基于SA-LS-SVM的特殊地質(zhì)條件下影響地鐵盾構(gòu)施工效率的地層參數(shù)分析

陳 偉， 胡耀越， 葉萬敏， 常 嘉， 馬 昊

(1. 武漢理工大學(xué) 土木工程與建筑學(xué)院， 湖北 武漢 430070； 2. 武漢地鐵集團有限公司， 湖北 武漢 430079)

地鐵隧道工程施工過程中面臨的地質(zhì)條件越復(fù)雜，碰到含不良地層的特殊地質(zhì)環(huán)境概率越大。由于不良地層地段的地層巖性、分布、厚度及性能變化較大，造成的刀具貫入度低、無法連續(xù)正常掘進等問題時常發(fā)生，甚至存在長時間停機的風(fēng)險。盾構(gòu)機在此地質(zhì)條件下盾構(gòu)時長明顯增加，盾構(gòu)施工效率顯著降低，從而影響施工進度、增加施工成本。因此，在特殊地質(zhì)條件下盾構(gòu)掘進施工前對盾構(gòu)施工效率進行預(yù)測研究，并對關(guān)鍵影響因素進行分析與預(yù)控，有利于工程進度計劃的順利進行與施工成本的有效控制。

盾構(gòu)施工效率是學(xué)界的熱點研究問題，有學(xué)者運用線性回歸方法探討掘進參數(shù)與掘進效率之間的關(guān)系，以嘗試提高盾構(gòu)施工效率[1]；而地鐵盾構(gòu)工程往往存在復(fù)雜、非線性的特征，又有學(xué)者進行改進，如利用神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型對掘進參數(shù)進行優(yōu)化，能及時有效地指導(dǎo)施工[2,3]；因神經(jīng)網(wǎng)絡(luò)等方法存在對大樣本的依賴性、訓(xùn)練過擬合等缺點，作為新一代機器學(xué)習(xí)算法的支持向量機方法又被引入到建立掘進參數(shù)與推進速度之間的預(yù)測模型中，有效解決了地鐵盾構(gòu)工程存在的小樣本、高維度的數(shù)據(jù)問題[4]。可以看出，學(xué)者們不斷在進行探索優(yōu)化，但現(xiàn)有研究成果多集中在掘進參數(shù)優(yōu)化方面，如何結(jié)合特殊地質(zhì)條件下地層參數(shù)角度開展研究還不多見。雖有學(xué)者嘗試將地層參數(shù)作為輸入變量，建立掘進參數(shù)的預(yù)測模型[5,6]，但仍未直接建立地層參數(shù)與盾構(gòu)施工效率的關(guān)聯(lián)性，模型精度有待提高。因此，有必要從特殊地質(zhì)條件下地層參數(shù)角度對盾構(gòu)施工效率進行針對性研究，并準(zhǔn)確提取出對盾構(gòu)施工效率較敏感的地層參數(shù)，為施工方案的合理選取提供依據(jù)，從而有效提高盾構(gòu)施工效率，進而優(yōu)化施工進度與施工成本。

鑒于此，本文以武漢市地鐵隧道工程項目所涉及的含高伊利石和綠泥石的風(fēng)化泥巖典型特殊地質(zhì)為例，首先基于SPSS軟件對盾構(gòu)施工效率的影響因素進行分析，并選定關(guān)鍵的地層參數(shù)；再將模擬退火(Simulated Annealing，SA)算法與最小二乘支持向量機(Least Squares and Support Vector Machine，LS-SVM)相結(jié)合，利用SA搜尋LS-SVM的最優(yōu)參數(shù)，并將地層參數(shù)作為輸入變量，建立了盾構(gòu)施工效率預(yù)測的SA-LS-SVM (Simulated Annealing and Least Squares and Support Vector Machine)模型，并通過預(yù)測模型對增加的施工成本進行評估；在SA-LS-SVM模型基礎(chǔ)上，采用Sobol’法對關(guān)鍵地層參數(shù)進行靈敏度分析，準(zhǔn)確辨識出影響盾構(gòu)施工效率，進而影響施工成本的敏感參數(shù)，以期能更準(zhǔn)確地確定有針對性的施工方案，在保證工程質(zhì)量的前提下提高施工進度，優(yōu)化施工成本。

1 盾構(gòu)施工效率影響要素確定

為確定特殊地質(zhì)條件下盾構(gòu)施工效率的關(guān)鍵影響因素，對其直接影響因素即掘進參數(shù)進行分析，從而確定根本影響因素，再選取關(guān)鍵的根本影響因素作為盾構(gòu)施工效率的影響要素，對盾構(gòu)施工效率進行分析。

1.1 地質(zhì)條件對掘進參數(shù)的影響

泥水平衡盾構(gòu)機在掘進過程中，主要掘進參數(shù)有掘進速度、刀盤轉(zhuǎn)速、刀盤扭矩、總推力及泥水倉壓力[3,7]，它們不僅能反映盾構(gòu)機掘進狀態(tài)的變化，還能反映盾構(gòu)機的掘進效能，是影響盾構(gòu)施工效率的重要指標(biāo)。因此，本文選取這5個主要掘進參數(shù)作為統(tǒng)計分析的基礎(chǔ)數(shù)據(jù)，即根據(jù)地層的變化，分別在含高伊利石和綠泥石的泥巖特殊地質(zhì)盾構(gòu)區(qū)間以及正常地質(zhì)盾構(gòu)區(qū)間中各選取60環(huán)的掘進參數(shù)作為基礎(chǔ)數(shù)據(jù)，研究不同地質(zhì)條件對掘進參數(shù)的設(shè)置是否存在顯著影響。基于SPSS軟件，分別對5個掘進參數(shù)進行正態(tài)性檢驗以及方差齊性檢驗，結(jié)果均不滿足要求，故本文選取非參數(shù)檢驗對數(shù)據(jù)進行分析，分析結(jié)果如表1所示。

表1 非參數(shù)檢驗

從表1中可以看出，地質(zhì)條件對掘進速度、刀盤扭矩、總推力、泥水倉壓力的影響是顯著的；而地質(zhì)條件對刀盤轉(zhuǎn)速的影響并不顯著。事實上，非參數(shù)檢驗情況下地質(zhì)條件對刀盤轉(zhuǎn)速無顯著影響，并不代表地質(zhì)條件對刀盤轉(zhuǎn)速沒有影響，根據(jù)掘進參數(shù)施工記錄資料顯示，不同地質(zhì)條件下的刀盤轉(zhuǎn)速存在一定區(qū)別。這主要是因為在地鐵盾構(gòu)施工過程中，盾構(gòu)工程師會根據(jù)地面監(jiān)測結(jié)果反饋、通過建筑物等因素對參數(shù)進行實時調(diào)整，可以說人員操作是刀盤轉(zhuǎn)速的主要影響因素。

通過以上分析可知，雖然掘進參數(shù)是影響盾構(gòu)施工效率的直接因素，但地質(zhì)條件才是影響盾構(gòu)施工效率的根本因素，而地層參數(shù)是對地質(zhì)條件的綜合反映。因此，本文將地層參數(shù)作為盾構(gòu)施工效率的主要根本影響因素。

1.2 關(guān)鍵地層參數(shù)的確定

土體粘聚力c、土體內(nèi)摩擦角φ、泊松比v、彈性模量E為土體重要物理力學(xué)性質(zhì)參數(shù)[8]，其中v與E是反映土體變形的參數(shù)，決定了土體的剪切模量，剪切模量越大，表明土體抗剪強度越大，越難以發(fā)生剪切破壞，故而難以切割，反之則相反。c與φ是反映土體強度的參數(shù)，是對土體進行作業(yè)過程中切削阻力的主要因素，是反映土體切削難易的一個重要方面。結(jié)合地勘資料，通過向施工單位訪問得出滲透系數(shù)k是土體透水能力強弱的綜合體現(xiàn)，在盾構(gòu)施工時，k與盾構(gòu)機往土層注水的難易程度有關(guān)，關(guān)系到盾構(gòu)機的向前推進。這5個參數(shù)涉及到隧道工程建設(shè)的安全性、經(jīng)濟性和穩(wěn)定性，故本文選取土體粘聚力c、土體內(nèi)摩擦角φ、滲透系數(shù)k、泊松比v、彈性模量E為關(guān)鍵地層參數(shù)，作為研究盾構(gòu)施工效率的影響要素，部分土體地層參數(shù)取值如表2所示。

表2 土體地層參數(shù)

2 盾構(gòu)施工效率分析模型

為對盾構(gòu)施工效率進行有效分析，采用SA-LS-SVM對實際工程監(jiān)測數(shù)據(jù)進行函數(shù)擬合，將地層參數(shù)作為輸入變量，構(gòu)建能反映地層參數(shù)與盾構(gòu)施工效率關(guān)系的預(yù)測模型。為評價地層參數(shù)對盾構(gòu)施工效率的敏感度，在參數(shù)分布空間內(nèi)對地層參數(shù)進行兩次獨立抽樣，并將抽樣數(shù)據(jù)作為輸入變量代入SA-LS-SVM預(yù)測模型進行計算，利用Sobol’法對計算結(jié)果進行全局靈敏度分析，獲得地層參數(shù)的敏感性分布。

2.1 SA-LS-SVM盾構(gòu)施工效率預(yù)測模型建立

為簡便計算、提高速度，Suykens等[9]在支持向量機(SVM)的基礎(chǔ)上提出了最小二乘支持向量機(LS-SVM)，LS-SVM克服了大樣本的依賴性，能較好地解決小樣本、高維度等數(shù)據(jù)問題，在各大領(lǐng)域被廣泛應(yīng)用[10]。由于地鐵盾構(gòu)施工環(huán)境復(fù)雜，其數(shù)據(jù)往往存在小樣本、非線性、高維度的特點，故文中選用LS-SVM建立盾構(gòu)施工效率的預(yù)測模型。

針對地鐵盾構(gòu)施工效率問題，本文選擇非線性映射能力較強的高斯徑向基核函數(shù)(Radial Basis Function，RBF)，由LS-SVM方法原理[11]可知，容錯懲罰系數(shù)γ(其定義了擬合誤差的容忍度，即決定了模型的泛化能力)和內(nèi)核參數(shù)I(其定義了單個樣本對整個分類超平面的影響，即決定了數(shù)據(jù)映射到新的特征空間后的分布)對地鐵盾構(gòu)施工效率預(yù)測的精度有較大影響，考慮到模擬退火(SA)算法是一種啟發(fā)式隨機搜索算法，是高效的全局優(yōu)化技術(shù)[12]，因此本文選擇SA算法對參數(shù)γ和δ進行優(yōu)化，SA-LS-SVM預(yù)測流程如圖1(圖中SA-LS-SVM預(yù)測模型：Y=f(X)=f(x1,x2,…,xm)，Y為盾構(gòu)施工效率，X為輸入的地層參數(shù))所示。

圖1 SA-LS-SVM預(yù)測流程

2.2 盾構(gòu)施工效率影響參數(shù)全局靈敏度分析

靈敏度分析可分為全局靈敏度分析和局部靈敏度分析，局部靈敏度分析忽視了多個因素間的交互作用，而全局靈敏度分析考慮了多個因素同時變化時，因素間的交互作用以及對系統(tǒng)輸出的影響[13]。Sobol’法是一種定量評估方法，其基于方差研究單個輸入變量或多個輸入變量之間相互作用對系統(tǒng)輸出的影響[14]，是一種經(jīng)典的全局靈敏度分析方法，可用于非線性、非疊加性模型，能分析參數(shù)間的高階交互效應(yīng)[15]，計算結(jié)果可靠，故文中選用Sobol’理論建立全局靈敏度分析模型。其基本原理可描述為將函數(shù)f(x)分解為2m個遞增項之和，通過計算模型參數(shù)的輸入對輸出方差的影響，從而求得各階靈敏度系數(shù)[16]。

由于建立的盾構(gòu)施工效率預(yù)測模型具有較大的復(fù)雜性和非線性，因此將靈敏度分析模型方差通過蒙特卡洛方法進行估算。假設(shè)地層參數(shù)在分布空間內(nèi)分別進行兩次獨立抽樣，樣本為Sn×m，Hn×m，其中n為樣本規(guī)模、m為地層參數(shù)個數(shù)，具體估算公式如式(1)～(6)所示：

(1)

(2)

(3)

(4)

(5)

(6)

式中：Si為輸入的地層參數(shù)xi單獨作用時對盾構(gòu)施工效率的影響，Si越大表明參數(shù)xi的不確定性對盾構(gòu)施工效率的影響越大；STi為地層參數(shù)xi的各階靈敏度系數(shù)的總和，表示該參數(shù)單獨作用及其與其他參數(shù)交互作用對盾構(gòu)施工效率的共同影響。故當(dāng)參數(shù)xi的Si與STi相差較大時，可認(rèn)為該參數(shù)與其余地層參數(shù)之間存在明顯的交互作用。

3 實證分析

3.1 工程概況

武漢地鐵A號線某泥巖區(qū)間工程采用泥水平衡盾構(gòu)機施工，區(qū)間工程沿線地層條件較為復(fù)雜，泥水盾構(gòu)不僅要穿越粉質(zhì)黏土、粗砂等地層，還會遇到微風(fēng)化泥巖、中等風(fēng)化泥巖、強風(fēng)化泥巖等不良地質(zhì)環(huán)境。區(qū)間工程的泥巖X衍射試驗報告表明，該區(qū)間泥巖礦物主要由綠泥石和伊利石等組成，其中，綠泥石含量高達15.78%，伊利石含量高達15.37%，這些高含量礦物都具有強大的離子交換能力和親水性以及優(yōu)異的吸水膨脹能力和吸附能力。

以往泥巖掘進中并未遇到本次高伊利石和綠泥石含量的泥巖，且以往所遇到的泥巖對盾構(gòu)掘進影響較小，而此次含量較高、較為罕見，具有特殊性和不可預(yù)見性。在掘進過程中，高含量的伊利石和綠泥石使得刀盤切削形成的微粒易吸附于金屬表面，形成刀盤泥餅、泥水倉中心泥餅，導(dǎo)致掘進參數(shù)不佳，掘進難度加大，部分工程數(shù)據(jù)如表3所示，可以看出當(dāng)在特殊泥巖中盾構(gòu)掘進時掘進參數(shù)發(fā)生了顯著變化，盾構(gòu)施工效率明顯降低。

表3 部分工程數(shù)據(jù)

3.2 基于SA-LS-SVM模型的預(yù)測結(jié)果分析

3.2.1 盾構(gòu)施工效率預(yù)測模型仿真結(jié)果分析

對數(shù)據(jù)進行擬合時，需將所收集的資料分為兩類，一類是體現(xiàn)地質(zhì)條件的輸入變量即5個地層參數(shù)，另一類是體現(xiàn)盾構(gòu)施工快慢的輸出變量即盾構(gòu)施工效率。地層參數(shù)的大小根據(jù)地勘資料確定，當(dāng)同一開挖面含有不同地層時，根據(jù)開挖面各地層所占比重取各地層參數(shù)的加權(quán)平均值[7]。目前在盾構(gòu)機方面，對盾構(gòu)施工效率還沒有較完整的定義，一般將掘進速度作為衡量盾構(gòu)施工效率的唯一標(biāo)準(zhǔn)，但這兩者并不等同，其中存在掘進時間與非掘進時間的差異。由于地鐵盾構(gòu)施工時以環(huán)作為計量單位，盾構(gòu)機每掘進一環(huán)會停頓以進行盾構(gòu)姿態(tài)測量以及管片安裝等工作。因此為更貼近工程實際情況，本文以掘進每環(huán)所需時長為數(shù)據(jù)基礎(chǔ)來研究盾構(gòu)施工效率，盾構(gòu)總時長越長，盾構(gòu)施工效率越低，其中盾構(gòu)總時長包括掘進時間、管片安裝時間以及其他時間。

以武漢地鐵A號線某泥巖區(qū)間工程監(jiān)測的實際工程數(shù)據(jù)為基礎(chǔ)，選取160組數(shù)據(jù)作為預(yù)測模型的擬合數(shù)據(jù)，其中隨機選取90%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)分別代入LS-SVM模型與SA-LS-SVM模型進行訓(xùn)練。

由于各參數(shù)量綱不同，故先對數(shù)據(jù)進行歸一化處理，計算公式如式(7)所示，將處理好之后的數(shù)據(jù)代入模型進行訓(xùn)練。

F=(x-xmin)/(xmax-xmin)

(7)

式中：F為歸一化后的數(shù)據(jù)；x為原始數(shù)據(jù)；xmax，xmin分別為數(shù)據(jù)組的最大值和最小值。

為檢驗改進后預(yù)測模型的有效性以及準(zhǔn)確性，將其余10%的測試數(shù)據(jù)代入訓(xùn)練好的模型，LS-SVM預(yù)測模型與SA-LS-SVM預(yù)測模型的測試集擬合結(jié)果如圖2所示，并計算相對絕對值誤差，如表4所示。

圖2 測試集擬合結(jié)果對比

測試集平均相對絕對值誤差計算公式為：

(8)

式中：σ為測試集平均相對絕對值誤差；fi為第i個測試樣本預(yù)測值；ai為第i個測試樣本實際值；nf為測試集樣本數(shù)量。

由圖2和表4可知，改進后模型的測試集平均誤差為3.49%，最大誤差為6.73%，相比于改進前，預(yù)測精度有明顯提高，可以滿足精度要求。

表4 模型優(yōu)化前后對比 %

3.2.2 增加的機械臺班費評估結(jié)果

工程資料顯示，在特殊地質(zhì)條件下盾構(gòu)施工時，由盾構(gòu)施工效率降低所引起的施工成本的增加可分為3類費用，包括工效調(diào)整類費用、消耗類費用與特殊地質(zhì)改良費。其中消耗類費用和特殊地質(zhì)改良費均與盾構(gòu)施工效率存在直接的負(fù)相關(guān)線性關(guān)系，而工效調(diào)整類費用即增加的機械臺班費，則需根據(jù)工效系數(shù)進行計算，故本文以機械臺班費為例，驗證建立的SA-LS-SVM預(yù)測模型對增加的施工成本評估的準(zhǔn)確性，如式(9)所示：

(9)

式中：M1為增加的機械臺班費；∑(Ti/li)/(N1t)為工效系數(shù)，Ti為泥巖掘進時第i個樣本預(yù)測的盾構(gòu)總時長，li為第i個樣本的管片長度，N1為泥巖掘進總環(huán)數(shù)，t為正常掘進每延米的盾構(gòu)時長；R為盾構(gòu)機臺班基本價；L為泥巖掘進長度。施工記錄顯示，在正常地質(zhì)條件下平均掘進每延米需要1.05 h。

統(tǒng)計武漢地鐵A號線整個泥巖區(qū)間共652環(huán)的地層參數(shù)，將地層參數(shù)帶入訓(xùn)練好的SA-LS-SVM預(yù)測模型，根據(jù)預(yù)測結(jié)果，計算得出工效系數(shù)為3.33，依據(jù)《武漢城市軌道交通工程消耗量定額及基價表(試行)》，機械臺班基本價為1978.79元/m，則增加的機械臺班費用測算結(jié)果如表5所示。

表5 增加的機械臺班費

由表5可以看出，通過對盾構(gòu)施工效率的有效預(yù)測可以準(zhǔn)確地對增加的機械臺班費進行評估，并且其余兩類費用均與盾構(gòu)施工效率存在負(fù)相關(guān)的線性關(guān)系，即盾構(gòu)施工效率越高，所需費用越低。因此，建立的SA-LS-SVM預(yù)測模型可對施工成本進行準(zhǔn)確評估，進而為施工成本的預(yù)控管理提供參考，優(yōu)化施工成本。

3.3 靈敏度分析結(jié)果

通過對武漢地鐵A號線某泥巖區(qū)間工程進行研究，可知，由于地鐵盾構(gòu)的特殊地質(zhì)環(huán)境，導(dǎo)致施工難度劇增，盾構(gòu)施工效率嚴(yán)重下降，盾構(gòu)耗材倍增，進而使盾構(gòu)施工的相關(guān)費用隨之大幅度增加。而目前對于結(jié)合特殊地質(zhì)條件，如何提高盾構(gòu)施工效率的經(jīng)驗知識相當(dāng)有限，存在因知識不足而產(chǎn)生的認(rèn)知性缺陷，對盾構(gòu)施工效率的有效提升是非常不利的，另外，若在施工前對可能發(fā)生的風(fēng)險應(yīng)對措施準(zhǔn)備不足，在盾構(gòu)掘進過程中解決突發(fā)事件所花費的時間是很不經(jīng)濟的。

故本文結(jié)合特殊地質(zhì)條件，在預(yù)測模型的基礎(chǔ)上建立靈敏度分析模型，通過對地層參數(shù)進行全局靈敏度分析，可辨識出對盾構(gòu)施工效率影響較大的地層參數(shù)，這些參數(shù)也會通過影響盾構(gòu)施工效率，進而影響施工成本，施工時需對這些參數(shù)進行重點把控。

3.3.1 Sobol’法計算結(jié)果收斂性分析

為使得到的靈敏度系數(shù)結(jié)果穩(wěn)健可靠，需要對其計算結(jié)果收斂性進行分析。由于拉丁超立方抽樣(Latin Hypercube Sampling，LHS)能在較小的實驗次數(shù)下得到較滿意的實驗結(jié)果，且LHS呈現(xiàn)了良好的分層效果[15]，故本文采用LHS對數(shù)據(jù)進行采樣。設(shè)定基礎(chǔ)樣本量為6000，在6000個基礎(chǔ)樣本中分別按步長20抽取20，40，…，6000等子樣本共計300組數(shù)據(jù)進行運算，得到的一階靈敏度系數(shù)與總階靈敏度系數(shù)的收斂結(jié)果如圖3，4所示。可以看出，靈敏度系數(shù)在基礎(chǔ)樣本為4500之后上下波動幅度減小并趨于平穩(wěn)。因此，選擇基礎(chǔ)樣本數(shù)為6000時，所計算的靈敏度系數(shù)是穩(wěn)健可靠的。

圖3 一階靈敏度系數(shù)

圖4 總階靈敏度系數(shù)

3.3.2 特殊地質(zhì)條件下的參數(shù)靈敏度分析

地層參數(shù)的取值范圍根據(jù)工程監(jiān)測實際數(shù)據(jù)取值波動范圍確定，采用拉丁超立方抽樣在各參數(shù)取值范圍內(nèi)分2次選取6000個抽樣值，構(gòu)造2個6000×5的數(shù)據(jù)集，將數(shù)據(jù)集輸入訓(xùn)練好的SA-LS-SVM預(yù)測模型，輸出對應(yīng)的盾構(gòu)時長，在此基礎(chǔ)上，利用Sobol’法對各地層參數(shù)進行全局靈敏度分析，進而得到各參數(shù)對盾構(gòu)施工效率的影響程度，該影響程度也可作為評價地層參數(shù)對施工成本敏感度的重要依據(jù)，地層參數(shù)取值范圍如表6所示。

表6 地層參數(shù)取值范圍

為減小系統(tǒng)隨機誤差，將模型在基礎(chǔ)樣本數(shù)為6000時運行30次，取各地層參數(shù)的靈敏度系數(shù)平均值作為最終結(jié)果，各地層參數(shù)的一階靈敏度系數(shù)Si與總階靈敏度系數(shù)STi如圖5所示。

圖5 地層參數(shù)靈敏度

由圖5可知，各地層參數(shù)對盾構(gòu)施工效率的影響存在一定差異。只考慮參數(shù)單獨作用，各地層參數(shù)對盾構(gòu)施工效率的影響程度依次為：φ，v，E，k，c。考慮參數(shù)交互作用時，各地層參數(shù)對盾構(gòu)施工效率的影響程度依次為：φ，v，E，c，k。

可以看出，無論是只考慮參數(shù)單獨作用還是考慮參數(shù)的交互作用，φ均為最敏感的參數(shù)，這意味著當(dāng)φ取值變化較大時，此盾構(gòu)工程面臨著較大的盾構(gòu)施工效率波動的風(fēng)險；v靈敏度系數(shù)稍低，但遠(yuǎn)大于其它三個地層參數(shù)，表明v也為較敏感因素；φ，v，E的Si與STi排序一致，這表明φ，v，E無論是只考慮參數(shù)的單獨作用還是考慮參數(shù)間的交互作用，對盾構(gòu)施工效率的影響強弱排序都是一致的，且φ，v，E與其余參數(shù)的交互作用均比其各自對盾構(gòu)施工效率的影響更明顯，表明在特殊地質(zhì)條件下，φ，v，E均與其他參數(shù)間存在明顯的交互作用，并更多的以與其他參數(shù)的交互作用影響著盾構(gòu)施工效率；k的Si大于c，但STi卻小于c，這是由于c與其他參數(shù)的交互作用比k與其他參數(shù)的交互作用對盾構(gòu)施工效率的影響更為顯著。

綜上所述，φ為最敏感的參數(shù)，故需對φ取值變化較大的地方加以重視，盡可能多地進行地質(zhì)勘探、力學(xué)實驗等，以獲取充足的數(shù)據(jù)對其空間分布特征進行精細(xì)化描述；相對于φ而言，v的敏感性稍低，但遠(yuǎn)大于排名第三的E，因此，亦需對其加以重視；地層參數(shù)間的交互作用會對盾構(gòu)施工效率產(chǎn)生影響，在施工過程中涉及到關(guān)鍵地層參數(shù)時，應(yīng)充分考慮各地層參數(shù)間的交互作用，但k的總階靈敏度系數(shù)只略高于其一階靈敏度系數(shù)，表明它更多的以單獨作用影響著盾構(gòu)施工效率，施工時可忽略它與其他參數(shù)的交互作用。此外，特殊地質(zhì)條件下施工時，添加劑的選擇尤為重要，可根據(jù)地層巖土的化學(xué)分析報告，結(jié)合靈敏度分析結(jié)果，采用針對性的添加劑，并根據(jù)實際情況進行配比，根據(jù)施工情況進行使用。

4 結(jié) 論

充分利用SA尋找最優(yōu)解的能力與LS-SVM對高維度、非線性、小樣本數(shù)據(jù)的學(xué)習(xí)能力，構(gòu)建SA-LS-SVM模型對盾構(gòu)施工效率進行預(yù)測；在此基礎(chǔ)上，建立基于Sobol’法的全局靈敏度分析模型，探究復(fù)雜非線性樣本數(shù)據(jù)情況下各地層參數(shù)交互效應(yīng)對盾構(gòu)施工效率的影響，以進一步辨識出敏感參數(shù)。論文的主要結(jié)論有：

(1)構(gòu)建的SA-LS-SVM盾構(gòu)施工效率預(yù)測模型，測試集平均相對絕對值誤差為3.49%，符合精度要求；基于該模型對增加的機械臺班費進行預(yù)測，誤差為-2.92%，可推廣運用于存在小樣本、高維度、非線性數(shù)據(jù)問題的工程成本預(yù)控管理。

(2)各地層參數(shù)對盾構(gòu)施工效率的全局靈敏度由高到低依次為：內(nèi)摩擦角、泊松比、彈性模量、粘聚力、滲透系數(shù)。其中，滲透系數(shù)更多的以單獨作用影響著盾構(gòu)施工效率，施工時可忽略它與其它地層參數(shù)的交互作用；內(nèi)摩擦角為最敏感的影響因素，應(yīng)加以重視，對其變化特征進行詳細(xì)描述。結(jié)果可為項目管理人員提供更加科學(xué)的決策依據(jù)與更加有效的施工進度管理。

本文從地層參數(shù)角度對盾構(gòu)施工效率展開分析。地層參數(shù)間的相互作用對盾構(gòu)施工效率存在顯著影響，加強模型參數(shù)間的相關(guān)性分析可作為延伸的研究方向。