概率化預測隧道地質條件

寇冰清 KOU Bing-qing；宋永發 SONG Yong-fa

（大連理工大學建設工程學部，大連 116024）

（Faculty of Infrastructure Engineering，Dalian University of Technology，Dalian 116024，China）

概率化預測隧道地質條件

寇冰清 KOU Bing-qing；宋永發 SONG Yong-fa

（大連理工大學建設工程學部，大連 116024）

（Faculty of Infrastructure Engineering，Dalian University of Technology，Dalian 116024，China）

為了預測隧道開挖面前方的地質條件，降低施工風險和成本，采用馬爾科夫和神經網絡構成的模型，既比馬爾科夫方法經濟，又能實現神經網絡方法所不能實現的動態化預測。

隧道風險；地質條件；概率化預測；馬爾科夫與神經網絡

0 引言

地質條件的不確定性是隧道施工不確定性最主要的來源，恰當的估計，既可防止災難性的后果，也可以通過減少在施工中的保守措施以及選擇合適的開挖和支護方法達到節約資源的目的。探測地質條件的方法分為硬方法和軟方法，硬方法包括從上往下打鉆孔和地質超前預報，軟方法更經濟，它包括時間序列、神經網絡、馬爾科夫隨機過程等方法[1]。時間序列分析需要大量信息進行趨勢的分析和模式的識別。神經網絡能很好地處理非線性聯系，但它無法實現動態預測。馬爾科夫方法將地質參數看作是離散狀態、連續空間的隨機過程，根據特定位置地質條件及轉移概率矩陣預測開挖線上各位置的地質條件，它在實現動態預測時，需要通過試驗的方法來獲得當前位置的地質條件，往往耗財、費時，實際工程中也不可能大規模進行試驗。而將馬爾科夫與神經網絡相結合既可以實現動態預測，又能節省時間和成本。

1 模型結構

模型結構如圖1所示，分為馬爾科夫部分和神經網絡部分。

1.1 馬爾科夫部分 馬爾科夫一步記憶可用如下公式描述：p[X（ti+1）=xi+1｜X（ti）=xi，X（ti-1）=xi-1，…，X（t1）=x1)]=p[X（ti+1）=xi+1｜X（ti）=xi]

ti-1，ti，ti+1是沿隧道開挖線上相鄰的不同位置，它們間距相同，xi-1，xi，xi+1是相應的地質條件（G1，G2，G3）。轉移概率矩陣為：V=[vij]，vij=p[X（ti）=j｜X（ti-1）=i]

1.2 BP神經網絡部分 神經網絡模型中的輸入參數X1，X2，X3，X4為盾構機每經過一環（大約為 1.4m）所記錄的數據，輸出 Y 為地質條件（G1=0，G2=0.5，G3=1），神經網絡輸出值作為輸入值傳遞至馬爾科夫模型，可能性矩陣L通過計算神經網絡在訓練集中預測準確度給出。

2 波爾圖案例分析

2.1 波爾圖隧道工程概況 波爾圖地鐵地下部分包括兩條隧道（C線和S線）。C線長約2.5km，于2000年6月開始選用直徑為8.7m的海瑞克土壓平衡式盾構施工，該機器在地質條件良好的情況下采用全開式開挖方式，在地質條件不好的情況下采用全封閉式開挖方式。隧道于2002年10月順利完工[3]。

2.2 神經網絡輸入和輸出參數 輸入參數為盾構機在掘進過程中，每隔10s記錄的貫入速度（mm/轉）、刀盤扭矩(MN.m)、總推力（KN）、刀盤切割力（KN）。輸出參數為根據巖土的風化程度、破裂程度及斷面情況進行的分類（G1，G2，G3）。隧道穿過的巖層分為g1-g7。g1-g4為巖石類，g5-g6是土體類，g7是人工材料和沖積土。根據工程信息，隧道土體有八種斷面情況（圖2[4]），將這八種斷面情況進行如下簡化：土體（G1），混合體（G2），巖體（G3）。土體（G1）對應情況1、2—開挖斷面全部由土體構成（g5和g6）；巖體（G3）對應于情況7、8—開挖斷面全部為巖石成分（g3和g4）；混合體則是由巖石和土體共同構成。

通過對神經網絡在訓練集中輸出結果分析確定如下判別區間：當輸出結果落入[0，0.17]時，判斷其為0，即神經網絡輸出為 G1；落入（0.17，0.49]時，判斷其為 0.5，為 G2；落入[0.49，1]時，判斷其為1，為G3。由此得到可能性矩陣如表1所示。將訓練集的395組數據按前述公式計算，得到馬爾科夫模型轉移概率矩陣，如表2所示。

2.4 動態預測及結果 根據已知地質條件（R400、R416等）及V，求出檢驗集中地質條件的先驗概率。當運行到第Rr-1，將記錄下的參數輸入至神經網絡，得到輸出值，通過判別區間判斷神經網絡預測地質條件，再結合Rr-1先驗地質條件概率計算Rr-1后驗地質條件概率，根據V更新Rr先驗地質條件概率，當盾構機運行至Rr，重復這一過程。檢驗集共347組數據，其中G1有114組數據，模型將其中111組預測為G1(97.37%)、3組預測為G2(2.63%)；G2有數據118組，模型將其中58組預測為G1(49.15%)，54組預測為G2(45.77%)，6組預測為G3(5.08%)；G3共有數據115組，模型將18種預測為G1(15.65%)，13組(11.30%)預測為G2，84組 (73.05%)預測為G3，總預測準確率為71.76%。模型預測結果如表3所示，圖4為隧道部分區段預測情況。

表1 可能性矩陣

表2 轉移概率矩陣表

表3 模型預測總體情況

3 結論

對地質條件恰當的估計既能降低風險，又能節約成本。一個馬爾科夫-神經網絡模型被用來動態的、低成本的、大規模的預測波爾圖隧道盾構機開挖面前方的地質條件，395組數據被用于訓練模型，347組數據被用來檢驗模型。在巖體和土體中模型表現很好，而在混合體中模型預測準確率有所下降，模型整體預測準確率為71.76%。在巖體中，盾構機可以采用全開模式運行可以節約費用，在土體中，盾構機采用全封閉模式運營可以降低風險。這對于施工者選擇合適的開挖方式和支護方式有一定的借鑒作用。

[1]GUAN Zhenchang.Markovian Geology Prediction Approach and Its Application in Mountain Tunnels [J].Tunnelling and Underground Space Technology，2012(31)：61-62.

[2]Suchatvee S.Artificial Neural Networks for Predicting the Maximum Surface Settlement Caused by EPB Shield Tunneling[J].Tunnelling and Underground Space Technology，2006(21)：133-150.

[3]、[4]Rita S.Risk Analysis for Tunneling Projects[D].Massachusetts.Massachusetts Institute of Technology,2010.

Probabilistic Prediction of Tunnel Geological Conditions

In order to predict the geological conditions ahead of tunnel face,a hybrid approach combining Markov process with neural networks is presented,it's cheaper than using Markov process alone and can let dynamic prediction the neural networks can't achieve come true.

tunnel risks；geological conditions；probabilistic prediction；Markov and neural networks approach

寇冰清（1990-），男，湖北荊門人，碩士研究生，研究方向為工程管理、隧道風險管理；宋永發（1963-），男，吉林省吉林市人，副教授，博士，研究方向為隧道風險管理、軌道交通。

U45

A

1006-4311（2014）11-0100-02