泥水气压平衡盾构沉降智能预测技术

胡 央

(昆山阳翎机器人科技有限公司，江苏 苏州 215399)

1 概述

泥水气压平衡盾构机通常在建筑密集区或人流量巨大区域施工，地面情况复杂多变，为了保证隧道施工质量，确保地表建筑施工期间稳定，地面沉降是最关键的一个参考变量[1]。

盾构机造成的土体扰动重新固结需要时间，实践应用中一般等待90 d之后即可认为土体稳定[2]，但此时盾构机已经远离该施工点，如果施工质量有问题，无法采取任何补救措施[3]。

2 工程背景

上海北横项目贯穿上海中心城区，地下隧道段共分为东西线两段，整条隧道设计急弯多，轴线变化大。德国海瑞克公司制造的超大直径泥水气压平衡盾构机用于项目的隧道施工。

目前沉降量的数值没有定量计算工具可供使用，施工中使用地面沉降Peck公式来估算[4]。利用Peck公式估算地表沉降时，需要考虑地层损失率和地面沉降槽宽度，但是这两个参数的选择有局限性，每个地区的土层特性都有不同取值，而且参数并不是连续变化[5]，特别的，上海隧道的施工属于软土工况，无法使用线性拟合预估参数，实际应用中发现预估沉降值误差较大，无法为现场施工人员提供有效参考信息。

3 智能沉降预测方法

针对某个工程变量的预测在实践中很普遍，通常由线性或非线性回归拟合来完成[2，6]。但地表沉降受多个环境变量影响，各变量之间相互耦合，存在复杂的非线性关系，仅用普通回归分析得到的沉降预测必然缺少鲁棒性，重复性差[7，8]。

本文提出了一种新的生成对抗网络Generative Adversarial Network(GAN)架构，通过让两个神经网络相互博弈的方式进行学习[9]。该构架包含一个生成网络G和一个判别网络D。生成网络G的目的是其输出结果尽可能的模仿现实中的样本，G的结果随后被送往判别网络D，D的目的是尽可能区分真实样本或G的输出，而G的目的则是要尽可能骗过D的检测。两个网络相互对抗，通过迭代训练，不断收敛模型参数，最后使得判别网络D无法确定生成网络G的输出是真实的数据还是其生成的预测输出，此时，生成网络为系统所需要的预测神经网络。

该模型以端到端的方式进行训练，通过对抗性学习系统生成和实际沉降情况相同的数据分布，不再受限于回归拟合模型的限制，目的是通过使用当前盾构掘进机某些特定施工参数来估算地面长期沉降情况，是一种新的智能预测技术。

3.1 生成网络(Generator)

模型的生成网络由长短期记忆网络(LSTM，Long Short-Term Memory)构成，是一种时间循环神经网络，将不同时间节点的数据串联起来[10]。选择LSTM的原因是地下施工领域，盾构机动作造成的周围环境变化有时间关联性，例如当前环的推进速度和气压仓压力不仅对前一施工环的地面沉降有影响，对下一环的沉降也存在影响力。

生成网络的示意结构见图1，为了便于说明，已经省略了LSTM的细节。假设我们的输入是Xn-1={x1n-1，…,xin-1}，Xn-1为前一环的施工参数向量作为LSTM的输入，输出为ht，而ht作为全连接层的输入，通过当前环的施工参数向量Xn后得到预测沉降值G(x)。

G(x)=Xnht+bh

(1)

其中,bh用来做线性偏差修正。通过式(1)可以利用前一环和当前环的施工参数实现对当前环的地表沉降预测。

网络训练阶段，每次通过网络生成的一个“假”的沉降值，交由判别网络评估，如此循环往复，直至网络收敛，目标是生成的“假”沉降值和实际测得的“真”沉降值分布误差在一定范围内，此时，生成网络可模拟出实际地表沉降的分布。

3.2 判别网络

GAN架构中的判别网络使用CNN(卷积神经网络)。原因有两个：CNN从已有特征中提取特征的能力非常强大，在沉降预测应用中，可以利用CNN的特点提取施工参数的少量变化趋势，从而进一步提取施工参数变化的模式，最后可以利用网络提取到沉降数值变化的模式。使用CNN的另一个原因是CNN在空间数据上运行良好，这意味着彼此接近的数据点之间的相关性比分离的数据点更高，这对于地表沉降这类时间序列的数据也同样适用。卷积神经网络包括输入层、隐藏层和输出层，其中隐藏层包括卷积层、中间层和全连接层[11]，一共分为5层。

判别网络运行时，输入为生成网络LSTM输出ht通过卷积网络提取ht特征并分类，计算输入伪数据(生成网络构造)和真数据时(实际测量数据)的概率，分别记为E[logD(G(Xf))]和E[logD(Xr)]，E为数学期望值。

3.3 GAN的目标函数及训练算法流程

GAN网络的训练流程可由下列目标函数表达，先固定生成网络G，训练判别网络D；随后固定判断网络D，训练生成网络G；不断重复直至收敛。

通过上述最小化和最大化的相互的博弈过程，理想情况下会收敛于生成拟合真实样本分布的神经网络，即判断网络无法分辨生成网络的输出数据是真是假，两者概率都为0.5，达到纳什均衡状态[12]。

网络的训练采用随机梯度下降方法[13]，训练流程如图2所示。

为了构建针对地表沉降预测的对抗网络模型，在北横隧道东线和西线施工历史数据中，利用经验分析、均值回归理论和相关性分析，选取了覆土厚度、推进速度、实时注浆量、油缸行程、气压仓压力以及进/排泥流量作为GAN网络的输入。

生成网络在隧道施工过程中实时采集盾构机前600 s有效传感器数据再加上前一整环的施工数据，输出为覆土厚度的变化，即地表沉降变化数值。共有412组有效数据作为样本，其中80%用于训练，20%用于验证。

3.4 现场运行结果

本文所述的泥水气压平衡盾构机的智能沉降预测方法已经率先使用在上海北横隧道东线段的施工。

由于地面沉降测量点无法部署到每一施工环，有时需要避开建筑物或者交通人流，一般间隔2环～4环部署一个测量点，用于验证的隧道施工部分为东线从1 000环开始到1 176环共43个数据测量点，实测沉降数值和采用智能新方法预测数值的对比如图3所示。

从图 3分析得知使用新技术GAN模型预测的地表沉降数值和实际测量值最大误差为8.98 mm，最小误差0.18 mm，平均误差为3.54 mm，实际施工实践中证明了此技术的现场实用性，预测结果可以立即提供给盾构机操作人员参考，进一步采取相关措施。

4 结果分析讨论

本项目提出了一种泥水气压平衡盾构的智能沉降预测方法，利用泥水气压平衡盾构机施工过程中实时环境传感器数据，结合前一环施工参数，将数据的时间和空间效应充分纳入到对沉降的影响因素中，利用GAN构架设计了合适的生成网络，能够及时预测90 d后地表的沉降数值，帮助施工质量控制，此创新的智能沉降预测方法在上海北横通道隧道施工现场实践中取得了良好的效果。