梁 琳,李 新,王 達(dá),吳卓霖

(1.中建市政工程有限公司,北京 100071;2.中國(guó)建筑一局(集團(tuán))有限公司,北京 100161;3.中南大學(xué) 土木工程學(xué)院,湖南 長(zhǎng)沙 410075)

0 引言

盾構(gòu)掘進(jìn)偏移表明盾構(gòu)機(jī)的運(yùn)動(dòng)軌跡偏離設(shè)計(jì)隧道軸線(the Design Tunnel Axis,DTA),這是盾構(gòu)隧道施工質(zhì)量低下的重要原因之一[1]。盾構(gòu)掘進(jìn)偏移的發(fā)生會(huì)給以后的作業(yè)帶來(lái)安全隱患。盾構(gòu)隧道襯砌采用管片連續(xù)組合形成,管片在盾尾處拼裝成環(huán)形[2]。因此,盾構(gòu)掘進(jìn)偏移會(huì)使管片的裝配過(guò)程復(fù)雜化,并引起管片的損壞以及漏水[3]等隧道質(zhì)量問(wèn)題。此外,如果掘進(jìn)偏移過(guò)大,則實(shí)際掘進(jìn)路線可能完全偏移原本的DTA,對(duì)隧道工程的成本和進(jìn)度構(gòu)成嚴(yán)重的影響。

對(duì)盾構(gòu)姿態(tài)的控制不良是造成掘進(jìn)偏移的主要原因。在盾構(gòu)隧道施工中,DTA是一種可供參考的最佳路徑。然而,由于盾構(gòu)質(zhì)量不能時(shí)刻高效保證;在不同地層,各部分摩擦阻力各不相同;盾構(gòu)操作高度復(fù)雜等因素都將導(dǎo)致盾構(gòu)姿態(tài)在實(shí)際應(yīng)用中難以控制。因此,盾構(gòu)機(jī)的運(yùn)動(dòng)軌跡就會(huì)圍繞DTA呈蛇形[4]。目前,盾構(gòu)機(jī)的操作與控制是采用基于反饋的方法。具體而言就是將基于自動(dòng)導(dǎo)航系統(tǒng)測(cè)量的實(shí)時(shí)姿態(tài)和位置信息作為對(duì)盾構(gòu)司機(jī)的反饋。由于控制過(guò)程必須在偏差發(fā)生一段時(shí)間后才能產(chǎn)生影響和效果,因此,該反饋就會(huì)存在控制不及時(shí)的問(wèn)題。這也是造成盾構(gòu)掘進(jìn)呈蛇形運(yùn)動(dòng)的主要原因[5]。此外,盾構(gòu)掘進(jìn)過(guò)程中還存在姿態(tài)和位置控制的滯后效應(yīng),即在盾構(gòu)機(jī)司機(jī)下達(dá)修正盾構(gòu)姿態(tài)和掘進(jìn)路線的指令后,盾構(gòu)機(jī)還會(huì)存在一個(gè)從偏移路線向DTA轉(zhuǎn)化的過(guò)程,該修正過(guò)程就會(huì)存在一定的偏差。因此,只有盾構(gòu)司機(jī)提前操作,才可以防止過(guò)度偏差的發(fā)生。但是,該指令均是由盾構(gòu)司機(jī)的經(jīng)驗(yàn)發(fā)出,具有很大的不確定性,這也進(jìn)一步加劇了盾構(gòu)機(jī)的蛇形運(yùn)動(dòng)。

為了進(jìn)一步控制盾構(gòu)掘進(jìn)和姿態(tài),就需要提前預(yù)測(cè)出未來(lái)的盾構(gòu)姿態(tài)來(lái)支持駕駛員在發(fā)生偏差之前進(jìn)行調(diào)整,從而可以有效克服傳統(tǒng)基于反饋的方法存在的難題。這種控制思想被稱為基于預(yù)測(cè)的方法,對(duì)于盾構(gòu)掘進(jìn)的精確控制和隧道質(zhì)量的提高至關(guān)重要?；陬A(yù)測(cè)的控制方法的主要問(wèn)題是建立預(yù)測(cè)模型。該預(yù)測(cè)模型可以通過(guò)輸入相關(guān)參數(shù)的歷史數(shù)據(jù)來(lái)確定未來(lái)一段時(shí)間的盾構(gòu)姿態(tài)參數(shù)。

研究初期,許多研究人員嘗試?yán)美碚摵蛿?shù)值分析方法研究盾構(gòu)姿態(tài)的預(yù)測(cè)和控制機(jī)理。這些研究主要討論了盾構(gòu)機(jī)姿態(tài)和位置的定義、測(cè)量和運(yùn)動(dòng)學(xué),但對(duì)其預(yù)測(cè)的分析有限[5]。同時(shí),預(yù)測(cè)技術(shù)在盾構(gòu)掘進(jìn)中的應(yīng)用主要集中在盾構(gòu)性能、地表沉降和開(kāi)挖面穩(wěn)定性的預(yù)測(cè)上。因此,建立有效的盾構(gòu)機(jī)姿態(tài)預(yù)測(cè)模型仍然是一個(gè)挑戰(zhàn)。

盾構(gòu)姿態(tài)的預(yù)測(cè)可以看作是一個(gè)序列預(yù)測(cè)問(wèn)題[6]。因此,將根據(jù)里程數(shù)變化的特征參數(shù)——“盾首水平偏差”進(jìn)行插值法,將其轉(zhuǎn)化為符合序列預(yù)測(cè)的參數(shù);再進(jìn)行一系列的數(shù)據(jù)預(yù)處理與歸一化;最后構(gòu)建、訓(xùn)練出長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型,用該模型來(lái)預(yù)測(cè)盾構(gòu)姿態(tài)參數(shù)——盾首水平偏差,從而給盾構(gòu)駕駛員提前提供盾構(gòu)姿態(tài)變化趨勢(shì),盡早作出盾構(gòu)姿態(tài)調(diào)整。

1 方法理論

1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)是一種特殊的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),它是根據(jù)“人的認(rèn)知是基于過(guò)往的經(jīng)驗(yàn)和記憶”這一觀點(diǎn)提出的。它與其他神經(jīng)網(wǎng)絡(luò)不同的是:它不僅考慮前一時(shí)刻的輸入,而且賦予了網(wǎng)絡(luò)對(duì)前面內(nèi)容的一種“記憶”功能[7]。

循環(huán)神經(jīng)網(wǎng)絡(luò)中的“循環(huán)”即一個(gè)序列當(dāng)前的輸出與前面的歷史輸出也有聯(lián)系。具體的表現(xiàn)形式為網(wǎng)絡(luò)會(huì)對(duì)前面的信息進(jìn)行記憶并應(yīng)用于當(dāng)前輸出的計(jì)算中,即隱藏層之間的節(jié)點(diǎn)不再無(wú)連接而是有連接的,并且隱藏層的輸出不僅包括輸入層的輸出還包括上一時(shí)刻隱藏層的輸出。

1.2 長(zhǎng)短期記憶

長(zhǎng)短期記憶(Long Short-Term Memory,LSTM)是一種特殊的RNN,主要是為了解決長(zhǎng)序列訓(xùn)練過(guò)程中的梯度消失和梯度爆炸問(wèn)題。簡(jiǎn)單而言,就是相比普通的RNN能夠在更長(zhǎng)的序列中有更好的表現(xiàn)。

LSTM的內(nèi)部通過(guò)門控狀態(tài)來(lái)控制傳輸狀態(tài),記住需要長(zhǎng)時(shí)間記憶的信息,忘記不重要的信息;而不像普通的RNN那樣只能夠機(jī)械地使用一種記憶疊加方式。本研究采用LSTM對(duì)盾首水平偏差進(jìn)行模擬預(yù)測(cè)。

2 案例分析

2.1 工程概況

某地鐵盾構(gòu)段區(qū)間長(zhǎng)約956 m,隧道埋深約16.3～19.5 m,采用土壓平衡盾構(gòu)機(jī)。設(shè)計(jì)隧道均為單洞單線,隧道采用單層襯砌型式,外徑6.2 m,內(nèi)徑5.5 m,管片寬度采用1.2 m和1.5 m兩種形式。本區(qū)間段穿越地層主要為素填土層、雜填土層、粉質(zhì)黏土層、沙礫層等,圍巖如圖1所示。

圖1 圍巖示意

2.2 數(shù)據(jù)預(yù)處理

該案例采取了580環(huán)的里程數(shù)據(jù)和盾首水平偏差數(shù)據(jù)。為了使盾首水平偏差達(dá)到序列數(shù)據(jù)的要求,同時(shí)又具有實(shí)際空間意義,本文在原有數(shù)據(jù)的基礎(chǔ)上采用了鄰近插值法(本文是采用序列預(yù)測(cè)的算法模型,基本原理就是根據(jù)歷史數(shù)據(jù),尤其是鄰近的歷史數(shù)據(jù)得到未來(lái)的預(yù)測(cè)值)。最終,以里程每1.5 m插入一個(gè)盾首水平偏差值,數(shù)據(jù)集前5行展示如表1所示。

表1 插值法處理后的數(shù)據(jù)集部分展示

2.2.1 空白數(shù)據(jù)與異常值

對(duì)于空白數(shù)據(jù),研究人員通常進(jìn)行探索性數(shù)據(jù)分析(Exploratory Data Analysis,EDA)來(lái)識(shí)別缺失的值。因?yàn)槊凯h(huán)進(jìn)行一次人工數(shù)據(jù)采集,所以在實(shí)際工程中該數(shù)據(jù)集就不是一個(gè)連續(xù)的,那么每一個(gè)數(shù)據(jù)對(duì)算法模型都有很重要的意義。因此,當(dāng)出現(xiàn)空白數(shù)據(jù)時(shí),不要輕易將其刪除,更不要輕易地將空數(shù)據(jù)所屬的一行樣本刪掉。觀察能否通過(guò)人工補(bǔ)齊數(shù)據(jù),最后再考慮使用插值法、隨機(jī)森林回歸等機(jī)器學(xué)習(xí)方法,通過(guò)已有的數(shù)據(jù)來(lái)補(bǔ)全空白值。

盾構(gòu)姿態(tài)參數(shù)的時(shí)間序列是通過(guò)單變量模型進(jìn)行預(yù)測(cè)的,單變量模型只使用自身的歷史發(fā)展,不使用其他相關(guān)變量。該案例中不考慮使用多個(gè)相關(guān)變量作為輸入的多變量模型。

對(duì)于異常值,在每個(gè)隧道段中,有學(xué)者刪除了空數(shù)據(jù)、數(shù)據(jù)的前2.5%和后2.5%以及任何異常值。隨后,他們將操作參數(shù)的平均值作為一個(gè)樣本計(jì)算出來(lái)?，F(xiàn)場(chǎng)采集的數(shù)據(jù)大多是不可以直接輸入模型訓(xùn)練。原始數(shù)據(jù)含有大量噪聲甚至?xí)泻芏喽溉簧呋蚪档偷募恻c(diǎn)數(shù)據(jù),這些都可能造成大量的異常值。原始數(shù)據(jù)分布如圖2所示。這時(shí)通常會(huì)編譯一套自定義函數(shù),快速地篩選出異常數(shù)據(jù)。

圖2 原始數(shù)據(jù)分布

2.2.2 歸一化

發(fā)現(xiàn)并處理完缺失值、異常值后,需要繼續(xù)研究如何處理數(shù)據(jù)和特征,以進(jìn)一步增強(qiáng)深度學(xué)習(xí)的預(yù)測(cè)能力。通過(guò)觀察,里程數(shù)、盾首水平偏差等特征值的均值、最小值、最大值和標(biāo)準(zhǔn)差的差別非常大。這就說(shuō)明所有的數(shù)據(jù)尺度是不同的,而一些機(jī)器學(xué)習(xí)、深度學(xué)習(xí)模型受數(shù)據(jù)尺度的影響很大。因此,本文需要選用Min-max標(biāo)準(zhǔn)化操作。歸一化操作旨在將行和列對(duì)齊并轉(zhuǎn)化為一致的規(guī)則,確保所有行和列在算法學(xué)習(xí)中得到平等對(duì)待,讓數(shù)據(jù)的處理保持一致[8]。

Min-max標(biāo)準(zhǔn)化采用一個(gè)公式替換列中的每一個(gè)值,此公式如下:

(1)

式中:m為Min-max標(biāo)準(zhǔn)化后的值;

x為標(biāo)準(zhǔn)化之前原來(lái)的值;

xmin為該列的最小值;

xmax為該列的最大值。

使用該公式后,可以發(fā)現(xiàn)每列所有的值都會(huì)位于0～1。

3 模型建立

3.1 數(shù)據(jù)劃分

在本文的序列預(yù)測(cè)中,采用每5個(gè)連續(xù)序列數(shù)據(jù)預(yù)測(cè)一個(gè)步長(zhǎng)后的單個(gè)數(shù)據(jù)。因此,滑動(dòng)窗口每次也只往后滑動(dòng)一步。根據(jù)這個(gè)規(guī)律,筆者通過(guò)相關(guān)函數(shù)構(gòu)造出數(shù)據(jù)特征集和標(biāo)簽集(也叫做預(yù)測(cè)集)。同時(shí),選出460個(gè)樣本處理后的數(shù)據(jù)集訓(xùn)練序列預(yù)測(cè)模型,利用剩余的115個(gè)樣本對(duì)訓(xùn)練后的模型進(jìn)行評(píng)價(jià)。數(shù)據(jù)點(diǎn)隨機(jī)分成訓(xùn)練集和測(cè)試集,分別為80%和20%。

3.2 精度評(píng)價(jià)方法

使用測(cè)試集數(shù)據(jù)時(shí),使用平均絕對(duì)誤差(Mean Absolute Error,MAE)和決定系數(shù)(R2)對(duì)訓(xùn)練后的模型進(jìn)行評(píng)估,定義如下:

(2)

(3)

3.3 模型的建立與訓(xùn)練

本文采用1個(gè)全連接層,8個(gè)神經(jīng)元的LSTM。經(jīng)過(guò)多次循環(huán)迭代訓(xùn)練后,將測(cè)試集中的預(yù)測(cè)值與實(shí)際值進(jìn)行可視化,如圖3所示,豎軸顯示仍為標(biāo)準(zhǔn)化之后的數(shù)值,不影響觀察與比較預(yù)測(cè)值與實(shí)際值之間的貼合度。

圖3 測(cè)試集中的預(yù)測(cè)值與實(shí)際值分布

通過(guò)觀察預(yù)測(cè)值曲線與實(shí)際值曲線:從整體上,兩種曲線很貼近,相似度很高;從趨勢(shì)變化上,尤其在第23行、第45行等處的測(cè)試集數(shù)據(jù),對(duì)突然出現(xiàn)的陡然上升或下降,也進(jìn)行了及時(shí)的模擬預(yù)測(cè)?？偟膩?lái)說(shuō),LSTM對(duì)盾構(gòu)姿態(tài)的盾首水平偏差的預(yù)測(cè)是可行的。

通過(guò)調(diào)整不同位置油缸的推力,可以對(duì)盾構(gòu)的姿態(tài)進(jìn)行修正。因此,當(dāng)模型預(yù)測(cè)到盾構(gòu)姿態(tài)即將發(fā)生顯著偏差時(shí),盾構(gòu)駕駛員可以提前調(diào)整盾構(gòu)運(yùn)行參數(shù)(模型的輸入變量),使偏差減小到零。手動(dòng)控制有明顯的延時(shí),需要一定的反應(yīng)時(shí)間。而且在調(diào)整過(guò)程中,偏差還會(huì)繼續(xù)擴(kuò)大。調(diào)整強(qiáng)度難以精確控制,導(dǎo)致盾構(gòu)姿態(tài)不斷波動(dòng)。因此,必須研究基于預(yù)測(cè)模型的自動(dòng)控制技術(shù),才能提高控制效果,從根本上解決盾構(gòu)姿態(tài)偏離的問(wèn)題。

4 結(jié)語(yǔ)

(1)本文改進(jìn)并應(yīng)用了一種基于深度學(xué)習(xí)模型的盾構(gòu)姿態(tài)預(yù)測(cè)方法。該方法融合了鄰近插值法、最大-最小歸一化和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)等理論,對(duì)盾首水平偏差進(jìn)行了序列預(yù)測(cè)。結(jié)果表明,該模型在對(duì)盾構(gòu)姿態(tài)參數(shù)的變化趨勢(shì)和數(shù)值精確預(yù)測(cè)上都具有可行性,可供類似工程參考利用。

(2)雖然該LSTM模型具有良好的預(yù)測(cè)性能,但仍存在一定的局限性。對(duì)于基于預(yù)測(cè)的盾構(gòu)掘進(jìn)控制方法,本文僅討論了預(yù)測(cè)模型的建立部分,而控制部分沒(méi)有進(jìn)行充分的研究。建議今后融合隧道、計(jì)算機(jī)與自動(dòng)化等多個(gè)專業(yè)的知識(shí),進(jìn)一步開(kāi)發(fā)基于預(yù)測(cè)模型的自動(dòng)控制系統(tǒng)。