，模擬神經(jīng)元非線性轉(zhuǎn)移特性，主要有用于輸入層的對(duì)數(shù)logsig函數(shù)，用于輸入層、輸出層的雙曲正切tansig函數(shù)，用于輸出層的線性purelin函數(shù)。

(5)

(6)

式(5)—(6)中： 傳遞函數(shù)定義域x范圍為(-∞,+∞)； logsig(x)和tansig(x)值域分別為(0,1)和(-1,1)，并且都是可微函數(shù)。

2)學(xué)習(xí)函數(shù)： 使神經(jīng)網(wǎng)絡(luò)權(quán)值閾值梯度下降的learngd函數(shù)，以及使神經(jīng)網(wǎng)絡(luò)權(quán)值閾值產(chǎn)生帶動(dòng)量梯度下降的learngdm函數(shù)。

3)訓(xùn)練函數(shù)： 包括traingd、traingdm、trainrp、trainlm、traincgb、trainscg、traingdx、traincgf、traincgp、traingda、trainsog、trainbfg、trainoss、trainbr函數(shù)等。訓(xùn)練函數(shù)因本身特性適用于不同網(wǎng)絡(luò)模型，具體選擇時(shí)需在訓(xùn)練過(guò)程中進(jìn)行誤差評(píng)估。

4)平均均方誤差MSE： 評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度。多重相關(guān)系數(shù)R表示神經(jīng)網(wǎng)絡(luò)實(shí)際輸出值與目標(biāo)值之間的關(guān)聯(lián)性，R越接近于1表示關(guān)聯(lián)性越強(qiáng)，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果越好。

(7)

(8)

式(7)—(8)中：di為目標(biāo)輸出值；oi為實(shí)際輸出值；N為測(cè)試樣本數(shù)目。

5)數(shù)據(jù)歸一化預(yù)處理： 因各掘進(jìn)參數(shù)數(shù)量級(jí)不一致，為提高數(shù)據(jù)精確度，在建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型之前，需對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。采用數(shù)值統(tǒng)計(jì)分析方法中歸一化方法提高神經(jīng)網(wǎng)絡(luò)的收斂速度，將各掘進(jìn)參數(shù)的數(shù)值轉(zhuǎn)換到[-1,1]，防止輸出向量出現(xiàn)過(guò)擬合。

(9)

(10)

6)其他參數(shù)： 神經(jīng)網(wǎng)絡(luò)初始權(quán)值選取-1～1之間較小隨機(jī)數(shù)，學(xué)習(xí)率選取0.01，遠(yuǎn)離性能曲面鞍點(diǎn)有利于神經(jīng)網(wǎng)絡(luò)收斂；最大失誤次數(shù)設(shè)為6次，最大訓(xùn)練次數(shù)設(shè)為1 000次，學(xué)習(xí)訓(xùn)練精度設(shè)為0.01，具體參數(shù)值需根據(jù)實(shí)際模型進(jìn)一步優(yōu)化。

3.3 建立預(yù)測(cè)模型

通過(guò)上述分析，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型初步選取1層隱含層，隱含層神經(jīng)元數(shù)目為3～13，初始選8個(gè)進(jìn)行試驗(yàn)，輸入、輸出參數(shù)分別為7個(gè)和3個(gè)，傳遞函數(shù)3種，學(xué)習(xí)函數(shù)2種，訓(xùn)練函數(shù)14種，排列組合選取112組函數(shù)進(jìn)行誤差對(duì)比試驗(yàn)以選取最優(yōu)預(yù)測(cè)模型。編寫程序建立預(yù)測(cè)模型，預(yù)測(cè)模型算法流程如圖3所示。

圖3 預(yù)測(cè)模型算法流程圖

為避免數(shù)據(jù)主觀選擇對(duì)預(yù)測(cè)結(jié)果造成誤差，從選定的700環(huán)掘進(jìn)數(shù)據(jù)中隨機(jī)選取500組數(shù)據(jù)作為訓(xùn)練樣本，其余200組數(shù)據(jù)作為測(cè)試樣本驗(yàn)證預(yù)測(cè)模型精度。如圖3所示，將500環(huán)數(shù)據(jù)中推進(jìn)力等7個(gè)掘進(jìn)參數(shù)值作為模型輸入，將刀盤轉(zhuǎn)矩等3個(gè)掘進(jìn)參數(shù)值作為模型輸出，展開(kāi)訓(xùn)練，求出預(yù)測(cè)模型后，將其余200環(huán)數(shù)據(jù)中7個(gè)掘進(jìn)參數(shù)值作為測(cè)試樣本輸入預(yù)測(cè)模型，對(duì)預(yù)測(cè)結(jié)果與實(shí)際結(jié)果進(jìn)行誤差對(duì)比。預(yù)測(cè)模型訓(xùn)練結(jié)果如表2和表3所示。

表2和表3分別示出預(yù)測(cè)模型訓(xùn)練過(guò)程中,各函數(shù)組合及不同隱含層神經(jīng)元數(shù)目訓(xùn)練誤差情況，通過(guò)對(duì)比可以確定訓(xùn)練誤差最小為0.017 8時(shí)的函數(shù)組合，即輸入層傳遞函數(shù)tansig、輸出層傳遞函數(shù)tansig、訓(xùn)練函數(shù)trainbr、學(xué)習(xí)函數(shù)learngd，隱含層神經(jīng)元數(shù)目11個(gè)。

表2 各函數(shù)組訓(xùn)練誤差對(duì)比(部分)

表3 隱含層神經(jīng)元數(shù)目訓(xùn)練誤差對(duì)比

綜上分析，最終確定神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)構(gòu)為7-11-3，模型結(jié)構(gòu)及訓(xùn)練結(jié)果如圖4所示。

(a) 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)構(gòu)

由圖4可知，當(dāng)訓(xùn)練學(xué)習(xí)步數(shù)為36時(shí)，訓(xùn)練精度誤差MSE達(dá)到最小值0.017 8，最大失誤次數(shù)達(dá)到設(shè)定的6次，即誤差曲線隨著迭代次數(shù)增加而不再減小，因此停止訓(xùn)練。此時(shí)訓(xùn)練樣本、測(cè)試樣本以及總樣本的多重相關(guān)系數(shù)分別為0.912 89、0.812 24和0.889 00，較接近于1，說(shuō)明所選擇的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型精度較高，預(yù)測(cè)樣本輸出結(jié)果和目標(biāo)期望之間相關(guān)性較強(qiáng)，即選取結(jié)構(gòu)為7-11-3的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型比較合理。

3.4 模型預(yù)測(cè)結(jié)果

3.4.1 復(fù)合地層預(yù)測(cè)結(jié)果

從復(fù)合地層選取的700環(huán)掘進(jìn)數(shù)據(jù)中隨機(jī)選取500環(huán)數(shù)據(jù)進(jìn)行訓(xùn)練，其余200環(huán)數(shù)據(jù)進(jìn)行預(yù)測(cè)，并對(duì)預(yù)測(cè)結(jié)果與實(shí)際結(jié)果進(jìn)行相對(duì)誤差分析，預(yù)測(cè)的掘進(jìn)參數(shù)為刀盤轉(zhuǎn)矩、刀盤能耗和平均泥水壓力，預(yù)測(cè)結(jié)果和實(shí)際結(jié)果對(duì)比如圖5和表4所示。

(a) 刀盤轉(zhuǎn)矩

表4 復(fù)合地層刀盤轉(zhuǎn)矩、能耗和平均泥水壓力預(yù)測(cè)值與實(shí)際值的相對(duì)誤差

由圖5中預(yù)測(cè)值與實(shí)際值曲線的波動(dòng)情況可看出預(yù)測(cè)效果良好。由表4可知，刀盤轉(zhuǎn)矩和刀盤能耗預(yù)測(cè)值與實(shí)際值最小相對(duì)誤差為0.06%，最大相對(duì)誤差在23%左右，算數(shù)平均誤差均在5%左右；平均泥水壓力預(yù)測(cè)值與實(shí)際值最小相對(duì)誤差為0.003%，最大相對(duì)誤差為5.85%，算數(shù)平均誤差為1.31%；預(yù)測(cè)精度較高，可滿足盾構(gòu)施工要求。

3.4.2 軟土地層預(yù)測(cè)結(jié)果

為進(jìn)一步研究預(yù)測(cè)模型適用性及預(yù)測(cè)效果，重新選取復(fù)合地層中地質(zhì)均勻的軟土地層250環(huán)掘進(jìn)數(shù)據(jù)，隨機(jī)選取其中200環(huán)數(shù)據(jù)進(jìn)行訓(xùn)練，其余50環(huán)數(shù)據(jù)進(jìn)行預(yù)測(cè)，訓(xùn)練及預(yù)測(cè)步驟同復(fù)合地層，預(yù)測(cè)結(jié)果和實(shí)際結(jié)果對(duì)比如圖6和表5所示。

(a) 刀盤轉(zhuǎn)矩

表5 軟土地層刀盤轉(zhuǎn)矩、能耗和平均泥水壓力預(yù)測(cè)值與實(shí)際值的相對(duì)誤差

由圖6中預(yù)測(cè)值與實(shí)際值曲線的波動(dòng)情況可看出預(yù)測(cè)效果良好。由表5可知，刀盤轉(zhuǎn)矩和刀盤能耗預(yù)測(cè)值與實(shí)際值最小相對(duì)誤差分別為0.01%和0.06%，最大相對(duì)誤差在10%左右，算數(shù)平均誤差在4%以內(nèi)；平均泥水壓力預(yù)測(cè)值與實(shí)際值最小相對(duì)誤差為0.003%，最大相對(duì)誤差為5.09%，算數(shù)平均誤差為1.31%；相比于復(fù)合地層，預(yù)測(cè)精度進(jìn)一步提高，基本滿足盾構(gòu)施工精度要求。

綜上，由表4和表5看出，通過(guò)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型得到刀盤轉(zhuǎn)矩、能耗和平均泥水壓力預(yù)測(cè)值與實(shí)際值的算數(shù)平均誤差在6%以內(nèi)，基本滿足盾構(gòu)施工要求，但仍存在部分?jǐn)?shù)據(jù)點(diǎn)預(yù)測(cè)值和實(shí)際值誤差較大，經(jīng)過(guò)分析，原因如下： 1)復(fù)合地層地質(zhì)復(fù)雜，存在不明硬巖、孤石甚至是刀盤脫落的刀具，此時(shí)盾構(gòu)各掘進(jìn)參數(shù)出現(xiàn)突變，規(guī)律難以尋找； 2)盾構(gòu)掘進(jìn)參數(shù)的預(yù)測(cè)研究中，樣本數(shù)據(jù)量越大則預(yù)測(cè)效果越好，本文研究的樣本數(shù)據(jù)量為700環(huán)，數(shù)據(jù)量還不足夠大； 3)研究對(duì)象是基于現(xiàn)場(chǎng)采集的掘進(jìn)數(shù)據(jù)，該數(shù)據(jù)在采集過(guò)程中因設(shè)備等原因可能存在異常值，而后續(xù)數(shù)據(jù)清洗過(guò)程中無(wú)法完全清除異常值，因此產(chǎn)生一定誤差； 4)本文研究的算法模型基于BP神經(jīng)網(wǎng)絡(luò)，該模型訓(xùn)練函數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)、神經(jīng)元個(gè)數(shù)、訓(xùn)練誤差等都會(huì)對(duì)預(yù)測(cè)結(jié)果產(chǎn)生一定影響。

4 結(jié)論與討論

針對(duì)汕頭海灣隧道工程，本文建立基于BP神經(jīng)網(wǎng)絡(luò)的復(fù)合地層超大直徑泥水盾構(gòu)掘進(jìn)參數(shù)預(yù)測(cè)模型，定量預(yù)測(cè)刀盤轉(zhuǎn)矩、刀盤能耗和平均泥水壓力，主要結(jié)論如下。

1)對(duì)復(fù)合地層700環(huán)掘進(jìn)數(shù)據(jù)進(jìn)行皮氏積矩相關(guān)系數(shù)分析，貫入度和掘進(jìn)速度、貫入度和刀盤轉(zhuǎn)速、刀盤電流和刀盤轉(zhuǎn)速的皮氏積矩相關(guān)系數(shù)絕對(duì)值均在0.75以上，具有良好的線性相關(guān)性，而其他掘進(jìn)參數(shù)之間的相關(guān)關(guān)系較不明確。

2)對(duì)復(fù)合地層700環(huán)掘進(jìn)數(shù)據(jù)歸一化處理，優(yōu)選函數(shù)種類和網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的掘進(jìn)參數(shù)預(yù)測(cè)模型，隨機(jī)選取500環(huán)數(shù)據(jù)進(jìn)行訓(xùn)練，其余200環(huán)數(shù)據(jù)進(jìn)行預(yù)測(cè)，結(jié)果顯示刀盤轉(zhuǎn)矩和刀盤能耗預(yù)測(cè)值與實(shí)際值的算術(shù)平均誤差在5%左右，平均泥水壓力預(yù)測(cè)值與實(shí)際值的算術(shù)平均誤差為1.31%，預(yù)測(cè)精度較高，基本滿足盾構(gòu)施工精度要求。選取軟土地層250環(huán)掘進(jìn)數(shù)據(jù)，隨機(jī)選取200環(huán)數(shù)據(jù)進(jìn)行訓(xùn)練，其余50環(huán)數(shù)據(jù)進(jìn)行預(yù)測(cè)，結(jié)果顯示刀盤轉(zhuǎn)矩和刀盤能耗預(yù)測(cè)值與實(shí)際值的算術(shù)平均誤差均小于4%，預(yù)測(cè)精度進(jìn)一步提升。

3)當(dāng)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型建立之后，只需要輸入?yún)?shù)的值即可高精度定量預(yù)測(cè)出其他掘進(jìn)參數(shù)，該過(guò)程依靠機(jī)器算法從而避免人為干擾。在實(shí)際掘進(jìn)過(guò)程中，主司機(jī)可根據(jù)預(yù)測(cè)的掘進(jìn)參數(shù)值與實(shí)際掘進(jìn)參數(shù)值進(jìn)行對(duì)比，偏差不大即可繼續(xù)掘進(jìn)； 當(dāng)出現(xiàn)較大偏差時(shí)應(yīng)停止掘進(jìn)并上報(bào)分析數(shù)據(jù)，避免發(fā)生故障，經(jīng)研究后調(diào)整相應(yīng)的掘進(jìn)參數(shù)以恢復(fù)掘進(jìn)。此外，對(duì)于經(jīng)驗(yàn)不足的主司機(jī)，可根據(jù)預(yù)測(cè)的掘進(jìn)參數(shù)值進(jìn)行調(diào)整，以達(dá)到安全掘進(jìn)的目的。

目前對(duì)于盾構(gòu)掘進(jìn)參數(shù)的研究，較少涉及超大直徑泥水盾構(gòu)及復(fù)合地層，且掘進(jìn)參數(shù)預(yù)測(cè)較為單一。本文實(shí)現(xiàn)了復(fù)合地層超大直徑泥水盾構(gòu)掘進(jìn)參數(shù)多輸入多輸出預(yù)測(cè)，同時(shí)對(duì)刀盤能耗及平均泥水壓力進(jìn)行了探索。今后可進(jìn)一步改進(jìn)之處： 解決BP神經(jīng)網(wǎng)絡(luò)存在局部極小點(diǎn)和不收斂問(wèn)題，研究更加合理的算法模型以提高預(yù)測(cè)精度和效率； 探索異常數(shù)據(jù)點(diǎn)與正常數(shù)據(jù)點(diǎn)之間的關(guān)系； 本文研究了復(fù)合地層環(huán)與環(huán)之間的掘進(jìn)參數(shù)預(yù)測(cè)，可進(jìn)一步實(shí)現(xiàn)以時(shí)間為紐帶的掘進(jìn)參數(shù)實(shí)時(shí)預(yù)測(cè)和地層預(yù)測(cè)，以更好地達(dá)到智能掘進(jìn)的目的。