復雜環境下地鐵隧道盾構施工誘發地表土體變形的智能預測

韓業華

（中鐵十六局集團有限公司，北京 100018）

0 引言

盾構隧道開挖工程技術要求較高，尤其在復雜的地質環境下，需要實時對開挖掌子面、土體沉降等進行監測，并以此調整盾構參數來滿足規范要求。然而，傳統反饋式監測手段往往具有一定的滯后性，無法適用于工程突發狀況。鑒于盾構施工引起土體的變形是一個漸進過程，因此其隨時間變化存在一定的演化規律，如果根據已有的監測結果，結合遺傳算法[1]、禁忌算法[2]、神經網絡[3]等智能算法對后續土體變形進行預測，變反饋式監測為前饋式控制，能顯著降低工程突發事故發生概率，具有重要工程意義和社會效益。

目前，神經網絡已在土木工程領域有一定的應用。周瑞忠和邱高翔[4]利用BP（Back Propagation）神經網絡對已測得的基坑位移進行了參數反演。程龍飛和袁寶遠[5]應用BP神經網絡預測了基坑變形。齊干[6]利用BP神經網絡對施工期間周圍土體沉降進行了預測。殷晟泉[7]利用Elman動態神經網絡對深基坑變形進行了預測。劉勇健[8]利用神經網絡對高速公路地基的最終沉降進行了預測。楊濤等[9]建立BP沉降預測模型，能夠利用短預壓期的沉降預測長預壓期的沉降。以上可見，神經網絡在工程領域具有較高的可行性。

本文運用BP神經網絡建立地鐵隧道盾構施工誘發地表土體變形智能預測模型，結合現場實測沉降數據進行模型的訓練、預測，并通過實測數據對模型預測精度進行驗證。

1 工程條件

本工程位于杭富城際鐵路11標，富陽區受降村黃沙畈以北。盾構穿越宋家塘車輛段出入段線及大樹下橋后，沿新G320國道繼續往東敷設，經受降紀念廳后向北下穿杭富線附屬配套工程6 號隧道，沿G320 國道到達受降站接收。盾構區間左線長度2187.938m（長鏈7.151m），右線長度2180.822m。

1.1 工程地質條件

本項目的工程地質層組的劃分及其層序編號根據土層的物理、力學性質以及土層的時代和成因，并參照《杭州地鐵巖土工程勘察地層編號規定（修編稿2015年版）》確定，全線地層共分4個工程地質層組，17個工程地質層，見表1。

表1 各巖土層厚度一覽表

整個隧道盾構推進過程中遇到的圍巖地層主要有兩種：1）上部圍巖為全、強風化基巖層，下部圍巖為強、中等風化基巖層；2）圍巖全斷面均為中等風化基巖層。局部存在圍巖軟硬不均現象，力學性質上主要表現為上軟下硬，盾構推進過程中易出現“上抬、跑偏”現象，姿態較難控制。對于中等風化基巖層盾構掘進預計難度較大。

1.2 水文地質條件

地表水體主要為北渠，北渠位置埋深22m，底層為(31)a3層中等風化粉砂巖，滲透性較差，對隧道基本無影響。北渠為山溪性溪流，平常溪溝中水深大多小于1.0m，大部分為生活廢水等，雨季時受地表匯水影響，水位可暴漲3～4m，勘察期間測得水文數據如表2。

表2 北渠水文資料一覽表

2 BP神經網絡算法基本原理

作為一種著名的前向型神經網絡，BP神經網絡主要包含圖1所示的典型結構：1個輸入層，數個隱含層和1個輸出層。層與層之間全連接，而同一層的各神經元之間相互獨立。其中，隱含層的神經元通常采用S型非線性傳遞函數，而輸出層傳遞函數大多采用線性形式。

圖1 BP神經網絡結構

2.1 BP神經網絡的基本思想

對輸入樣本對進行訓練，經隱含層和輸出層計算后，輸出層輸出對應的預測值。若預測值與期望值差別（誤差）較大，則從輸出層反向傳播該誤差，對權值和閾值進行調整，逐步減小誤差，直至滿足精度要求。

2.2 BP神經網絡的算法核心

權值和閾值是導致BP神經網絡預測值與期望值之間誤差的根本原因[10-11]，將誤差沿負梯度方向（誤差函數下降最快方向）分配給各個神經元的權值和閾值，逐步提高預測值精確度。

如圖1所示，設輸入變量為xi(i=1,2,…,n)，νij(i=1,2,…,n;j=1,2,…,n)為輸入層至隱含層的網絡連接權值，wj(j=1,2,…,n)為輸出變量的連接權值。

根據輸入值xi與初始化的νij計算隱含層的輸出值φj(j=1,2,…,m)（單隱層）或ηj(j=1,2,…,m)（多隱層），設定訓練次數（N）、訓練目標誤差（δ）與學習率（ξ）：

式中，f為隱含層激勵函數，通常采用Sigmoid函數；aj(j=1,2,…,m)為隱含層的閾值。

②根據式（2）、式（3）計算輸出值y：

式中，b為隱含層初始閾值。

③計算目標值g與預測值y之間的誤差ε=g?y，根據反向誤差更新權值為：

式中，ξ為學習率，且ξ∈ [0.01,1]。

④更新神經網絡閾值：

重復步驟②～④，直至誤差達到計算要求（即ε≤δ）為止。

3 地鐵隧道盾構施工誘發地表土體變形智能預測

由上述分析可知，BP神經網絡能夠通過自我調整逐漸縮小誤差來提供更加準確的預測，因此本文采用BP神經網絡進行盾構施工誘發地表土體變形的智能預測。設定初始的計算參數如表3所示。

表3 BP神經網絡參數

針對地表沉降，選取2019年5月～2019年8月的典型測點的監測項目作為樣本，采用BP神經網絡對2019年8月17日、2019年8月22日和2019年8月27日的監測數據進行預測，監測結果與預測值見圖2。此外，選取2019年5月～2019年12月的左線沉降、右線沉降數據（R1～R8、L1～L7），并預測2019年12月18日、2019年12月22日和2019年12月27日的沉降數據，實際監測結果與預測結果見圖3和圖4。

圖2 盾構施工引起地表沉降預測

圖3 盾構施工引起右線沉降預測

圖4 盾構施工引起左線沉降預測

由圖2～圖4可知，BP神經網絡預測結果與實際監測所得數據比較吻合，綜合走向及趨勢均相同。因此，本文采用的BP神經網絡能夠有效預測復雜環境下盾構施工誘發的地表土體變形，從而變傳統的反饋式監測為前饋式智能預測，進而基于此提前修改盾構參數，降低后續施工可能的風險。

4 結論

1）建立了基于BP神經網絡的復雜地質條件下盾構隧道施工誘發地表土體變形沉降預測模型，算例驗證表明，該模型預測值與實測值比較接近，能夠實現較高精度的預測。

2）通過BP神經網絡，利用左線沉降、右線沉降的長期數據進行預測，發現神經網絡對大樣本預測同樣具有較高的精度，且樣本數量越高，精度越大。