泥水氣壓平衡盾構沉降智能預測技術

胡 央

(昆山陽翎機器人科技有限公司，江蘇 蘇州 215399)

1 概述

泥水氣壓平衡盾構機通常在建筑密集區或人流量巨大區域施工，地面情況復雜多變，為了保證隧道施工質量，確保地表建筑施工期間穩定，地面沉降是最關鍵的一個參考變量[1]。

盾構機造成的土體擾動重新固結需要時間，實踐應用中一般等待90 d之后即可認為土體穩定[2]，但此時盾構機已經遠離該施工點，如果施工質量有問題，無法采取任何補救措施[3]。

2 工程背景

上海北橫項目貫穿上海中心城區，地下隧道段共分為東西線兩段，整條隧道設計急彎多，軸線變化大。德國海瑞克公司制造的超大直徑泥水氣壓平衡盾構機用于項目的隧道施工。

目前沉降量的數值沒有定量計算工具可供使用，施工中使用地面沉降Peck公式來估算[4]。利用Peck公式估算地表沉降時，需要考慮地層損失率和地面沉降槽寬度，但是這兩個參數的選擇有局限性，每個地區的土層特性都有不同取值，而且參數并不是連續變化[5]，特別的，上海隧道的施工屬于軟土工況，無法使用線性擬合預估參數，實際應用中發現預估沉降值誤差較大，無法為現場施工人員提供有效參考信息。

3 智能沉降預測方法

針對某個工程變量的預測在實踐中很普遍，通常由線性或非線性回歸擬合來完成[2，6]。但地表沉降受多個環境變量影響，各變量之間相互耦合，存在復雜的非線性關系，僅用普通回歸分析得到的沉降預測必然缺少魯棒性，重復性差[7，8]。

本文提出了一種新的生成對抗網絡Generative Adversarial Network(GAN)架構，通過讓兩個神經網絡相互博弈的方式進行學習[9]。該構架包含一個生成網絡G和一個判別網絡D。生成網絡G的目的是其輸出結果盡可能的模仿現實中的樣本，G的結果隨后被送往判別網絡D，D的目的是盡可能區分真實樣本或G的輸出，而G的目的則是要盡可能騙過D的檢測。兩個網絡相互對抗，通過迭代訓練，不斷收斂模型參數，最后使得判別網絡D無法確定生成網絡G的輸出是真實的數據還是其生成的預測輸出，此時，生成網絡為系統所需要的預測神經網絡。

該模型以端到端的方式進行訓練，通過對抗性學習系統生成和實際沉降情況相同的數據分布，不再受限于回歸擬合模型的限制，目的是通過使用當前盾構掘進機某些特定施工參數來估算地面長期沉降情況，是一種新的智能預測技術。

3.1 生成網絡(Generator)

模型的生成網絡由長短期記憶網絡(LSTM，Long Short-Term Memory)構成，是一種時間循環神經網絡，將不同時間節點的數據串聯起來[10]。選擇LSTM的原因是地下施工領域，盾構機動作造成的周圍環境變化有時間關聯性，例如當前環的推進速度和氣壓倉壓力不僅對前一施工環的地面沉降有影響，對下一環的沉降也存在影響力。

生成網絡的示意結構見圖1，為了便于說明，已經省略了LSTM的細節。假設我們的輸入是Xn-1={x1n-1，…,xin-1}，Xn-1為前一環的施工參數向量作為LSTM的輸入，輸出為ht，而ht作為全連接層的輸入，通過當前環的施工參數向量Xn后得到預測沉降值G(x)。

G(x)=Xnht+bh

(1)

其中,bh用來做線性偏差修正。通過式(1)可以利用前一環和當前環的施工參數實現對當前環的地表沉降預測。

網絡訓練階段，每次通過網絡生成的一個“假”的沉降值，交由判別網絡評估，如此循環往復，直至網絡收斂，目標是生成的“假”沉降值和實際測得的“真”沉降值分布誤差在一定范圍內，此時，生成網絡可模擬出實際地表沉降的分布。

3.2 判別網絡

GAN架構中的判別網絡使用CNN(卷積神經網絡)。原因有兩個：CNN從已有特征中提取特征的能力非常強大，在沉降預測應用中，可以利用CNN的特點提取施工參數的少量變化趨勢，從而進一步提取施工參數變化的模式，最后可以利用網絡提取到沉降數值變化的模式。使用CNN的另一個原因是CNN在空間數據上運行良好，這意味著彼此接近的數據點之間的相關性比分離的數據點更高，這對于地表沉降這類時間序列的數據也同樣適用。卷積神經網絡包括輸入層、隱藏層和輸出層，其中隱藏層包括卷積層、中間層和全連接層[11]，一共分為5層。

判別網絡運行時，輸入為生成網絡LSTM輸出ht通過卷積網絡提取ht特征并分類，計算輸入偽數據(生成網絡構造)和真數據時(實際測量數據)的概率，分別記為E[logD(G(Xf))]和E[logD(Xr)]，E為數學期望值。

3.3 GAN的目標函數及訓練算法流程

GAN網絡的訓練流程可由下列目標函數表達，先固定生成網絡G，訓練判別網絡D；隨后固定判斷網絡D，訓練生成網絡G；不斷重復直至收斂。

通過上述最小化和最大化的相互的博弈過程，理想情況下會收斂于生成擬合真實樣本分布的神經網絡，即判斷網絡無法分辨生成網絡的輸出數據是真是假，兩者概率都為0.5，達到納什均衡狀態[12]。

網絡的訓練采用隨機梯度下降方法[13]，訓練流程如圖2所示。

為了構建針對地表沉降預測的對抗網絡模型，在北橫隧道東線和西線施工歷史數據中，利用經驗分析、均值回歸理論和相關性分析，選取了覆土厚度、推進速度、實時注漿量、油缸行程、氣壓倉壓力以及進/排泥流量作為GAN網絡的輸入。

生成網絡在隧道施工過程中實時采集盾構機前600 s有效傳感器數據再加上前一整環的施工數據，輸出為覆土厚度的變化，即地表沉降變化數值。共有412組有效數據作為樣本，其中80%用于訓練，20%用于驗證。

3.4 現場運行結果

本文所述的泥水氣壓平衡盾構機的智能沉降預測方法已經率先使用在上海北橫隧道東線段的施工。

由于地面沉降測量點無法部署到每一施工環，有時需要避開建筑物或者交通人流，一般間隔2環～4環部署一個測量點，用于驗證的隧道施工部分為東線從1 000環開始到1 176環共43個數據測量點，實測沉降數值和采用智能新方法預測數值的對比如圖3所示。

從圖 3分析得知使用新技術GAN模型預測的地表沉降數值和實際測量值最大誤差為8.98 mm，最小誤差0.18 mm，平均誤差為3.54 mm，實際施工實踐中證明了此技術的現場實用性，預測結果可以立即提供給盾構機操作人員參考，進一步采取相關措施。

4 結果分析討論

本項目提出了一種泥水氣壓平衡盾構的智能沉降預測方法，利用泥水氣壓平衡盾構機施工過程中實時環境傳感器數據，結合前一環施工參數，將數據的時間和空間效應充分納入到對沉降的影響因素中，利用GAN構架設計了合適的生成網絡，能夠及時預測90 d后地表的沉降數值，幫助施工質量控制，此創新的智能沉降預測方法在上海北橫通道隧道施工現場實踐中取得了良好的效果。