盾構施工臨近建筑物變形影響因素關聯性分析

張立茂，冉連月，吳賢國，覃亞偉

(華中科技大學土木工程與力學學院，武漢　430074)

?

盾構施工臨近建筑物變形影響因素關聯性分析

張立茂，冉連月，吳賢國，覃亞偉

(華中科技大學土木工程與力學學院，武漢430074)

基于大量工程實踐和資料對建筑物變形安全影響因素進行分析，基于實際數據樣本利用粒子群和支持向量機算法，得到影響因素與建筑物變形特征之間的關聯模型，并對模型進行驗證，利用蒙特卡洛模擬算法仿真模擬得到大量仿真樣本，利用卡方關聯分析方法和灰色關聯算法對各影響因素的關聯度進行挖掘，了解各個影響因素與建筑物變形特征之間的關聯性程度，進一步得出需要重點控制的建筑物變形的關聯影響因素，為臨近建筑物的保護控制提供決策參考。

地鐵；盾構隧道；施工；建筑物變形；影響因素；關聯性分析

城市地鐵盾構施工大多位于城市中心地帶，將對地面交通和地表建筑物造成重要影響，尤其是對于臨近建筑物，如果不能及時發現和控制建筑物變形安全，將對人民群眾生命財產造成嚴重損失。盾構施工對建筑物的破壞主要是變形破壞，變形破壞程度直接決定建筑物的安全狀況。盾構施工誘發臨近建筑物變形安全受到施工參數、地質條件、建筑物自身特點等多個方面因素的影響，各種影響因素之間既獨立作用，又相互約束。因此，有效分析盾構施工對建筑物變形的影響，分析建筑物變形影響因素的關聯性，加強重要關聯因素的控制，將使得建筑物安全控制達到事半功倍的效果。

國內外學者針對盾構施工中相關地質參數及施工參數與建筑物變形之間的關聯關系展開了一系列研究，主要分析研究方法可以歸結為以下幾類：經驗公式法、理論解析法[1]、智能預測分析方法[2]。經驗公式法中Peck[3]公式最為經典，“Peck公式”能夠快速得到地表的初步變形，由于沒有考慮建筑物自身情況等的影響，不能夠準確反映建筑物變形的關系[4]，因此不能簡單地利用地表變形經驗公式來模擬預測建筑物變形情況；理論解析法主要是依據土體力學模型以及建筑物結構力學模型等理論[5]建立建筑物變形機理模型，然后對現場監測數值進行模擬分析[6]。姚愛軍等人[7]采用FLAC3D工程分析模型，結合現場監測對盾構施工建筑物變形進行模擬分析，分析得到盾構施工中建筑物變形的關鍵因素。

隨著計算機科學技術的發展，以人工智能、灰色理論等為代表的軟科學理論與工程實踐結合，催生了一批智能預測方法模型。譚鵬和曹平[8]針對盾構施工中沉降與影響因素之間的關聯關系利用支持向量機模型構建出兩者的非線性映射關系。如果預測結果能夠驗證說明智能方法預測的準確性，那么也說明智能算法的黑箱模型能夠很好地描述因素與變形特征之間的關聯關系。目前的研究未能進一步對黑箱關聯模型進行深度挖掘，因此，本文將針對智能算法得到的黑箱關聯模型，利用專業的關聯分析方法對關聯因素的關聯度展開深入分析，構建基于最小二乘支持向量機智能算法的建筑物變形關聯關系模型，利用模型描述建筑物變形影響因素與變形特征之間的關聯關系；然后在蒙特卡洛模擬仿真的基礎上利用卡方關聯分析方法和灰色關聯分析方法分析影響因素與建筑物變形特征之間的關聯度。

1　臨近建筑物變形影響因素分析

地層變形是盾構施工影響與臨近建筑物變形之間傳遞的主要過程，無論是水平地層變形還是豎向地層變形，都將對臨近建筑物基礎變形造成嚴重影響。盾構施工引起地層變形，地層變形大小與盾構施工中隧道相關參數、施工參數相關以及巖土層物理性能參數指標相關。當地層變形傳遞至建筑物時，建筑物發生變形，如果建筑物自身狀態比較好，建筑物抵抗變形的能力就強，變形就小，因此建筑物變形破壞程度也與建筑物自身狀態有一定關系。

基于大量工程實際經驗和查閱大量文獻，將建筑物變形影響因素分為隧道相關因素、巖土層物理性能因素[9]、盾構施工因素[10]、建筑物因素4類。其中隧道相關因素中隧道埋深、覆跨比以及隧道直徑等因素對周圍環境影響最為明顯，巖土層物理性能參數指標中內摩擦角、泊松比、黏聚力、彈性模量等參數指標對地層變形有著重要影響[11]，盾構施工因素[12]中本文選取刀盤扭矩、推進速度、推進力、上部土倉壓力、刀盤轉速、注漿量等重要因素進行分析研究，建筑物因素中一方面和建筑物與隧道相對位置有關，同時也和建筑物自身條件相關。基于此，建立盾構施工引起臨近建筑物變形影響因素指標體系如表1所示。

2　建筑物變形實測值與數值模擬分析

在分析盾構施工引起建筑物變形影響因素的基礎上，為進一步分析各影響因素的關聯性，將對建筑物變形進行實測值與數值模擬分析。首先，利用最小二乘支持向量機構建盾構施工引起建筑物變形分析模型，并驗證模型的準確性；然后，利用蒙特卡洛模擬算法仿真模擬得到仿真樣本；最后，在模擬仿真的基礎上，利用統計方法和曲線擬合方法分別對影響因素進行關聯分析。

表1　盾構施工引起臨近建筑物變形影響因素指標體系

2.1建筑物變形最小二乘支持向量機關聯模型建立

支持向量機(SVM)能夠很好地實現對小樣本復雜非線性數據的預測分析，有著強大的預測能力，其中最小二乘支持向量機(LSSVM)由常規的支持向量機拓展而來，能夠大大提高求解問題的速度和收斂精度[13]，張慧源和顧宏杰等研究利用最小二乘支持向量機完成對載流故障趨勢預測分析，并證明其在進行小樣本預測中的優勢[14]。在進行建筑物變形數值仿真前需建立一個建筑物變形影響因素關聯分析模型，在模型被驗證有效的前提下才可以進行數值仿真[15]。因此，將選用最小二乘支持向量機來構建監測數據預測分析模型[16]。基于最小二乘支持向量機建筑物變形影響因素關聯分析模型構建思路如圖1所示。

圖1　建筑物變形最小二乘支持向量機模型建立

2.2建筑物變形蒙特卡洛數值仿真

蒙特卡洛方法(Monte Carlo method)，是一種以概率統計理論為基礎的統計模擬方法。其實質是根據研究對象服從的分布對現實中研究對象可能出現的情況進行模擬。通過對現實情況的大量模擬試驗，可以得到更加符合實際的有價值的統計結論。理論上模擬次數越多，其結果越符合實際情況，隨著計算機技術的不斷發展，模特卡洛方法得到了廣泛的應用，故本文采用蒙特洛卡數值仿真。

建筑物變形蒙特洛卡數值仿真就是依據蒙特卡洛模擬思想[17]，在確定建筑物變形支持向量機模型輸入變量分布情況的基礎上，對模型進行模擬得到建筑物變形特征值，然后利用其他方法分析各輸入因素變量與變形特征變量之間的關系。建筑物變形蒙特卡洛仿真模擬的步驟如下。

(1)根據經驗和歷史數據，利用根據樣本數據結合專家群決策方法構造建筑物變形各影響因素指標的概率正態模型。

(2)利用隨機數發生器抽樣取出因素指標隨機值，并代入經過驗證的建筑物關聯模型得到建筑物變形特征的大量仿真值。

(3)重復步驟(2)，模擬多次得到一系列建筑物變形特征的仿真值。

2.3建筑物變形影響因素關聯分析

基于統計學理論的關聯分析方法和灰色關聯分析方法是目前最為常用的多因素關聯分析方法。為能準確分析因素指標的關聯性，采取綜合關聯分析方法，該方法分別利用卡方檢驗和灰色算法計算得到卡方關聯度以及灰色關聯度，然后再利用方根法確定最終關聯系數。具體內容如下。

(10)

2.3.1統計學關聯分析

χ2檢驗核心是構建Pearsonχ2統計量如下

(1)

式中，E為期望頻數；O為觀察頻數差別之和；χ2值近似服從χ2分布，其自由度為ν。設2個不同的特征變量A與B，基于χ2檢驗的A與B關聯性分析的基本步驟如下。

(1)構建樣本數理論值

假設A和B取值均為離散(樣本總數為N)：

{a1，a2，…，am-1，am}：A的取值范圍；

{b1，b2，…，bm-1，bm}：B的取值范圍；

tij：(ai，bi) 的樣本數；

pi：ai的樣本在A特征變量中的個數

(2)

qj：bj的樣本在B特征變量中的個數

(3)

(2)假設檢驗

(4)

(5)

(3)計算卡方關聯度

當兩者相關時，利用式(6)計算兩者的相關程度r1(0

(6)

2.3.2灰色關聯分析

基本分析步驟如下。

(1)確定分析數列

確定一個因變量和多個自變量因素，因變量所組成的序列成為參考序列{X0}，自變量所組成的序列成為比較序列{Xi}。

(2)無量綱化處理

無量綱化處理的思路是以變量實際值和參考值之間的比值代替實際值。初值化法以第一個變量值為參考值，可以很好地表現變量序列后續變量值的動態變化趨勢，因此本文采用初值化方法。

(3)求最大最小差、差序列

首先利用式(7)計算序列的差序列Δi(k)，然后在差序列的基礎上再利用式(8)和式(9)計算最大差a和最小差b

(7)

(8)

(9)

(4)計算灰色關聯系數

式中，θ為分辨系數，取值范圍(0，1)，一般取θ=0.5。

(5)計算灰色關聯度r2(0

(11)

2.3.3綜合關聯分析

在得到卡方關聯分析r1和灰色關聯分析r2的結果后，根據方根法利用公式(12)計算得到綜合關聯度r(0

(12)

3　實證分析

3.1工程概況

武漢地鐵7號線是繼2號線、4號線后第3條穿越長江的地鐵線，一期起于東方馬城，經王家墩，沿建設大道、澳門路，從三陽路過長江，然后折向武昌火車站，沿恒安路、李紙路至終點野芷湖，設停車場、車輛段各1處。7號線一期線路全長30.85 km，全為地下線，共設車站19座。

盾構施工于2014年8月24日10時16分從東方馬城站—長豐站右線區(東長區間)的東方馬城站成功始發，為保證盾構施工過程中建筑物安全，武漢市地鐵集團邀請第三方對建筑物累計沉降(T1)、建筑物沉降速率(T2)、建筑物傾斜率(T3)等方面進行監測。從武漢地鐵7號線途徑附近的建筑群中選取10棟建筑物，并針對每棟建筑物取5個監測時間點構建50個支持向量機模型樣本，以及根據模型樣本數據結合專家經驗構造基于最小二乘支持向量機智能算法的建筑物變形各影響因素指標的均勻分布區間。如表2所示。

表2　建筑物變形支持向量機模型樣本以及指標分布區間

圖2　PSO-LSSVM建筑物關聯模型辨識結果

3.2建筑物變形數值模擬仿真

首先利用PSO-LSSVM(基于最小二乘支持向量機的粒子群優化算法)預測模型公式得到建筑物變形關聯模型，模型辨識結果如圖2所示。為驗證支持向量機模型的有效性和準確性，利用預測檢驗方法進行檢驗，檢驗結果如表3所示。由表3可知，建筑物關聯模型單根性檢驗和正態性檢驗均滿足要求，其有效度均達到0.95，由此證明基于PSO-LSSVM的建筑物關聯模型是準確有效的。

表3　建筑物變形關聯模型檢驗結果

3.3建筑物影響因素關系性分析

利用公式(6)對表4中模擬仿真數據進行卡方分布關聯性分析，分析結果r1如表4所示。

表4　綜合關聯系數計算結果

由表4可知，16個因素與3個變形特征存在一定的關聯關系，不同的相關系數，表明在樣本范圍內因素對變形特征的影響程度不同；然后，利用式(11)計算得到灰色關聯分析結果r2如表4所示；最后利用式(12)計算綜合關聯系數r如表4所示，各影響因素關聯性對比分析如圖3所示。由表4及圖3可知，基于武漢地鐵7號線樣本數據分析，其中對于建筑物累計沉降特征，影響因素X9、X11、X16(X9：刀盤轉速，X11：注漿量，X16：建筑物完好程度)為強關聯重要影響因素，且關聯度大于0.5；對于建筑物沉降速率變形特征，影響因素X9、X11為關聯度大于0.5的強關聯重要影響因素；對于建筑物傾斜變形特征，影響因素X9、X11為關聯度大于0.5的強關聯重要影響因素。在施工過程中應該加強對重要影響因素的關注，提前針對重要影響因素制定相應的策略，以確保施工過程中建筑物變形安全。

圖3　各因素與建筑物變形特征的關聯性對比分析

4　結論

(1)本文將建筑物變形影響因素分為隧道相關因素、巖土層物理性能因素、盾構施工因素、建筑物因素4類，具體細分為16個指標，形成一個建立盾構施工引起臨近建筑物變形的影響因素指標體系。

(2)本文構建基于最小二乘支持向量機智能算法的建筑物變形關聯關系模型，利用支持向量機黑箱模型描述建筑物變形影響因素與變形特征之間的關聯關系，然后在蒙特卡洛模擬仿真得到大量仿真樣本的基礎上，利用卡方關聯分析方法和灰色關聯分析方法分析影響因素與建筑物變形特征之間的關聯度。

(3)實證分析中將建筑物變形空間影響因素分析方法應用于武漢市地鐵7號線東長區間建筑物變形安全控制中，通過分析可知：其中關聯度大于0.5的重要影響因素包括盾構施工因素中的刀盤轉速X9和注漿量X11，以及建筑物因素中的建筑物完好程度X16，在施工管理過程中通過加強對這些重要因素的關注，能夠有效提高建筑物安全管理事中控制的效率。

[1]Miliziano S, Soccodato F M, Burghignoli A. Evaluation of damage in masonry buildings due to tunnelling in clayey soils[Z]. 2002：335-340.

[2]Suwansawat S, Einstein H H. Artificial neural networks for predicting the maximum surface settlement caused by EPB shield tunnelling[J]. Tunnelling and Underground Space Technology, 2006,21(2):133-150.

[3]Peck R B, Peck R B. Deep excavations and tunnelling in soft ground[C]∥Proc. 7th Int. Conf. on SMFE. 1969.

[4]韓煊.隧道施工引起地層位移及建筑物變形預測的實用方法研究[D]. 西安：西安理工大學,2007.

[5]Mroueh H, Shahrour I. Three-dimensional finite element analysis of the interaction between tunneling and pile foundations[J]. International Journal for Numerical and Analytical Methods in Geomechanics, 2002,26(3):217-230.

[6]姚愛軍，向瑞德，侯世偉.地鐵盾構施工引起鄰近建筑物變形實測與數值模擬分析[J].北京工業大學學報，2009(7):910-914.

[7]于丹丹，雙晴.地鐵隧道施工鄰近建筑物安全風險評價[J].城市軌道交通研究，2013,16(4):32-37,102.

[8]譚鵬，曹平.基于灰色關聯支持向量機的地表沉降預測[J].中南大學學報：自然科學版，2012(2):632-637.

[9]張成平，駱建軍，張頂立，等.地鐵施工對鄰近建筑物安全風險管理[J].巖土力學，2007,28(7):1477-1482.

[10]周紅波，何錫興，蔣建軍，等.地鐵盾構法隧道工程建設風險識別與應對[J].地下空間與工程學報，2006(3):475-479.

[11]張志華，周傳波，夏志強，等.地鐵隧道土體參數敏感性分析與正交反演[J].中南大學學報：自然科學版，2013(6):2488-2493.

[12]陳秋鑫,李俊才,劉光臣,等.盾構施工安全穿越祿口機場復合地層段的數值模擬與監測分析[J].鐵道標準設計，2014(12)：94-98.

[13]辛治運，顧明.基于最小二乘支持向量機的復雜金融時間序列預測[J].清華大學學報：自然科學版，2008(7):1147-1149.

[14]張慧源，顧宏杰，許力，等.基于最小二乘支持向量機的載流故障趨勢預測[J].電力系統保護與控制，2012(10):19-23.

[15]ZHANG Limao, WU Xianguo, Miroslaw J. Skibniewski. Dynamic risk analysis for adjacent buildings in tunneling environments: A Bayesian network based approach[J]. Stochastic Environmental Research and Risk Assessment, 2015(29):1447-1461.

[16]ZHANG Limao, WU Xianguo, DING Lieyun, Miroslaw J. Skibniewski. A Novel Model for Risk Assessment of Adjacent Buildings in Tunnelling Environments[J]. Building and Environment, 2013(65):185-194.

[17]宋克志，王夢恕.基于數值模擬的盾構隧道地表變形的可靠度分析[J].鐵道標準設計，2004(6):71-73.

Correlation Analysis of Influence Factors of Building Deformation near the Shield Construction

ZHANG Li-mao， RAN Lian-yue， WU Xian-guo， QIN Ya-wei

(School of Civil Engineering & Mechanics， Huazhong University of Science & Technology， Wuhan 430074， China)

This article analyzes the influence factors relating to building deformation based on engineering practices and information. The particle swarm algorithm and support vector machine (SVM) are used to obtain the correlation model between influence factors and deformation characteristics and the model is verified. Finally， the related model simulation samples are obtained by means of Monte Carlo Simulation Algorithm Simulation to define the degree of the correlation between each influence factor and building deformation with chi-square correlation analysis method and gray correlation algorithm．

Metro; Shield tunnel; Construction; Building deformation; Influence factor; Correlation analysis

2015-12-21；

2016-01-15

張立茂(1987—)，男，博士研究生，2009年畢業于華中科技大學工程管理專業。

1004-2954(2016)09-0094-05

U456.3+3

ADOI:10.13238/j.issn.1004-2954.021