朱 誠, 王昭敏, 隆 鋒, 李福東, 豐土根, 張 箭

(1.河海大學巖土力學與堤壩工程教育部重點實驗室,江蘇 南京 210098;2.中交第二公路勘察設(shè)計研究院有限公司,湖北 武漢 430058;3.中交隧道工程局有限公司,北京 100102; 4.中交二公局第四工程有限公司,河南 洛陽 471013)

地鐵盾構(gòu)施工主要在繁華市區(qū),下穿、側(cè)穿地面較多建(構(gòu))筑物及管線,施工條件復雜。目前,盾構(gòu)施工通過地表沉降監(jiān)測來掌握開挖時周邊變形情況,但由于監(jiān)測頻率較低及地表沉降監(jiān)測存在一定滯后性,無法實時獲取地表沉降以評價相應掘進參數(shù)調(diào)整的合理性。因此,對地表沉降實時預測及根據(jù)預測結(jié)果提前調(diào)整施工參數(shù)至關(guān)重要。

盾構(gòu)施工地表沉降預測方法主要包括經(jīng)驗公式[1]、隨機統(tǒng)計模型[2]及數(shù)值模擬方法[3]等。經(jīng)驗公式主要采用peck公式、有限單元法、隨機介質(zhì)理論等。隨機統(tǒng)計模型主要有回歸分析模型、時間序列模型和灰色模型?；貧w分析模型通過擬合數(shù)學表達式進行地表沉降預測;時間序列模型通過歷史數(shù)據(jù)預測未來變化趨勢;灰色模型則以時間序列出發(fā),尋找因素之間的關(guān)系,依次累加實現(xiàn)非線性到線性的轉(zhuǎn)化,從而預測地表沉降。數(shù)值模擬通過分析地層參數(shù)與掘進參數(shù)對地表沉降的影響,進而預測不同地層條件與掘進參數(shù)對應的地表沉降量。上述方法均存在一定的局限性,如:經(jīng)驗公式需要針對不同地區(qū)提出修正公式;數(shù)值模擬計算依賴于地層力學參數(shù)與本構(gòu)關(guān)系的正確選取;時間序列預測模型無法反映地表沉降與地層條件之間關(guān)系,預測精度依賴于歷史數(shù)據(jù)等。

近年來,隨著我國大數(shù)據(jù)和5G技術(shù)的發(fā)展[4-8],結(jié)合人工智能解決城市隧道盾構(gòu)工程問題已成為必然趨勢。隨著人們對神經(jīng)網(wǎng)絡(luò)的應用研究越來越深入,各類人工智能優(yōu)化算法得到突飛猛進的發(fā)展[9],采用機器學習方法對盾構(gòu)地表沉降預測成為主流。林廣東等[10]基于時空特征區(qū)域神經(jīng)網(wǎng)絡(luò)對隧道地表沉降進行預測,預測值與實際值趨勢基本一致;易黃智等[11]基于遺傳算法GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò),構(gòu)建了GA-BP神經(jīng)網(wǎng)絡(luò)進行變形預測,具有較高的預測精度及穩(wěn)定性;劉春梅等[12]采用K均值聚類算法改進RBF神經(jīng)網(wǎng)絡(luò)用于基坑開挖地表沉降預測分析,具有較好的預測精度;喬金麗等[13]采用變步長方法篩選影響地表沉降因素,構(gòu)建BP神經(jīng)網(wǎng)絡(luò)進行預測,預測結(jié)果與實測結(jié)果一致;郭子奇等[14]采用粒子群算法(PSO)優(yōu)化BP神經(jīng)網(wǎng)絡(luò),構(gòu)建基于PSO-BP神經(jīng)網(wǎng)絡(luò)的土體參數(shù)與地表沉降預測模型;陳柚州等[15]基于人工蜂群算法ABC優(yōu)化小波神經(jīng)網(wǎng)絡(luò),并對地鐵隧道沉降進行了預測;宮思藝等[16]通過構(gòu)建BP-SVR模型預測距開挖面不同距離處的地面沉降量,具有較高預測精度;任松等[17]基于遺傳算法GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預測了隧道開挖時的地表沉降。

目前人工神經(jīng)網(wǎng)絡(luò)能夠很好地預測地表沉降,許多學者通過構(gòu)建BP神經(jīng)網(wǎng)絡(luò)對盾構(gòu)地表沉降進行預測,并采用優(yōu)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)以提高預測精度。在此基礎(chǔ)上,實現(xiàn)通過神經(jīng)網(wǎng)絡(luò)預測模型指導現(xiàn)場施工,開展以沉降控制為目標的盾構(gòu)掘進參數(shù)選取指導是研究的最終目的。鑒于此,本文同時考慮地層參數(shù)和盾構(gòu)掘進參數(shù)兩類影響地表變形的因素,構(gòu)建了采用人工蜂群(artificial bee colony,ABC)算法優(yōu)化的地表變形BP神經(jīng)網(wǎng)絡(luò)預測模型(以下簡稱“ABC-BP神經(jīng)網(wǎng)絡(luò)模型”),并結(jié)合現(xiàn)場連續(xù)3個斷面地表變形數(shù)據(jù),研究盾構(gòu)掘進地表變形全過程演變規(guī)律,提出了適用于指導施工的神經(jīng)網(wǎng)絡(luò)應用思路,以期實現(xiàn)施工前的超前預測,為該類工程的安全保障提供參考。

1 ABC-BP神經(jīng)網(wǎng)絡(luò)模型

1.1 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)具備良好的非線性映射能力、自學習適應能力和并行信息處理能力,主要由輸入層、隱含層、輸出層組成。輸入層輸入信號通過連接權(quán)傳遞至隱含層再傳遞至輸出層,實現(xiàn)輸入信號的輸出。如果輸出值與希望輸出值間的誤差超出期望范圍,則通過反向傳播算法更新修正連接權(quán),再正向傳播輸出。正向傳播與反向傳播反復進行,直至輸出希望值,完成網(wǎng)絡(luò)訓練學習,即可用于預測分析。

BP神經(jīng)網(wǎng)絡(luò)反向傳播采用梯度下降法,使誤差函數(shù)達到最小值。BP算法易陷入局部最小值,使其訓練精度不高,因此采用ABC算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),建立ABC-BP神經(jīng)網(wǎng)絡(luò)模型預測盾構(gòu)地表沉降。

1.2 ABC算法

ABC算法[18]是一種模擬蜜蜂高效采集優(yōu)質(zhì)蜜源而形成的全局尋優(yōu)求解的搜索算法,主要由引領(lǐng)蜂、跟隨蜂、偵查蜂組成。尋優(yōu)過程可分為3個階段,引領(lǐng)蜂階段、跟隨蜂階段、偵查蜂階段。在三階段開始前進行參數(shù)調(diào)整,主要包括種群數(shù)N、最大迭代次數(shù)M、局部最優(yōu)解評判參數(shù)L1、搜索空間上限參數(shù)xj和下限參數(shù)nj、求解維度D等。一般定義種群數(shù)中的引領(lǐng)蜂數(shù)量和跟隨蜂數(shù)量各占蜂群的一半且等于蜜源的數(shù)量,即一個引領(lǐng)蜂搜索采集一個蜜源。

1.2.1 引領(lǐng)蜂階段

dij=nj+rand(0,1)(xj-nj)

(1)

(2)

(3)

式中fi為目標函數(shù)數(shù)值。

1.2.2 跟隨蜂階段

采用輪盤賭方式隨機選取一個蜜源dij,然后用貪婪方式進行蜜源位置更新,若蜜源dij更新時采用式(4)進行,周圍沒有更優(yōu)解,則記錄蜜源停滯次數(shù)。

eij=dij+φ(dij-dkj) (k=1,2,…,N;k≠i)

(4)

式中:φ為取值在[-1,1]的隨機數(shù);dkj為鄰域蜜源。

1.2.3 偵查蜂階段

遍歷種群看是否有蜜源dij停滯沒有更新,即記錄試驗次數(shù)(T)大于等于L1,則該蜜源dij將被舍棄,此時偵查蜂采用式(5)隨機產(chǎn)生一個新的蜜源dij,t+1位置替代,然后再重復引領(lǐng)蜂階段,直到找到最優(yōu)解。

(5)

引領(lǐng)蜂階段、跟隨蜂階段、偵查蜂階段3個階段環(huán)環(huán)相扣,引領(lǐng)蜂用于維持優(yōu)良解,跟隨蜂用于提高收斂速度,偵查蜂用于增強擺脫局部最優(yōu)的能力。算法計算過程中,需要記錄最大迭代次數(shù)M,以及達到的允許誤差。

2 工程實例驗證

2.1 工程概況

南京地鐵6號線十月廣場站至金陵石化站,全長4007.821m,全線采用地下敷設(shè)方式。地鐵隧道施工下穿地層主要包括中風化泥質(zhì)砂巖、強風化安山巖、中風化安山巖和粉質(zhì)黏土等,其中復合地層區(qū)段主要由中風化泥質(zhì)砂巖與強風泥質(zhì)砂巖復合,強風泥質(zhì)砂巖與粉質(zhì)黏土復合。根據(jù)縱斷面勘察可知,盾構(gòu)隧道施工主要可分為3種地層:中風化泥質(zhì)砂巖,“上軟下硬”地層,粉質(zhì)黏土地層(圖1)。

圖1 工程縱斷面

盾構(gòu)施工采用鐵建重工生產(chǎn)的土壓平衡盾構(gòu)機,盾構(gòu)管片外徑為6200mm,內(nèi)徑為5500mm,厚為350mm,環(huán)寬度為1200mm。盾構(gòu)機主驅(qū)動為液壓驅(qū)動方式,刀盤開口率為38%,轉(zhuǎn)速可調(diào)范圍0～3.44r/min ,標準扭矩6841kN·m,脫困扭矩8684kN·m,最大推力42575kN。

2.2 監(jiān)測方案

由南京地鐵6號線盾構(gòu)區(qū)間工程實測資料及監(jiān)測方案可知,盾構(gòu)始發(fā)與接收端50環(huán)內(nèi)地表沉降監(jiān)測斷面布設(shè)間距為5m,50～100環(huán)內(nèi)地表沉降監(jiān)測斷面間距為20m,100環(huán)外布設(shè)間距為40m(圖2)。當盾構(gòu)機掘進至開挖面距離監(jiān)測點50環(huán)時,斷面監(jiān)測開始記錄;盾構(gòu)機掘進至過監(jiān)測點60環(huán)停止記錄。即斷面監(jiān)測點從盾構(gòu)開挖面前方50環(huán)內(nèi)開始監(jiān)測至盾構(gòu)穿過斷面,斷面至盾構(gòu)開挖面后方60環(huán)內(nèi)監(jiān)測完成,為斷面監(jiān)測全周期。

圖2 盾構(gòu)斷面布置

為保證監(jiān)測斷面地表沉降點監(jiān)測的連續(xù)性,基于現(xiàn)場施工監(jiān)測方案,選取圖2監(jiān)測斷面15～18區(qū)間的沉降點DB78-08、DB79-08、DB80-08、DB81-08、DB82-08的監(jiān)測數(shù)據(jù)進行整理,完整選取以上斷面全周期地表沉降監(jiān)測日報數(shù)據(jù),用于神經(jīng)網(wǎng)絡(luò)訓練學習預測分析。其中,斷面78沉降點DB78-08共有33組數(shù)據(jù),斷面79沉降點DB79-08共有30組,斷面80沉降點DB80-08共有26組,斷面81沉降點DB81-08共有28組,斷面82沉降點DB82-08共有25組,斷面地表沉降點為累計沉降值。

2.3 ABC-BP神經(jīng)網(wǎng)絡(luò)參數(shù)確定

a.輸入?yún)?shù)與輸出參數(shù)。地表沉降影響因素主要考慮地層參數(shù)與盾構(gòu)掘進參數(shù)。地層參數(shù)包括土層壓縮模量、黏聚力、內(nèi)摩擦角、土層厚度、天然容重等5個參數(shù)。掘進參數(shù)主要考慮刀盤扭矩、總推力、土倉壓力、同步注漿量等4個參數(shù)。在掘進過程中,監(jiān)測斷面與盾構(gòu)開挖面的距離L不斷變化,因此L也是地表沉降影響因素之一。因此,輸入?yún)?shù)共有10個參數(shù),輸出參數(shù)為地表沉降。

b.隱含層節(jié)點數(shù)。隱含層節(jié)點數(shù)會直接影響神經(jīng)網(wǎng)絡(luò)的預測精度,根據(jù)研究[19],一層隱含層足以表達網(wǎng)絡(luò)精度,單層隱含層節(jié)點數(shù)根據(jù)經(jīng)驗公式確定。

c.人工蜂群算法參數(shù)。ABC算法最優(yōu)參數(shù):蜂群大小為200,引領(lǐng)蜂和跟隨蜂數(shù)量各為100,最大迭代次數(shù)為300,求解維度D=253,搜索空間范圍nj=-10、xj=10,單個蜜源最大開采次數(shù)為5。BP神經(jīng)網(wǎng)絡(luò)最優(yōu)參數(shù):最大迭代次數(shù)為700,學習率為0.01,迭代精度為10-3。

對未掘進段斷面地表沉降進行預測后,需與現(xiàn)場實測數(shù)據(jù)進行對比分析,并采用相關(guān)系數(shù)R和均方根誤差RMSE評價模型的泛化能力。

2.4 地表沉降預測

選取沉降點DB78-08、DB79-08、DB80-08、DB81-08、DB82-08的監(jiān)測數(shù)據(jù)進行模型驗證。通過對多斷面的地表沉降進行分析發(fā)現(xiàn),受掘進參數(shù)和地層條件影響,相鄰斷面地表沉降趨勢基本一致,因此用與預測斷面前相鄰兩斷面作為訓練集,預測結(jié)果更具有代表性,即預測斷面80時,用斷面78和79的數(shù)據(jù)進行訓練學習。按照同樣方法,對斷面81和斷面82進行預測,驗證對比ABC-BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)預測精度。

由于斷面78、79、80的監(jiān)測數(shù)據(jù)有部分為同一時間監(jiān)測,若將數(shù)據(jù)按監(jiān)測時間排列,會使數(shù)據(jù)點的位置重復,造成數(shù)據(jù)雜亂,不能直觀地發(fā)現(xiàn)數(shù)據(jù)規(guī)律。借鑒鐘國強等[20]數(shù)據(jù)處理的方法:首先對斷面78監(jiān)測全過程按時間順序進行排序,再將斷面79監(jiān)測全過程按時間進行排序,選取樣本為斷面監(jiān)測周期中測點開挖面位于測點前至盾構(gòu)掘進到開挖面位于測點后這一過程中,開挖面地層參數(shù)、該環(huán)掘進參數(shù)與測點處累計沉降所構(gòu)成的數(shù)據(jù)集?？v坐標為累計地表沉降累計值,橫坐標為樣本序號。

2.4.1 斷面80地表沉降預測

斷面80施工前,用沉降點DB78-08、DB79-08的地表沉降監(jiān)測數(shù)據(jù)訓練ABC-BP神經(jīng)網(wǎng)絡(luò)模型,然后預測盾構(gòu)掘進時DB80-08的地表沉降。盾構(gòu)時,產(chǎn)生新的數(shù)據(jù),導入模型進行補充完善,再進行訓練預測,并根據(jù)ABC-BP神經(jīng)網(wǎng)絡(luò)模型預測值及時調(diào)整現(xiàn)場施工參數(shù),優(yōu)化施工方案,進行信息化施工,有效指導施工。

由圖3(圖3～9中橫軸為該監(jiān)測斷面開始監(jiān)測至結(jié)束所記錄的樣本序號)可知,ABC-BP神經(jīng)網(wǎng)絡(luò)模型擬合效果更佳,BP神經(jīng)網(wǎng)絡(luò)模型會產(chǎn)生跳躍點,表明BP神經(jīng)網(wǎng)絡(luò)訓練擬合具有不穩(wěn)定性。ABC-BP神經(jīng)網(wǎng)絡(luò)模型訓練結(jié)果:R=0.996,RMSE=4.052mm;BP網(wǎng)絡(luò)模型訓練結(jié)果:R=0.956,RMSE=7.834mm。整體而言,在訓練集上,ABC-BP神經(jīng)網(wǎng)絡(luò)模型對斷面78、79擬合效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。

圖3 DB78-08、DB79-08地表沉降訓練結(jié)果

由圖4可知,斷面80地表沉降預測值大部分與實測值接近,最大誤差不超過1mm。ABC-BP神經(jīng)網(wǎng)絡(luò)模型的預測結(jié)果RMSE=2.1738mm,R=0.988,BP神經(jīng)網(wǎng)絡(luò)模型的預測結(jié)果RMSE=3.0364mm,R=0.972,ABC-BP神經(jīng)網(wǎng)絡(luò)的預測效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò),也證明了ABC算法提高了神經(jīng)網(wǎng)絡(luò)預測精度。

圖4 DB80-08地表沉降預測結(jié)果

2.4.2 斷面81地表沉降預測

收集斷面79、80地表沉降監(jiān)測數(shù)據(jù),重新對ABC-BP神經(jīng)網(wǎng)絡(luò)進行訓練學習,同時,盾構(gòu)產(chǎn)生的新數(shù)據(jù),不斷導入模型訓練,及時更新ABC-BP神經(jīng)網(wǎng)絡(luò),可有效保證模型預測精度。由圖5可知,ABC-BP神經(jīng)網(wǎng)絡(luò)模型訓練結(jié)果為R=0.992,RMSE=5.231mm,BP神經(jīng)網(wǎng)絡(luò)模型訓練結(jié)果為R=0.979,RMSE=6.654mm,在訓練集上,ABC-BP神經(jīng)網(wǎng)絡(luò)的擬合效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

圖5 DB79-08、DB80-08地表沉降訓練結(jié)果

由圖6可知,斷面81地表沉降預測趨勢與現(xiàn)場實測趨勢基本一致,反映了神經(jīng)網(wǎng)絡(luò)具有很好的跟蹤精度,較為完整地還原了現(xiàn)場實測數(shù)據(jù)的變化規(guī)律,預測值與真實值最大誤差不超過1.5mm。ABC-BP神經(jīng)網(wǎng)絡(luò)模型的預測結(jié)果R=0.988,RMSE=4.635mm,BP神經(jīng)網(wǎng)絡(luò)模型的預測結(jié)果R=0.975,RMSE=5.962mm,ABC-BP預測效果也優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

圖6 DB81-08地表沉降預測結(jié)果

2.4.3 斷面82地表沉降預測

收集斷面80、81地表沉降監(jiān)測數(shù)據(jù),重新訓練ABC-BP神經(jīng)網(wǎng)絡(luò)模型,預測斷面82地表沉降。由圖7可知,ABC-BP模型訓練結(jié)果R=0.994,RMSE=5.034mm,BP模型訓練結(jié)果R=0.945mm,RMSE=8.752mm,在訓練集上,ABC-BP神經(jīng)網(wǎng)絡(luò)模型的擬合效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。

圖7 DB80-08、DB81-08地表沉降訓練結(jié)果

由圖8可知,ABC-BP神經(jīng)網(wǎng)絡(luò)模型能夠很好地擬合斷面82地表沉降預測值,與實測值最大誤差不超過1.5mm。同時,ABC-BP神經(jīng)網(wǎng)絡(luò)模型的預測結(jié)果為R=0.976,RMSE=4.636mm,而BP神經(jīng)網(wǎng)絡(luò)模型的預測結(jié)果為R=0.942,RMSE=7.062mm,因此,ABC-BP神經(jīng)網(wǎng)絡(luò)模型的預測效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。

圖8 DB82-08地表沉降預測結(jié)果

綜上,ABC-BP神經(jīng)網(wǎng)絡(luò)模型的預測效果明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。單個斷面進行預測時,ABC-BP神經(jīng)網(wǎng)絡(luò)模型與BP神經(jīng)網(wǎng)絡(luò)模型相比優(yōu)勢不明顯;但對于連續(xù)斷面進行預測時,斷面82的BP神經(jīng)網(wǎng)絡(luò)模型預測開始偏離現(xiàn)場實測值,預測趨勢與實測值偏離較大,存在不穩(wěn)定性,可能會對現(xiàn)場施工帶來安全隱患。ABC-BP神經(jīng)網(wǎng)絡(luò)模型對連續(xù)斷面的預測穩(wěn)定性提高,預測精度提高,預測收斂速度提高,其預測性能遠遠高于BP模型。

3 L對地表沉降S的影響

地表沉降是動態(tài)過程[21],是測點前后一定范圍內(nèi)掘進參數(shù)與地層參數(shù)相互作用的結(jié)果,采用盾構(gòu)開挖面到監(jiān)測斷面的距離L描述盾構(gòu)動態(tài)施工對測點地表沉降影響,不同的L對地表沉降S產(chǎn)生不同影響,以下分析L與S的關(guān)聯(lián)性。斷面78～82的L與S關(guān)系如圖9所示。

圖9 斷面78～82的L與S關(guān)系

由圖9(a)可知,地表變形(累計值)先隆起后沉降,斷面78地表沉降隆起峰值在L=0m處,符合現(xiàn)場施工規(guī)律,斷面78前3環(huán)表現(xiàn)形式為沉降,第4環(huán)表現(xiàn)為隆起,表明盾構(gòu)前4環(huán)掘進參數(shù)匹配不合理,造成地表變形先沉降后隆起變化。同理,第19環(huán)產(chǎn)生隆起,表明施工中存在掘進參數(shù)匹配相對不合理情況,導致地表沉降發(fā)生突變,對施工周邊建筑造成安全隱患。

由圖9(b)可知,斷面79地表沉降隆起峰值在L=0m處,符合現(xiàn)場施工規(guī)律,斷面79地表沉降存在較多跳躍點,沉降后隆起,表明該斷面掘進參數(shù)匹配相對不合理,可綜合分析不同掘進參數(shù)對地表沉降影響,制定相應的優(yōu)化方案。

由圖9(c)(d)(e)可知,斷面80、81、82地表沉降趨勢基本一致,先隆起后沉降,但地表隆起峰值相對L=0m處左移,提前達到隆起峰值。進一步說明斷面80、81、82掘進參數(shù)匹配相對不合理,其中斷面82后期又產(chǎn)生隆起,并不符合現(xiàn)場規(guī)律,各斷面匹配的掘進參數(shù)并不是最優(yōu),要使地表沉降達到最小,需進行掘進參數(shù)優(yōu)化。

斷面78～82與盾構(gòu)地表沉降關(guān)聯(lián)性分析可知,地表變形(累計值)先隆起后沉降,L近似直線分布,可以認為盾構(gòu)開挖過程近似勻速前進,有利于減小地表沉降。分析L可作為直觀判斷掘進參數(shù)是否最優(yōu)的輔助手段,也進一步說明合理匹配掘進參數(shù)對地表沉降控制而言至關(guān)重要。

4 討 論

第2.4節(jié)證明了ABC-BP神經(jīng)網(wǎng)絡(luò)模型預測精度優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型,同時可通過地層參數(shù)和掘進參數(shù)預測相應的地表沉降。

如何采用ABC-BP神經(jīng)網(wǎng)絡(luò)預測地表沉降并指導現(xiàn)場施工,是需要解決的問題。要實現(xiàn)現(xiàn)場施工應用,需再構(gòu)建盾構(gòu)掘進參數(shù)預測模型(簡稱“模型A”),即構(gòu)建地層參數(shù)與掘進參數(shù)非線性關(guān)系,通過地層條件預測相應的掘進參數(shù)。而評價掘進參數(shù)預測是否合理,需要以地表沉降為評價指標,需通過ABC-BP神經(jīng)網(wǎng)絡(luò)地表沉降預測模型(簡稱“模型B”)實現(xiàn),以模型A掘進參數(shù)預測值作為模型B的輸入端,預測該掘進參數(shù)條件下對應的地表沉降變化值,進而實現(xiàn)掘進參數(shù)優(yōu)化。

對于盾構(gòu)后續(xù)段施工,需提前預測合理的掘進參數(shù)以及地表沉降,開展相關(guān)掘進參數(shù)優(yōu)化方案研究。通過以上應用流程可得到不同的掘進參數(shù)下地表沉降取值范圍,使之既可以判斷該掘進參數(shù)施工下的地表沉降發(fā)生范圍,還可根據(jù)地表沉降量進行盾構(gòu)掘進參數(shù)優(yōu)化,實現(xiàn)掘進參數(shù)與地表沉降關(guān)聯(lián)性?；贏BC-BP神經(jīng)網(wǎng)絡(luò)模型現(xiàn)場施工應用流程如圖10所示。

圖10 ABC-BP神經(jīng)網(wǎng)絡(luò)現(xiàn)場施工應用流程

針對現(xiàn)場施工應用存在問題的解決方法:①對于無過往數(shù)據(jù)進行訓練導致數(shù)據(jù)集匱乏的問題。ABC-BP神經(jīng)網(wǎng)絡(luò)模型現(xiàn)場前期應用可基于大數(shù)據(jù)平臺類似數(shù)據(jù)分享,建立可具一定參考性的預測數(shù)據(jù),同時數(shù)值模擬也可在項目前期進行預測,預測結(jié)果作為神經(jīng)網(wǎng)絡(luò)的訓練集,對比分析預測結(jié)果,實現(xiàn)動態(tài)預測,以解決盾構(gòu)施工前期訓練數(shù)據(jù)不足問題。②模型A需要土層參數(shù)作為輸入,在面對復合地層時,存在如何表征復合地層下土層參數(shù)的問題?；谏窠?jīng)網(wǎng)絡(luò)現(xiàn)場應用思路中提出的模型A輸入?yún)?shù)定義復合比概念,即盾構(gòu)開挖面上下地層面積之比,地層輸入?yún)?shù)根據(jù)復合比采用加權(quán)后彈性模量、內(nèi)摩擦角、黏聚力等定義復合地層,使模型A具備復合地層條件預測功能?；诖?可加入更多參數(shù)定義完善神經(jīng)網(wǎng)絡(luò)預測模型在不同情景下預測準確性。

5 結(jié) 論

a.利用人工蜂群算法ABC優(yōu)化BP神經(jīng)網(wǎng)絡(luò),有效解決了BP神經(jīng)網(wǎng)絡(luò)訓練過程中容易陷入局部最小值問題,同時,對連續(xù)3個斷面地表沉降預測可知,ABC-BP神經(jīng)網(wǎng)絡(luò)模型穩(wěn)定性有顯著提高,預測效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型,在一定程度上克服了BP隨機初始化訓練的缺點。

b.盾構(gòu)開挖面到監(jiān)測斷面的距離L可以很好地反映盾構(gòu)施工地表沉降動態(tài)變化過程,斷面地表沉降變化趨勢基本一致,先隆起后沉降,隆起峰值在L=0m處,可根據(jù)不同L處的地表沉降值直觀判斷掘進參數(shù)是否最優(yōu)。

c.ABC-BP神經(jīng)網(wǎng)絡(luò)模型預測盾構(gòu)地表沉降具備現(xiàn)場應用推廣能力,符合現(xiàn)場施工要求,基于此,提出了適應于指導施工的神經(jīng)網(wǎng)絡(luò)預測模型應用流程,可用于地鐵盾構(gòu)地表沉降預測。