基于深度学习的破碎带盾构施工沉降预测分析

2019-03-11武铁路

隧道建设(中英文) 2019年2期

武铁路

(中铁十六局集团北京轨道交通工程建设有限公司, 北京 101100 )

0 引言

盾构法施工技术距今已有超过200年的历史。盾构法具有掘进效率高、环境扰动小和施工安全性好等特点，其在城市轨道交通、公路隧道以及输水隧洞等领域应用越来越广泛。然而，随着地下空间资源日益枯竭以及城市规划设计的需要，在破碎带、上软下硬等复杂地层条件下进行盾构隧道施工的频率逐渐提高[1-2]。

在复杂地层条件下进行盾构施工存在显著的安全风险。以破碎带为例，盾构施工过程中地层强度大幅变化会造成盾构刀盘严重磨损[3-4]。王在泉等[5]认为破碎带中的承压裂隙水会引起涌水突泥，并造成地面塌陷等地质灾害。张庆松等[6]以及孙星亮等[7]从试验和数值模拟2个方面说明破碎带导致的开挖面地层差异会进一步加剧盾构轴线偏移，并显著增加地面沉降控制难度。因此，有必要对破碎带盾构隧道沉降问题做进一步研究。

目前，关于盾构施工引起地面沉降的预测方法较为丰富。根据沉降分布规律提出的经验公式法,主要利用高斯曲线预测隧道横断面的沉降分布[8-9]。解析法是由Sagaseta[10]提出的利用数学方程计算盾构施工引起的周围土体位移从而预测地面沉降的方法。借助数值模拟技术，Lee等[11]通过建立数值模型研究盾构隧道开挖过程对周围地层的扰动影响，进而确定地面沉降数值。近年来，随着人工智能应用的日益成熟，韦凯等[12]基于盾构施工参数采用蚁群算法对盾构隧道的长期沉降进行预测。然而，上述方法多适用于均匀地层条件，在破碎带等复杂地层条件下无法有效反映完整性较差的开挖面对地面沉降的影响。

本文依托广州地铁7号线谢村站—钟村站区间(简称谢钟区间)盾构工程，在考虑盾构超挖与注浆影响的基础上，通过分析破碎带开挖面特性与不同盾构参数的相关性，提出适用于破碎带地层盾构隧道沉降问题的深度学习预测模型；并利用现场数据对深度学习模型进行训练，有效提升破碎带中盾构隧道沉降预测的准确性。

1 研究方法

为实现破碎带盾构隧道沉降预测，本文主要从确定盾构沉降影响参数以及建立预测模型2方面进行研究。

1.1 盾构沉降影响参数

一般地层条件下，盾构施工导致地面沉降主要由盾构超挖引起地层损失或施工扰动引起盾构周边土体产生二次固结等因素造成[13-14]。谢自韬等[15]通过对盾构注浆过程进行模拟分析，证明壁后注浆可显著减小盾构超挖引起的地面沉降。当盾构隧道掘进线路中存在破碎带时，破碎带引起开挖面整体性降低以及地下水条件的改变会进一步增加发生开挖面失稳、涌水突泥等地质灾害的风险，并最终影响盾构施工造成的地面沉降结果。因此，本文将地层损失相关参数以及破碎带特性作为影响地面沉降的2大类因素。

由于破碎带与盾构开挖面的相对位置不同，在开挖面可能出现不同的破碎带分布情况。对盾构隧道存在影响的破碎带一般尺寸规模较大，相较于尺寸较小的盾构开挖面，盾构隧道掘进方向可假设与破碎带垂直，且可将破碎带在开挖面中的界面简化为水平分布界面，如图1所示。

(a) 盾构沿线剖面图(b) 盾构开挖面剖面图

图1盾构开挖面破碎带分布示意图

Fig. 1 Distribution of fractured zone on shield tunneling face

通过对比不同破碎带分布情况下的地面沉降规律，可确定破碎带对盾构隧道沉降的影响。由于破碎带颗粒尺寸、裂隙水含量等特性无法直接量化分析，故采用破碎带在开挖面中的面积比作为直接反映破碎带特性的参数进行研究分析。不同分布情况下破碎带面积比的计算如图2所示。以开挖面中心为原点建立坐标系，则破碎带在开挖面中的面积为

(1)

式中:Af为开挖面中破碎带的面积，m2；r为开挖面半径，m；h为破碎带侵入开挖面的高度，m。

因此，破碎带面积比可表示为

(2)

式中Kf为破碎带面积比。

(a) 隧道沿线地层分布

(b) A-A剖面(c) B-B剖面

图2破碎带面积比计算示意图

Fig. 2 Calculation sketches of area ratio of fractured zone

由于破碎带分布情况需基于地层勘察结果确定，所以在盾构掘进过程中较难实时分析。为增加工程实用性，本研究采用相关系数矩阵分析方法，确定与破碎带面积比具有较强相关性的盾构施工参数作为破碎带特性参数。

实时记录的盾构施工参数主要有推力、刀盘转矩、刀盘转速、掘进速率、螺旋输送机速率和土舱压力等参数。利用相关系数矩阵法可对上述参数与破碎带面积比之间的相关性进行分析，并最终选择相关性最高的1～2个盾构施工参数作为破碎带特性参数。

1.2 深度学习预测模型

深度学习模型的学习过程为信号前向从输入层经过隐含层传播至输出层，再将误差从输出层经隐含层反向传播至输入层，并依次调节隐含层到输出层的权重和偏置以及输入层到隐含层的权重和偏置。深度学习模型高效的学习特点，使其适用于基于多影响因素的盾构隧道沉降预测。

深度学习模型预测地面沉降的结构图如图3所示。为优化深度学习预测模型的运算效率和预测精度，对影响地面沉降的相关因素进行筛选。盾构掘进过程中,由超挖和注浆共同作用下确定的地层损失是造成地面沉降的最主要原因。具体地，超挖是由于盾构姿态变化、轴线偏移等因素引起，可以通过盾构间隙进行量化；注浆则是对超挖造成地层损失的一种补偿机制，可通过注浆量量化。因此，本研究将量化的盾尾间隙、注浆量以及破碎带特征参数作为输入量，通过深度学习模型的学习反馈机制确定盾构隧道沉降预测模型。

1—n影响因素；S地面沉降。

图3深度学习模型预测地面沉降的结构图

Fig. 3 Structure of deep learning model for settlement prediction

2 研究结果

本研究依托广州地铁7号线谢钟区间盾构工程，应用上述研究方法确定破碎带中盾构隧道沉降预测模型，并对预测结果进行验证分析。

2.1 工程概况

广州地铁7号线谢钟区间盾构工程位于华南褶皱带，区域原始地貌类型可分为珠江三角洲冲积平原地貌和剥蚀残丘地貌。其中，珠江三角洲冲积平原地貌的特点是地势较平坦，现地貌多为拟建道路及新客站附属工程的施工场地，下卧基岩多为白垩系粉砂岩和泥质粉砂岩；剥蚀残丘地貌现多为厂房和市政道路，少量区域为农用地，下卧基岩多为震旦系混合花岗岩，该区域局部丘岗和冲沟相间，地面起伏较大。

根据本区间地质勘查所揭露地层的地质时代、成因类型和岩性特征度等工程特性，将沿线范围内岩土层划分为9类：人工填土层、冲积—洪积砂层、冲积—洪积、坡积土层、残积土层、基岩全风化带、基岩强风化带、基岩中风化带、基岩微风化带和糜棱岩。经现场勘察，在盾构隧道200—600环内存在糜棱岩破碎带，长度约为350 m，总体走向为东南向西北，与盾构隧道呈26°，盾构掘进范围内的破碎带具体分布情况如图4所示。

(a) 盾构左线地层分布

图4 谢钟区间破碎带分布情况

Fig. 4 Distribution of fractured zones on Xiecun Station-Zhongcun Station Section

破碎带内的岩土种类主要有强风化糜棱岩、中风化糜棱岩和微风化糜棱岩3类。强风化糜棱岩呈现灰绿或浅灰色，岩石矿物风化强烈，岩芯呈半岩半土状，遇水易软化、崩解；中风糜棱岩表现为灰绿或浅灰色，呈糜棱结构或碎裂构造，母岩为石英岩，主要矿物为石英、长石和绿泥石，裂隙稍发育，岩芯呈块状及少量短柱状，岩质较硬，锤击声脆，平均岩石质量指标(RQD)值约为25；微风化糜棱岩多为灰绿或浅灰色，岩石结构为糜棱结构或碎裂构造，母岩为石英岩，主要矿物为石英、长石和绿泥石，岩芯较完整，局部可见少量风化裂隙，岩芯呈短柱—长柱状，岩质坚硬，锤击声响，平均岩石质量指标(RQD)值约为85。

2.2 盾构施工参数

盾构施工过程中，对区间每环的推力、刀盘转矩、刀盘转速以及掘进速度进行记录，结果如图5所示。总体上，盾构在进入破碎带前的掘进速度相对较高，进入破碎带后盾构左右线的掘进速度均开始震荡下行，并最终保持在20 mm/min左右。在300环附近由于受破碎带与上软下硬复合地层的影响，刀盘转速调整较为频繁，且出现较大范围的波动。盾构总推力则一直保持波动状态，但均值变化不大。刀盘转矩一直保持宽幅震荡，可能是受开挖面破碎程度影响的原因。

(a) 盾构总推力

(b) 刀盘转矩

(d) 掘进速度

Fig. 5 Shield tunneling parameters in fractured zone of Xiecun Station-Zhongcun Station Section

2.3 地面沉降及相关参数监测

盾构掘进过程中，每隔20环设立地面沉降监测截面，记录盾构通过截面后盾构隧道正上方的最大地面沉降值，含破碎带的200—600环地面沉降结果如图6所示。盾构左右线均以沉降为主，左线350环与右线275环附近存在轻微地面隆起。盾构左右线沉降最大值均出现在400环附近。

土体损失率作为均质地层条件下盾构引起地面沉降最主要的因素，在谢钟区间盾构掘进过程中，采用记录盾尾间隙以及注浆量的方法进行了监测。图7与图8分别示出200—600环盾尾间隙均值与注浆量数值。盾构左右线盾尾间隙的均值基本都保持在70～80 mm，左线偶尔存在下降的情况，但总体上盾构掘进过程中地层损失保持在稳定状态。盾构左线的注浆量基本保持在6～8 m3，而右线则在350—425环出现明显上涨。

图6 谢钟区间盾构隧道地面沉降

Fig. 6 Ground settlement during shield tunneling in Xiecun Station-Zhongcun Station Section

图7 谢钟区间200—600环盾尾间隙

Fig. 7 Shield tail gap of ring 200 to 600 in Xiecun Station-Zhongcun Station Section

Fig. 8 Grouting volume of ring 200 to 600 in Xiecun Station-Zhongcun Station Section

综合图7和图8可知，350—425环地层损失率在盾尾间隙保持不变和注浆量增加的共同作用下产生下降，但按照均值地层沉降规律，此时，地面沉降应出现减小趋势。然而，图6对应的实际地面沉降在350环减小后立即出现增大趋势，并在400环左右盾构左右线同时达到沉降最大值。根据现场监测的差异，可以推测均值地层地面沉降规律在破碎带地层条件下的适用性较差，需进一步考虑潜在的破碎带特性参数对地面沉降的影响。

2.4 破碎带表征因素分析

由图4中破碎带分布情况可确定开挖面内破碎带的侵入高度，并由式(1)和式(2)得到开挖面破碎带面积比，计算结果如图9所示。开挖面破碎带面积比的变化趋势与地层分布情况具有一致性。盾构左线开挖面破碎带占比更大，而盾构右线的破碎带面积比的变化更为频繁。

图9 谢钟区间破碎带面积比

Fig. 9 Area ratio of fractured zone in Xiecun Station-Zhongcun Station Section

剔除不存在破碎带的开挖面后，采用相关系数矩阵分析破碎带面积比与盾构参数的关系，计算结果如表1所示。表中，Kf为破碎带面积比，F为推力，T为刀盘转矩，R为刀盘转速，A为掘进速度。通过对不同盾构参数相关系数的对比分析，可确定刀盘转矩与破碎带面积比的相关性最好，故将刀盘转矩作为代表破碎带特性的参数。

表1 面积比与盾构参数相关系数计算结果

2.5 深度学习模型沉降预测

剔除谢钟区间200—600环内开挖面不存在破碎带的环号后，得到左线共86环、右线共298环刀盘转矩、盾尾间隙以及注浆量数据。将右线298环参数数据作为输入值导入模型的输入层，将对应的地面沉降数据导入模型输出层。预测模型训练结束后，对左线86环参数以及对应的地面沉降进行验证。通过设置不同隐含层和节点数进行模型试算发现，将隐含层设置为1层、隐含层节点数设为10、迭代次数设为3 000，可得到满足工程精度要求的预测结果。同时，进一步增加节点数并未带来预测精度的显著上升，反而极大增加计算成本。

图10示出考虑破碎带和不考虑破碎带模型的预测效果对比。相较于不考虑破碎带特性时的深度学习模型沉降预测结果，考虑破碎带的预测值与沉降实测值更为接近，说明本研究提出的深度学习模型能基于刀盘转矩等盾构施工参数更加准确地预测盾构隧道沉降值。因此，针对破碎带盾构施工，考虑破碎带特性的预测效果好于仅考虑盾构超挖和注浆的预测效果。

图10 深度学习模型沉降预测拟合效果

Fig. 10 Fitting results of settlement prediction results by deep learning model

3 分析讨论

图11示出剔除开挖面无破碎带环号的盾构左线深度学习模型误差。盾构掘进至300环附近时，开挖面内的破碎带面积比较大。使用不考虑破碎带特性模型的预测效果较差，最大误差达20 mm，不符合工程使用要求。对应的考虑破碎带特性模型的预测误差仅为8 mm左右，预测精度更高。其余盾构掘进过程中，预测误差均维持在±10 mm，基本满足工程要求。但是，预测结果与实测值还存在一定的误差，其原因可能与破碎带裂隙发育程度有关，将由后续研究做进一步分析。需要指出的是，本研究仅利用深度学习模型探索了隧道轴线正上方的最大沉降，对于沉降的横向分布未作研究。今后可结合Peck公式对地面沉降分布形态的深度学习预测模型做进一步研究。