地鐵隧道盾構機智能糾偏技術研究

摘要：針對地鐵盾構施工中經常出現的軸線偏差，而盾構機參數難以確定，糾偏施工常常依賴人工經驗的問題，基于糾偏幾何算法和深度神經網絡算法（DNN）構建盾構軸線智能糾偏模型。經工程實踐表明，該模型可實現盾構施工軸線偏差智能預測及糾偏，平均誤差率控制在5%以內，可有效提高地鐵盾構施工的準確性、安全性和施工效率。

關鍵詞：地鐵隧道;盾構機;軸線偏差;糾偏施工

0" "引言

地鐵在很大程度上可以緩解城市日益擁堵的交通狀況，近些年來我國各大城市的地鐵建設均取得了飛躍式發展。在地鐵建設當中，最常用的就是盾構法，該方法具有高效性、安全性、隱蔽性、環保性等優勢，已成為當前世界隧道建設的主流施工方法。然而盾構法施工也面臨著諸多困難與挑戰，受地質條件、施工環境、線路線形以及盾構機本身性能的影響，盾構機很容易發生軸線偏離，且這種偏離很難預測和避免。

為了減小軸線偏離對工程安全和質量的影響，必須及時對盾構機的掘進施工參數進行調整[1-5]。但目前而言，盾構機糾偏往往還是依賴于施工人員的經驗進行，人為主觀因素的影響較大，糾偏準確度和效率很難得到保證，因而有必要對地鐵隧道盾構機智能糾偏進行研究。本文針對盾構機軸線偏離這一問題，構建盾構軸線智能糾偏模型，并將其應用到實際工程中，以期能為地鐵盾構糾偏施工提供借鑒。

1" "盾構施工軸線偏差原因

1.1" "盾構機分類及構造

盾構機可按照是否需要封閉、直徑大小、施工的地層以及工作原理等進行劃分，當前主流的盾構機主要分為為泥水平衡式、土壓平衡式以及硬巖TBM三類。盾構機是由多個子系統組成的復雜地下施工設備，包括刀盤、螺旋機、土倉、主驅動、推進缸、人員倉、管片拼裝機、管片密封、尾刷密封、尾盾、支撐環、切口環等結構，如圖1所示。

1.2" "盾構施工流程

盾構施工主要可以分為盾構始發、盾構正常掘進和盾構接收三個階段，其中盾構正常掘進階段是盾構施工最重要的環節，決定了地鐵隧道施工的成敗。在盾構正常掘進階段，主要包括盾構掘進、管片拼裝、沉降監測、盾構姿態參數監測等流程，當盾構姿態參數超過規定的閾值時，就需要采取糾偏措施，以確保地鐵隧道的設計軸線與盾構機的掘進軸線盡可能保持一致。

1.3" "盾構軸線偏差原因

隧道軸線是地鐵在規劃設計階段，根據地質、周圍建筑物、周圍管線以及施工難易度等綜合比選后確定的最佳線路走向。在盾構施工過程中，必須利用導向測量系統（如PPS系統、STS-TAPD系統、ROBOTEC系統）進行實時監測，時刻掌握盾構機的掘進方向、掘進位置以及盾構姿態等參數。

導致盾構軸向偏差的主要原因有6點：一是施工操作方面的原因。由于盾構施工中受地質條件影響，很可能導致受力不在條軸線上，從而形成力偶，導致軸線偏離。二是地質方面的原因。在不均勻地層或者富水軟弱地層中，盾構機最容易向比較松軟的一方發生偏離。三是盾構機自身重力的影響。由于盾構機的盾首質量一般大于盾尾質量，導致在特殊地層下容易發生“低頭”現象。四是成環管片拼裝質量的影響。若成環管片在拼裝時存在誤差，就會導致盾構機的油缸推力的反作用力方向不在一條直線上，形成力偶后便會導致軸向偏差。五是監控系統測量的影響。當盾構機的導向監測系統存在測量誤差時，隨著盾構掘進施工的進行，誤差累積會越來越大，導致盾構偏離。六是推進系統性能的影響。如果盾構機的推進缸存在油壓不穩定的狀況時，也會導致盾構軸線發生偏離。

2" "盾構軸線糾偏方法

針對盾構機掘進過程中出現的軸線偏差問題，提出利用幾何計算+深度神經網絡算法（DNN）相結合的糾偏方法進行糾偏施工，具體流程見圖2。第一步：根據導向測量系統測量結果，獲取當前盾構掘進軸線的偏差值。第二步：利用幾何計算方法得到需要糾偏的環數以及每環對應需要的糾偏量。第三步：通過等寬法對盾構歷史的糾偏數據進行等寬離散化處理，獲取與盾構掘進偏差區間有強關聯性的掘進參數和對應的區間取值。第四步：利用DNN算法對軸線偏差量回歸模型和掘進參數進行迭代訓練，得到每環的糾偏掘進參數推薦值。第五步，將m個偏差值與反向圓所計算偏差量求取絕對誤差，取絕對值最小的掘進參數作為糾偏掘進施工參數。

3" "應用分析

3.1" "工程概況及數據

某市地鐵三號線二期工程某盾構區間主要地層分布為砂土、粉性土以及飽和黏性土，全長19.8km，沿線地面交通較為繁忙，地下排污、自來水、電纜等管道眾多，施工環境十分復雜。對2020年3月1日至2020年7月1日共4個月的盾構歷史數據進行采集和分析。該數據樣本共包含760環的歷史數據，共計530590條掘進參數數據，數據特征維數為95。

3.2" "數據預處理

由于監測數據量巨大，且原始數據中存在許多臟數據，因此需要對監測歷史數據進行預處理。預處理包括缺失值處理、異常數據處理、無量綱化處理，并分割出多有歷史糾偏段的數據。對新數據中的盾構軸線每環的偏差量進行計算并取均值，使得每一環對應一條監測數據。對每環的偏差量進行正太分布分析，剔除[-u-2σ，u+2σ]區間之外的監測數據，從而構成新的盾構歷史糾偏數據（760環剔除后剩余428環），將剔除之后的每環糾偏量控制在-13～13mm之間。

原始監測數據為95維，計算量十分巨大，為簡化計算，還需要對原始數據進行降維處理。在數據降維處理過程中，對刀盤密封溫度、注漿量、注漿壓力等與盾構軸線偏離無關的數據進行剔除，同時還將不可人為設置的一些參數（如滾動角、俯仰角、導向垂直趨向、導向水平趨向等）進行剔除，最終保留下人為可控盾構掘進參數12項和盾構姿態參數4項。降維之后的盾構歷史糾偏數據如表1所示。

3.3" "關聯分析及回歸預測

在數據預處理完成之后，利用等寬法對盾構歷史糾偏數據進行離散化處理，從而獲得每一環盾構區間歷史糾偏區間數據（以切口垂直偏差為例，可將其劃分為8個區間。然后設置最小支持度為0.5，最小置信度為0.7，對盾構歷史糾偏區間數據進行關聯規則分析。通過整理盾構歷史糾偏數據關聯規則的合并和整理，得到不同偏差區間下的盾構掘進參數區間。

將切口水平偏差、切口垂直偏差、盾尾水平偏差、盾尾垂直偏差等盾構姿態參數，作為DNN模型的輸出參數，將當前環號、千斤頂推力上、千斤頂推力下、千斤頂推力左、千斤頂推力右、推進油缸行程上、推進缸行程下、推進缸行程左、推進缸行程右、刀盤轉速、刀盤扭矩、鉸接行程（上、下、左、右）等，人為可控掘進參數作為DNN模型的輸入參數。DNN激活函數選擇sigmoid函數，輸入層神經元為8，隱藏層神經元為3，輸出層神經元為1。軸線偏差變化量回歸模型輸入輸出參數情況見表2。

將428環盾構歷史糾偏數據劃分為兩個部分，其中80%作為訓練樣本（共計343環），20%作為測試樣本（共計85環）。通過訓練集對DNN模型進行訓練，再對剩余20%樣本進行糾偏量的預測，并與真實偏差結果進行對比，見圖3。

從圖3可以看到：經DNN模型訓練之后的糾偏預測量與實際糾偏值走勢基本一致，切口水平偏差變化量回歸模型、切口垂直偏變化量回歸模型、盾尾水平偏差變化量回歸模型、盾尾垂直偏差變化量回歸模型預測量與真實糾偏量之間的平均誤差分別為4.4%、2.6%、2.9%和3.7%。

3.4" 參數推薦與糾偏驗證

以其中第325～337環的糾偏施工為例，當盾構施工到第325環時，切口垂直偏差量達到了50mm，因而需要對其進行糾偏施工。

首先利用幾何算法計算該段的軸線偏差量，然后獲取每環糾偏量對應的糾偏區間和掘進參數，將每一環對應的掘進參數進行等份劃分（10等份），利用DNN偏差量回歸模型進行迭代計算，得到10個預測偏差變化量，并與目標糾偏量進行對比，得到絕對誤差值。

將取絕對誤差值最小的掘進參數作為最終的糾偏施工推薦參數（以第325環為例），見表3。從3表可以看到，第325環的目標糾偏量與預測糾偏量絕對誤差僅為5.7%，糾偏掘進推薦參數與歷史糾偏數據中所記錄的糾偏參數基本吻合，表明本文所述的地鐵隧道盾構機智能糾偏技術合理可靠，可在實際工程中予以應用。

4" "結論

本文基于糾偏幾何算法和深度神經網絡算法（DNN）構建盾構軸線智能糾偏模型。該方法通過提取盾構歷史糾偏數據所蘊含的施工信息，并將其作為訓練樣本，可對后續盾構偏差實現智能糾偏，避免了依靠人工施工經驗進行施工參數調整的局限性，提高了地鐵盾構施工的準確性、安全性和施工效率。經應用表明：該方法在盾構施工軸線偏差預測及糾偏方面取得了較好的效果，平均誤差值可控制在5%以內，可在實際過程中予以應用。

參考文獻

[1] 袁傳旭.地鐵盾構區間線路糾偏及調線技術[J].廣東土木與建筑，2017，24（3）：66-69+81.

[2] 丁智，董毓慶，張霄，等.盾構姿態變化對管片影響與控制研究及展望[J].科學技術與工程，2021，21（21）：8745-8756.

[3] 李鵬.泥巖地層小曲線盾構機姿態糾偏及防止管片上浮控制技術[J].國防交通工程與技術，2021，19（2）：62-65+70.

[4] 劉肖楠，馬龍華.基于PSO-PID的盾構機糾偏控制研究[J].計算機測量與控制，2020，28（9）：122-126.

[5] 黃志毅，黃進成.軟弱地層小直徑土壓盾構垂直姿態輔助糾偏技術[J].建筑機械化，2020，41（9）：29-33.