吳 堅(jiān),曾志全,張亞鵬,劉 龍,楊長(zhǎng)松,曾少翔

(1.中國(guó)電建集團(tuán)華東勘測(cè)設(shè)計(jì)研究院有限公司,浙江 杭州 310014;2.浙江工業(yè)大學(xué) 土木工程學(xué)院,浙江 杭州 310023)

隨著城市的發(fā)展,隧道建設(shè)工程增多,盾構(gòu)法因不影響地面交通、機(jī)械化程度高等優(yōu)點(diǎn)而得到廣泛運(yùn)用。盾構(gòu)姿態(tài)是盾構(gòu)施工過(guò)程中需要嚴(yán)格控制的參數(shù)。盾構(gòu)姿態(tài)控制不良將導(dǎo)致過(guò)大的地表沉陷、管片開裂、鋪設(shè)軌道和隧道貫通困難等問(wèn)題。目前盾構(gòu)姿態(tài)的預(yù)測(cè)和控制缺乏系統(tǒng)完善的理論支持,主要依賴于經(jīng)驗(yàn)關(guān)系,尤其對(duì)于復(fù)雜地質(zhì)條件下的盾構(gòu)姿態(tài)預(yù)測(cè)是比較困難的[1]。復(fù)雜的地質(zhì)施工條件會(huì)引起土體應(yīng)力狀態(tài)變化,從而導(dǎo)致盾構(gòu)偏離設(shè)計(jì)軸線,因此復(fù)雜地質(zhì)條件下盾構(gòu)姿態(tài)的預(yù)測(cè)成為盾構(gòu)掘進(jìn)控制的核心問(wèn)題。為了解決盾構(gòu)姿態(tài)精準(zhǔn)預(yù)測(cè)問(wèn)題,國(guó)內(nèi)外部分學(xué)者從理論公式、運(yùn)動(dòng)學(xué)原理方向?qū)Χ軜?gòu)姿態(tài)預(yù)測(cè)進(jìn)行探究。沈翔等[2]建立用于預(yù)測(cè)盾構(gòu)機(jī)掘進(jìn)過(guò)程中俯仰角的理論公式。Sramoon等[3]為了模擬開挖過(guò)程中的盾構(gòu)姿態(tài)的變化,建立了盾構(gòu)姿態(tài)動(dòng)力學(xué)模型。然而,上述方法由于不同環(huán)境工況的限制,需要做出大量的假設(shè),無(wú)法對(duì)未來(lái)發(fā)生的工程風(fēng)險(xiǎn)進(jìn)行防控。近年來(lái),隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展,機(jī)器學(xué)習(xí)、深度學(xué)習(xí)在各個(gè)領(lǐng)域得到廣泛應(yīng)用,許多學(xué)者開始將機(jī)器學(xué)習(xí)算法應(yīng)用于盾構(gòu)姿態(tài)的預(yù)測(cè)。張愛(ài)軍[4]基于BP神經(jīng)網(wǎng)絡(luò)模型,對(duì)上軟下硬復(fù)雜地層下的盾構(gòu)姿態(tài)進(jìn)行預(yù)測(cè)。Wang等[5]基于XGBoost預(yù)測(cè)模型,實(shí)現(xiàn)硬巖地層條件下軸姿態(tài)預(yù)測(cè)。吳惠明等[6]基于支持向量機(jī)算法,提出了一種預(yù)測(cè)盾構(gòu)姿態(tài)偏移與優(yōu)化施工參數(shù)的方法。李增良[7]提出了基于LSTM-SVM的深度組合預(yù)測(cè)模型,證明了其對(duì)盾構(gòu)俯仰角的預(yù)測(cè)優(yōu)于傳統(tǒng)方法。以上研究大多側(cè)重于對(duì)盾構(gòu)豎直方向進(jìn)行預(yù)測(cè),對(duì)水平方向的偏移量研究較少。此外,盾構(gòu)總推進(jìn)力是決定盾構(gòu)機(jī)工作效率的一個(gè)重要參數(shù),對(duì)于盾構(gòu)機(jī)的運(yùn)行成本和安全性有重大意義。盾構(gòu)姿態(tài)偏差過(guò)大,將導(dǎo)致總推進(jìn)力變大,需要調(diào)節(jié)總推進(jìn)力和各類參數(shù)來(lái)達(dá)到減小姿態(tài)偏差的目的。Gao等[8]利用LSTM預(yù)測(cè)盾構(gòu)機(jī)穩(wěn)定運(yùn)行階段的刀盤扭矩和總推力。Chen等[9]開發(fā)了一個(gè)基于粒子群優(yōu)化(PSO)和門控遞歸單元(GRU)神經(jīng)網(wǎng)絡(luò)的混合模型來(lái)預(yù)測(cè)和分析盾構(gòu)刀盤扭矩。一些學(xué)者在智能算法方面研究了重要的施工參數(shù)。然而,這些研究很少考慮同時(shí)預(yù)測(cè)盾構(gòu)機(jī)姿態(tài)和施工參數(shù)。鑒于此,提出了基于兩種循環(huán)神經(jīng)網(wǎng)絡(luò)(LSTM和GRU)同時(shí)預(yù)測(cè)盾構(gòu)水平姿態(tài)和總推進(jìn)力的方法,具體研究?jī)?nèi)容包括數(shù)據(jù)清洗與降噪、地層參數(shù)重構(gòu)、超參數(shù)優(yōu)化以及兩種預(yù)測(cè)模型的對(duì)比。

1 機(jī)器學(xué)習(xí)模型

1.1 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)

長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)可以解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)因信息傳播距離過(guò)遠(yuǎn)而導(dǎo)致的梯度爆炸或消失問(wèn)題。LSTM通過(guò)“門”來(lái)控制取舍信息,以實(shí)現(xiàn)遺忘或記憶的功能。一個(gè)LSTM單元有3個(gè)門,分別為遺忘門、輸入門和輸出門[10]。

圖1 長(zhǎng)短期記憶網(wǎng)絡(luò)示意圖Fig.1 Structure of long short-term memory network

遺忘門:因?yàn)檫z忘門會(huì)為每一項(xiàng)產(chǎn)生一個(gè)0～1的值(0代表遺忘,1代表記憶),所以其可以決定上一狀態(tài)的遺忘程度。計(jì)算式為

ft=σ(wf·[ht-1,xt]+bf)

(1)

式中:t為時(shí)間;σ為sigmoid函數(shù);wf,bf分別為遺忘門中的權(quán)重和偏置。

it=σ(wi·[ht-1,xt]+bi)

(2)

(3)

式中:wi,bi分別為輸入門中的權(quán)重和偏置;wc,bc分別為記憶細(xì)胞中的權(quán)重和偏置。

輸出門:輸出門同樣會(huì)為每一項(xiàng)產(chǎn)生一個(gè)0～1的值,用于過(guò)濾信息。計(jì)算式為

ot=σ(wo·[ht-1,xt]+bo)

(4)

ht=ot·tanh(Ht)

(5)

式中wo,bo分別為輸出門中的權(quán)重和偏置。

綜上,LSTM的3個(gè)門是通過(guò)3個(gè)0～1的數(shù)值來(lái)有選擇地過(guò)濾保留舊的信息、新加入的信息和當(dāng)前單元狀態(tài)的全部信息的操作。

1.2 門控循環(huán)單元

門控循環(huán)單元(GRU)是LSTM模型的一種變體,它將遺忘門和輸入門合并成更新門,同時(shí)將記憶單元與隱藏層合并成了重置門,不僅讓整個(gè)結(jié)構(gòu)運(yùn)算變得更加簡(jiǎn)化,而且降低了過(guò)擬合的風(fēng)險(xiǎn)[11]。

圖2 門控循環(huán)單元示意圖Fig.2 Structure of gated recurrent unit networks

更新門:主要決定保留多少信息。計(jì)算式為

zt=σ(W(z)xt+U(z)ht-1)

(6)

式中:W為與輸入數(shù)據(jù)相乘的權(quán)重矩陣;U為與隱藏狀態(tài)相乘的權(quán)重矩陣。

重置門:主要決定需要被遺忘信息的數(shù)量。計(jì)算式為

rt=σ(W(r)xt+U(r)ht-1)

(7)

當(dāng)前記憶內(nèi)容:新的記憶內(nèi)容使用重置門,用于存儲(chǔ)相關(guān)的信息。計(jì)算式為

h′t=tanh(Wxt+rt·Uht-1)

(8)

當(dāng)前時(shí)間步的最終記憶:zt與ht-1對(duì)應(yīng)元素的乘積(表示前一時(shí)間步保留到最終記憶的信息)加上最終記憶信息。計(jì)算式為

ht=zt·ht-1+(1-zt)·h′t

(9)

2 數(shù)據(jù)庫(kù)建立

2.1 工程實(shí)例

本工程西起之浦路以西,東至復(fù)興路,全長(zhǎng)約6.3 km。西段項(xiàng)目部施工范圍為K0K2+805,西起梅靈南路,東至3#工作井(浙江大學(xué)之江校區(qū)足球場(chǎng))。其中盾構(gòu)隧道長(zhǎng)度約2.65 km,隧道開挖直徑15.03 m,管片外徑為14.5 m,管片內(nèi)徑為13.3 m,管片厚度0.6 m。隧道最大縱坡1.75%,最小轉(zhuǎn)彎半徑750 m,最小覆土8.40 m,最大覆土21.88 m,隧道雙線全長(zhǎng)2 652 m。

盾構(gòu)段分南北線,南線盾構(gòu)自2#工作井始發(fā),至3#工作井接收,起始里程為K1+544,終點(diǎn)里程為K2+776,單線隧道長(zhǎng)1 232 m,共617環(huán)。北線隧道自1#工作井始發(fā),至3#工作井接收,起始里程為K1+358,終點(diǎn)里程為K2+776,單線隧道長(zhǎng)1 418 m,共709環(huán)。

2.2 數(shù)據(jù)選取

對(duì)盾構(gòu)姿態(tài)及盾構(gòu)總推進(jìn)力的預(yù)測(cè)屬于有監(jiān)督學(xué)習(xí)[12],有監(jiān)督學(xué)習(xí)的每個(gè)樣本包含輸入?yún)?shù)和輸出參數(shù)(標(biāo)簽)[13]。輸入?yún)?shù)包括施工參數(shù)和地層參數(shù),輸出參數(shù)包括盾構(gòu)水平姿態(tài)和盾構(gòu)總推進(jìn)力。此外,盾構(gòu)施工是一個(gè)連續(xù)的過(guò)程,此刻的盾構(gòu)姿態(tài)和總推進(jìn)力也會(huì)受到上一時(shí)刻的影響,因此將上一時(shí)刻的水平姿態(tài)和總推進(jìn)力作為下一時(shí)刻的輸入?yún)?shù)。數(shù)據(jù)來(lái)源于杭州市某道路提升工程,選取盾構(gòu)掘進(jìn)西段南線第3環(huán)到453環(huán)作為預(yù)測(cè)模型數(shù)據(jù)。選取盾構(gòu)隧道的刀盤水平偏移、盾尾水平偏移以及盾構(gòu)總推進(jìn)力作為輸出參數(shù)(表1),掘進(jìn)速度、扭矩以及總推進(jìn)力等20個(gè)參數(shù)作為施工輸入?yún)?shù)(表2),同時(shí)根據(jù)地質(zhì)勘探報(bào)告選取地層輸入?yún)?shù)。

表1 輸出參數(shù)

表2 輸入?yún)?shù)

3 數(shù)據(jù)重構(gòu)與預(yù)處理

3.1 地層參數(shù)重構(gòu)

在選取的數(shù)據(jù)中盾構(gòu)機(jī)穿越了不同的地層,如圖3所示。

圖3 研究項(xiàng)目的典型地質(zhì)剖面圖Fig.3 Typical geological profifiles of the studied project

(10)

式中:aω為相應(yīng)地質(zhì)參數(shù)測(cè)量值的加權(quán)平均值;k為隧道開挖斷面內(nèi)地層層數(shù);?為集合中的一個(gè)元素;ti為相應(yīng)巖層的厚度。根據(jù)從地質(zhì)調(diào)查報(bào)告中收集到的數(shù)據(jù),有5個(gè)主要的地層參數(shù):單位重度γ、黏聚力c、壓縮模量ES1-2、天然含水量w和內(nèi)摩擦角φ。地層參數(shù)示意圖如圖4所示。

圖4 地層參數(shù)示意圖Fig.4 Soil profile of a tunnel section

3.2 數(shù)據(jù)預(yù)處理

不同地層的物理力學(xué)性質(zhì)會(huì)對(duì)盾構(gòu)總推進(jìn)力和盾構(gòu)姿態(tài)的預(yù)測(cè)準(zhǔn)確性造成很大的影響,同時(shí)數(shù)據(jù)統(tǒng)計(jì)過(guò)程中有人為記錄數(shù)據(jù),不可避免地存在誤差。利用箱型分析法處理盾構(gòu)水平姿態(tài)和盾構(gòu)總推進(jìn)力數(shù)據(jù),將離散的異常值進(jìn)行剔除(圖5)。箱型圖的中心實(shí)線代表中位數(shù),箱體底部和頂部分別對(duì)應(yīng)下四分位(實(shí)測(cè)數(shù)據(jù)中有四分之一的數(shù)據(jù)比它小)和上四分位(實(shí)測(cè)數(shù)據(jù)中有四分之一的數(shù)據(jù)比它大),上下界分別表示極大極小值。箱型分析結(jié)果顯示盾構(gòu)刀盤水平偏移量、盾尾水平偏移量、盾構(gòu)總推進(jìn)力的異常點(diǎn)數(shù)量分別為40,26,12,與數(shù)據(jù)總數(shù)相比,異常數(shù)據(jù)占比較大,因此不應(yīng)直接將異常值剔除。這種情況下可以考慮利用隨機(jī)森林填補(bǔ)法[17]對(duì)數(shù)據(jù)進(jìn)行補(bǔ)全,然而此類方法適用于數(shù)據(jù)量較大的情況,筆者研究的數(shù)據(jù)量較小不宜采用該方法。經(jīng)過(guò)對(duì)比各種處理方法的優(yōu)劣,根據(jù)異常值鄰近數(shù)據(jù)的線性關(guān)系對(duì)其進(jìn)行補(bǔ)全[7]。

圖5 基于箱型分析法的輸出參數(shù)處理Fig.5 Output parameter processing based on the box analysis method

在箱型分析處理異常點(diǎn)后,因?yàn)楣P者選取每環(huán)數(shù)據(jù)作為代表值,時(shí)間間隔長(zhǎng),數(shù)據(jù)波動(dòng)大,所以采用多貝西小波對(duì)數(shù)據(jù)進(jìn)行重構(gòu)降噪[18],以達(dá)到提高準(zhǔn)確率的目的。具體步驟:首先用小波變換對(duì)箱型分析處理過(guò)的數(shù)據(jù)進(jìn)行多頻帶分解;然后對(duì)各頻帶系數(shù)進(jìn)行去噪處理;最后利用小波變換重構(gòu)信號(hào)得到純凈信號(hào)。預(yù)處理流程圖如圖6所示。降噪后的數(shù)據(jù)如圖7所示。

圖6 數(shù)據(jù)預(yù)處理流程圖Fig.6 Flow chart of data preprocessing

圖7 降噪重構(gòu)后的輸出參數(shù)Fig.7 Output parameters after noise reduction and reconstruction

因?yàn)槎軜?gòu)總推進(jìn)力的數(shù)量級(jí)比盾構(gòu)水平姿態(tài)偏移大100倍,計(jì)算盾構(gòu)總推進(jìn)力的變化時(shí)會(huì)掩蓋掉盾構(gòu)水平姿態(tài)偏移的變化,所以對(duì)數(shù)據(jù)進(jìn)行歸一化以提高模型預(yù)測(cè)的準(zhǔn)確度[13],計(jì)算式為

(11)

4 模型建立與結(jié)果分析

4.1 模型建立

模型選取西段南線第3環(huán)到第363環(huán)用于訓(xùn)練,第363到第453環(huán)用于測(cè)試,即訓(xùn)練集和測(cè)試集的占比分別為80%和20%。樣本參數(shù)為30種,且進(jìn)行多次驗(yàn)證復(fù)核,當(dāng)設(shè)置神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)算法Dropout為0.1時(shí),可以有效防止過(guò)擬合;當(dāng)時(shí)間步為3、學(xué)習(xí)率為0.001時(shí),預(yù)測(cè)結(jié)果最佳。

4.2 模型評(píng)價(jià)指標(biāo)

盾構(gòu)機(jī)掘進(jìn)過(guò)程中會(huì)遇到各種問(wèn)題,如復(fù)雜的地質(zhì)地形、地面隆起或沉降變形。當(dāng)前工程允許對(duì)盾構(gòu)參數(shù)的預(yù)測(cè)有一定的偏差,選取了3個(gè)容許等級(jí):=10%,=15%,=25%,如果真實(shí)值v和預(yù)測(cè)值vp滿足計(jì)算式為

v(1-)≤vp≤v(1+)

(12)

則認(rèn)為模型在此樣本上預(yù)測(cè)結(jié)果準(zhǔn)確。評(píng)價(jià)模型的性能的指標(biāo)分別為準(zhǔn)確率和擬合優(yōu)度[6],表達(dá)式分別為

(13)

式中:Na為式(12)中滿足容許等級(jí)的預(yù)測(cè)值個(gè)數(shù);N為測(cè)試集樣本總數(shù)。

(14)

4.3 結(jié)果分析

LSTM模型性能如圖8所示。圖8(a)柱狀圖表示在容許誤差分別為10%,15%,25%的情況下盾構(gòu)姿態(tài)和總推進(jìn)力預(yù)測(cè)結(jié)果的準(zhǔn)確率。由圖8(a)可以看出:在25%的容許誤差下,LSTM模型對(duì)后續(xù)90環(huán)內(nèi)的刀盤水平偏移、盾尾水平偏移、總推進(jìn)力的預(yù)測(cè)準(zhǔn)確率分別為84.2%,72.1%,94.3%,3種盾構(gòu)輸出參數(shù)平均預(yù)測(cè)準(zhǔn)確率達(dá)到了83.5%,表明建立的LSTM模型預(yù)測(cè)結(jié)果可以有效解決盾構(gòu)水平姿態(tài)控制滯后和盾構(gòu)掘進(jìn)效率評(píng)估的問(wèn)題,工程師可以根據(jù)預(yù)測(cè)結(jié)果及時(shí)調(diào)整施工參數(shù)。圖8(b)柱狀圖表示數(shù)據(jù)清洗、數(shù)據(jù)降噪、數(shù)據(jù)清洗降噪對(duì)LSTM模型預(yù)測(cè)的效果。由圖8(b)可以看出:數(shù)據(jù)清洗降噪后的模型平均擬合優(yōu)度最高,達(dá)到了0.819,表明對(duì)數(shù)據(jù)進(jìn)行清洗與降噪能顯著提高模型準(zhǔn)確預(yù)測(cè)的能力。

圖9對(duì)比了基于LSTM模型3種盾構(gòu)輸出參數(shù)的預(yù)測(cè)值和真實(shí)值。圖9中:R2和A分別表示評(píng)價(jià)指標(biāo)擬合優(yōu)度和25%容許誤差下的預(yù)測(cè)準(zhǔn)確率,橫、縱坐標(biāo)分別代表盾構(gòu)參數(shù)真實(shí)值和盾構(gòu)參數(shù)預(yù)測(cè)值。當(dāng)圖9中散點(diǎn)越接近對(duì)角線時(shí),表明該散點(diǎn)對(duì)應(yīng)數(shù)據(jù)的預(yù)測(cè)值和真實(shí)值越接近。圖9中3種盾構(gòu)輸出參數(shù)的散點(diǎn)均較接近于對(duì)角線,因此LSTM模型是一種預(yù)測(cè)盾構(gòu)參數(shù)的可靠方法,能夠較準(zhǔn)確地對(duì)3種盾構(gòu)輸出參數(shù)進(jìn)行預(yù)測(cè)。此外,圖9(a)散點(diǎn)數(shù)據(jù)集中于-50～25 mm,圖9(b)集中于-100～50 mm,圖9(b)相較于圖9(a)散點(diǎn)跨越縱坐標(biāo)值較大。由此可知:盾構(gòu)機(jī)在該施工段掘進(jìn)過(guò)程中,盾尾水平偏移的幅度要大于刀盤水平偏移,因此該施工路段盾尾處更容易出現(xiàn)因盾構(gòu)姿態(tài)偏移帶來(lái)的一系列危害,工程師在施工時(shí)應(yīng)重點(diǎn)關(guān)注該問(wèn)題。

圖9 LSTM模型預(yù)測(cè)值與真實(shí)值對(duì)比Fig.9 Comparison of the actual value and the prediction of LSTM

LSTM模型與GRU模型預(yù)測(cè)值對(duì)比如圖10所示。實(shí)線、虛線和點(diǎn)線折線分別表示LSTM對(duì)盾構(gòu)參數(shù)的預(yù)測(cè)值、GRU對(duì)盾構(gòu)參數(shù)的預(yù)測(cè)值以及盾構(gòu)參數(shù)的實(shí)測(cè)值。由圖10可以看出:LSTM模型和GRU模型預(yù)測(cè)得到的盾構(gòu)姿態(tài)及總推進(jìn)力曲線和實(shí)測(cè)曲線整體上基本一致。LSTM模型在刀盤水平偏移、盾尾水平偏移和總推進(jìn)力上取得的R2均略高于GRU模型,總體來(lái)看,LSTM模型在此問(wèn)題中的預(yù)測(cè)效果優(yōu)于GRU模型。此外從第411環(huán)到第427環(huán)數(shù)據(jù)可以發(fā)現(xiàn):當(dāng)盾構(gòu)姿態(tài)偏移增大時(shí),盾構(gòu)總推進(jìn)力迅速上升,這表明盾構(gòu)姿態(tài)偏移和盾構(gòu)總推進(jìn)力之間存在一定程度上的正相關(guān)關(guān)系。對(duì)盾構(gòu)水平姿態(tài)和總推進(jìn)力同時(shí)預(yù)測(cè),如果發(fā)現(xiàn)總推進(jìn)力和盾構(gòu)姿態(tài)偏移同時(shí)增大,考慮是由于盾構(gòu)總推進(jìn)力增大造成的盾構(gòu)姿態(tài)偏差,此時(shí)通過(guò)減少總推進(jìn)力和合理分配左右頂推進(jìn)力來(lái)調(diào)整盾構(gòu)水平姿態(tài);如果預(yù)測(cè)總推進(jìn)力在正常范圍內(nèi),則可能由于推力中心位置不合適造成姿態(tài)偏差,此時(shí)需要根據(jù)工程實(shí)際進(jìn)行檢測(cè)與調(diào)整。

圖10 LSTM模型和GRU模型預(yù)測(cè)對(duì)比Fig.10 Comparison of prediction between LSTM model and GRU model

5 結(jié) 論

依托杭州某道路提升工程,提出了基于循環(huán)神經(jīng)網(wǎng)絡(luò)的盾構(gòu)水平姿態(tài)和總推進(jìn)力預(yù)測(cè)方法。首先采用箱型分析法清洗原始數(shù)據(jù);然后利用多貝西小波變換進(jìn)行數(shù)據(jù)降噪;最后以準(zhǔn)確率和擬合優(yōu)度作為評(píng)價(jià)指標(biāo),評(píng)估了LSTM和GRU模型在盾構(gòu)水平姿態(tài)和總推力預(yù)測(cè)的性能。結(jié)果表明:采用箱型分析法和小波變換進(jìn)行數(shù)據(jù)預(yù)處理可有效提高后續(xù)建立的模型的預(yù)測(cè)準(zhǔn)確性,相較于GRU模型,LSTM模型預(yù)測(cè)能力更優(yōu),平均準(zhǔn)確率為83.5%,平均擬合度為0.819,表明了筆者所提基于循環(huán)神經(jīng)網(wǎng)絡(luò)的盾構(gòu)水平姿態(tài)和總推進(jìn)力預(yù)測(cè)方法的有效性。